了解人工智能 这篇文章最通俗易懂

xzcxnihd

[paragraph]
OFweek电子工程网讯 人工智能现在火得不行。但是对一般人来说，大家也就是看看热闹而已。什么是人工智能？人工智能是怎么发展的？又有哪些类型？其机制是怎样的？为什么到现在才取得突破？这些东西恐怕是不少人不知道的。所幸英国的VC David Kelnar写了一篇通俗易懂的AI介绍性文章，把过去60年人工智能所取得的进展给解释清楚了，值得一看。

过去10年我们一直在做一件事，那就是打造移动优先的世界。而在接下来的10年时间里，我们将转到一个AI优先的世界。

——Google CEO Sundar Pichai，2016年10月

从Amazon和Facebook，到Google和微软，全球大部分最有影响力的技术公司都在表现出自己对人工智能（AI）的狂热。但什么是人工智能？为什么人工智能重要？为什么是现在？尽管对AI的兴趣与日俱增，但目前能理解该领域的主要还只是专业人士而已。这篇初级读物的目标是让更广大的受众能够理解这一重要领域。
我们会先从解释“AI”的含义以及包括“机器学习”在内的关键术语开始。我们将举例说明AI最有生产力的领域之一，所谓的“深度学习”是如何工作的。我们还会探讨AI解决的问题，以及为什么这些问题的解决那么重要。然后我们还将弄清楚一个问题：为什么早在1950年代就已经诞生的AI，直到今天才崛起。
作为VC，我们要寻找能为消费者和公司创造价值的新兴趋势。我们相信，AI是计算的一次演进，其重要性不亚于甚至甚于向移动和云计算的转移。Amazon CEO 贝索斯说：“AI在未来20年对社会产生的影响之大怎么评估都不为过。”我们希望这一指南可以穿越炒作，解释清楚为什么这一新兴趋势对我们所有人——无论你是消费者还是高管或者创业者、投资者都很重要。
什么是AI？
1、人工智能：智能程序的科学
“人工智能（AI）”这个词是达特茅斯大学助理教授John McCarthy在1956年发明的一个词，这个一般性术语是指展现出看似具有智能的行为的硬件或者软件。用McCarthy教授的话来说，它是“制造智能机器、尤其是智能计算机程序的科学和工程。”
基础“AI”出现已经有几十年的时间了，一开始为基于规则的程序，可在特定上下文环境下提供初步的 “智能”显示。但是所取得的进展较为有限——因为处理许多现实世界问题的算法对于靠人工编程来处理来说太过复杂。
复杂的活动包括做出医疗诊断、预测机器什么时候失效，或者评估特定资产的市值等，这些都牵涉到成千上万的数据集，以及变量之间非线性的关系。在这些情况下，是很难利用我们手头的数据来取得最好效果的——也就是“优化”我们的预测。在其他一些情况下，包括识别图像中的对象以及翻译语言等，我们甚至都无法制定规则来描述我们要寻找的特征。我们如何能编写出一套规则，在所有情况下都能描述一条狗的样子呢？
如果我们能够把做出复杂预测——也就是数据优化和特征描述的难题从程序员转移给程序会怎样呢？这个就是现代人工智能带来的希望。
2、机器学习：卸下优化的负担

图1：人工智能的演进

机器学习（ML）是AI的子集。所有的机器学习都是AI，但并非所有的AI都是机器学习（见上图）。今天对“AI”的兴趣反映的是对机器学习的狂热，因为这方面取得的进展较为迅速和重大。
机器学习让我们可以处理对于人来说太过复杂的问题，其手段是把其中一些负担交给了算法。正如AI先驱Arthur Samuel在1959年所述，机器学习是“让计算机有能力在不需要明确编程的情况下自己学习的研究领域。”
大多数机器学习的目标都是针对特定用例开发一个预测引擎。一个算法会接收有关某个领域的信息（比如某人过去看过的电影），然后给出输入的权重来做出有用的预测（此人将来喜欢另一部不同电影的可能性）。所谓的赋予“计算机学习的能力”，意思是指把优化（对现有数据的变量赋予权重以做出对未来的精确预测）的任务交给了算法。有时候我们还可以更进一步，把指定首先要考虑的特征这项任务也交给程序。
机器学习算法是通过训练来学习的。算法一开始会接收输出已知的例子，然后留意其预测与正确输出之间的不同，再对输入的权重进行调整，从而改进预测的精确度，直到完成优化。这样一来，机器学习算法的定义性特征就是通过经验来改善预测的质量。我们提供的数据越多（往往要到达一定的点），我们能创建的预测引擎就越好（下面的图2、3。注意所需的数据集规模是高度上下文相关的——以下的例子无法一般化）。

图2

图3

机器学习有超过15种方案，每一种都采用不同的算法结构来优化基于所接收数据的预测。其中一种方法叫做“深度学习”，这种方法在新领域取得了突破性的结果，我们会在下面进一步探讨。但是除此以外还有很多种方法，尽管这些方案受到的关注略低，但仍然很有价值，因为它们适用于很广范围的使用案例。除了深度徐诶以外，其他一些最有效的机器学习算法包括：
“随机森林”，可创建众多决策树来优化预测；
“贝叶斯网络”，可利用概率法来分析变量和变量之间的关系；
“支持向量机”，提供分类的实例给它，它就能创建模型，然后分配新的输入给其中一个类别。每一种方法都有各自的优势和劣势，而且结合使用也是可以的（“集成”法）。选定用于解决特定问题的算法要取决于包括现有数据集性质在内的因素。实际上，开发者往往会进行试验来看看哪种有效。
机器学习的用例视我们的需求和想象不同而不同。有了合适的数据，我们就能针对无数目的开发算法，这包括：根据某人此前购买历史推荐其可能喜欢的产品；预测某机器人或者汽车装配线什么时候会失效；预测电子邮件是否寄错；估计信用卡交易属于欺诈的可能性，等等。