会下棋、会猜脸、会德扑 无所不能的人工智能到底是什么？

本篇文章3723字，读完约9分钟

机器学习是人工智能的一部分。

本文经华创资本(微信号:中国成长适应性)授权，由我黑马出版

在过去的十年里，我们生活在移动互联网的时代，但是在未来的十年里，人工智能将主宰世界。Sundar pichai(谷歌首席执行官)

2017年初，人类在与人工智能(ai)的pk中屡屡失利:化身为大师的阿尔法戈赢得了中国、日本和韩国超级大脑的所有顶级玩家，吴恩达博士带领百度大脑在人脸识别方面击败了日本玩家。最新消息是机器已经在一对一无限制德州扑克中战胜了人类。

百度首席科学家吴恩达(左)带领百度人工智能团队在人脸识别跨年龄识别任务中击败了超级大脑

来自加拿大和捷克共和国的几位计算机科学研究人员最近在arxiv上发表了论文。arxiv是一种针对不完美信息(如扑克)的新算法，deepstack通过使用深度学习技术从单人游戏中自动学习扑克。在这篇论文中，研究人员声称，在一场有数十名参赛者的44000手扑克比赛中，deepstack在一对一的无限制德州扑克中击败了职业扑克玩家。

为什么人工智能在短时间内取得了革命性的突破？为什么20世纪50年代提出的人工智能概念真的在这个时代兴起？为什么世界上几乎所有有影响力的科技公司都对人工智能感兴趣，从亚马逊、脸书到谷歌和微软？什么是人工智能？为什么它如此重要？当人工智能的话题在人群中传播时，只有少数专家理解它的真正含义。

因此，我们将从人工智能的含义和机器学习等一些关键术语入手，来解释人工智能所代表的基本含义和巨大价值。

什么是人工智能？

1.人工智能

人工智能最初是由达特茅斯大学的助理教授约翰·卢·麦卡锡于1956年提出的。它是指软件和硬件在运行时的智能行为。用麦卡锡教授的话说，它是制造智能机器的科学和工程，特别是智能计算机程序。

事实上，基本的人工智能已经存在了很多年，通过基于特定规则的程序智能地解决一些问题的方法在很多年前就开始使用了。然而，这种智能技术的发展非常有限，因为它太复杂，无法通过手工编译算法来解决许多实际问题。

这些复杂的实际问题包括医疗诊断、预测机器是否会出故障、测量某些资产的市场价值等。这些问题涉及数千个数据集和变量之间的非线性关系。在这种情况下，我们很难用数据来达到最好的预测结果。

当然，有很多例子，包括识别图像中的物体，翻译语言等。我们甚至不能制定规则来真实准确地描述我们需要找到的特征，就像我们似乎从来没有指定一套规则来准确描述狗在所有情况下的样子一样。

我们能把复杂预测的困难数据优化和功能规范交给程序本身，而不是程序员吗？这就是现代人工智能需要做的。

2.机器学习

机器学习是人工智能的一部分。所有的机器学习都必须是人工智能，但不是所有的人工智能都是机器学习。近年来，机器学习技术取得了显著而迅速的进步。如今，我们对人工智能充满兴趣，而人工智能实际上对机器学习充满兴趣。机器学习技术利用算法来解决一些问题，从而减轻人类面对一些难题时的负担。

正如人工智能的先驱亚瑟在1959年写道的那样，正是对机器学习的研究使计算机具备了学习能力，而不是盲目编程。大多数机器学习的目标是为某些特定的现实开发一个预测引擎。例如，一个算法具有关于某个领域的一些信息作为输入信息(例如一个人过去看过的电影)，然后该算法基于输入信息(例如人们将来喜欢不同电影的概率)做出有根据的预测。赋予计算机学习的能力，确切地说，也是算法获得最优解的一项任务，以便程序能够在权衡许多可变数据之后准确地预测未来。有时我们甚至可以更进一步，比如把程序部分放在一边，把对象特征的描述放在第一位。

机器学习算法通过重复训练来学习。首先，该算法将接受一些已知结果的情况，然后记录其预测和正确输出之间的差距，然后通过协调不同输入数据的权重来提高其预测的准确性，直到其达到最佳预测水平。因此，机器学习算法的定义是通过不断的实践来提高预测质量。我们提供的数据越多，我们的预测引擎就越好(如下图2和图3所示)

目前，有15种以上的机器学习方法，每种方法都有自己独特的算法结构，利用给定的数据做出最佳的预测。其中，深度学习带来了新领域的突破性成果，最有效的机器学习算法包括:

随机森林，通过创建许多决策树来实现最优预测；

贝叶斯网络，用概率方法分析变量及其关系；

和支持向量机(svm)，它们提供分类示例并创建模型，以将新的输入分配给其中一个类别。

每种方法都有其优缺点。对于具体问题，算法的选择取决于可用数据集的性质和其他因素。在实践中，开发人员通过实验发现什么是最有效的。

根据我们的需求和想象选择不同的机器学习案例。使用正确的数据可以使用该算法来实现许多目的:根据一个人以前的购买经历推荐购买者喜欢的产品，预测汽车装配线上的机器人何时会出现故障，预测电子邮件是否发送不正确，估计信用卡交易欺诈的概率，以及许多其他情况。

3.深度学习

即使我们有全面的机器学习方法，我们仍然很难编写程序来执行它的任务，例如理解语音信息和识别图像中的对象。为什么？因为我们无法以实用可靠的方式指定要优化的功能。

例如，如果我们想写一个计算机程序来识别汽车图像，我们不能在所有情况下为程序描述汽车的特征，因为它涉及形状、大小、颜色、方向、姿势、背景、照明和无数其他影响物体外观的因素。要考虑的变量太多了。即使我们能写出一套这样的识别规则，如果它们不能适用于所有情况，那也是没有意义的。我们需要为我们想要识别的每种类型的对象编写一个程序。

然而，深度学习已经彻底改变了人工智能的世界。深度学习是机器学习的一个子集，但它超过15种方法。所有深度学习都是机器学习，但不是所有的机器学习都是深度学习(图4)。

深度学习的方法是有效的，因为它摆脱了程序员必须以标准化的方式描述事物或优化数据的束缚，并且使用算法来完成这两件事。

那么这是如何实现的呢？突破点是深度学习模拟的对象是大脑，而不是世界。我们自己的大脑学习做困难的事情，包括理解单词和识别物体，不是通过处理详尽的规则，而是通过练习和反馈。作为孩子，我们体验世界(例如，我们看到汽车的图片)，做出预测(汽车)，并接受反馈(是的)。虽然没有一套详细的规则，但我们可以通过训练继续学习。

深度学习的原则是相似的。人工和基于软件的计算机像大脑中的神经元一样紧密相连，形成一个电子神经网络。如果输出是错误的，神经元之间的连接由算法调整，这将改变未来的预测。最初，网络会出错很多次。然而，当我们处于数以百万计的调整情况中时，神经元之间的连接将不断地被修改，最终神经网络可以在几乎所有的情况下做出正确的决定。实践使预测近乎完美。

随着效率的提高，我们现在可以使用这个过程:

识别图片中的元素；

实时翻译语言；

使用语音控制设备(如苹果的siri，谷歌现在；亚马逊alexa和微软cortana)；

预测遗传变异如何影响dna转录；

分析客户意见中的情绪；

在医学图像中检测肿瘤和更多疾病；

然而，深度学习并不适合所有情况。训练和运行神经网络通常需要大量的数据集和广泛的处理能力。同时，它有一个明显的问题。人类可能很难知道神经网络是如何发展自己的预测的。但是通过将程序员从复杂的特性规范中解放出来，深度学习为一系列重要问题提供了一个成功的预测引擎。因此，它已经成为人工智能开发工具包中一个强大的工具。

为什么人工智能很重要？

人工智能之所以重要，是因为它解决了许多困难而深远的问题，而解决这些问题的方法也可以应用于许多对人类有益的领域，包括卫生、教育、商业、公用事业和娱乐。自20世纪50年代以来，人工智能研究集中在五个领域:

推理:通过逻辑推理解决问题的能力

知识:表达自己对世界的认知的能力

规划:设定并实现目标的能力

沟通:能够理解书面和口头英语

感知:从视觉图像、声音和其他感官输入中推断世界事物的能力

人工智能是有价值的，因为在许多情况下，人工智能的进步给人类社会带来的革命比进化还多。

在接下来的几年里，机器学习能力将被应用到几乎所有部门的各种过程中。随着时间的推移，我们希望机器学习的应用将变得越来越普遍，机器学习技术将成为开发者标准工具包的一部分，并在不断改进的过程中实现质的飞跃。

人工智能的未来？

机器学习的好处是多而重要的。许多有利的应用将是直观的，例如自动驾驶车辆和人机交互的新技术。然而，有许多应用程序并不明显，但它们也可以提供更强大、更高效的日常业务流程和消费者服务。

像任何改革一样，有时人们的期望会超过他们自己的短期潜力。我们预计未来将会有一段时间对人工智能的幻灭，但那时人们将会继续认识到它的价值，因为机器学习不仅用于改进现有系统，而且用于重新想象现有系统。

从历史上看，工业革命通过新的电力和输电来源改变了生产和通讯方式。今天，随着软件逐渐主导世界，我们创造价值的主要来源是对信息的有效处理。通过让我们更智能地做到这一点，机器学习将带来微小但具有历史意义的好处。

参考文献:

1.人工智能第一次击败了德州扑克中的人类职业玩家，新算法让机器变得直观|新智元

2.率百度脑赢超脑王峰，ai技术解密|新智元作者:胡。

3.第四次工业革命:人工智能入门|媒体作者:大卫·凯尔纳

来源：搜狐微门户