作者:Albert Xiao
邮箱:xiaoxiaoyushan@126.com
备注:请尊重原创(手机端Markdown编辑,请理解 )
本来学数学、物理好好的,结果一不留神就溜进这个行当了。看到好多大牛都写博客,我就羡慕地来凑凑热闹。所以初来乍到,还望各位前辈多多指教。
许多人都觉得技术类的词汇比较高大上,就是看完一脸懵逼的那种。但这是个误会,因为技术词汇就跟技术人一样,简单粗暴。就像数学中的代数等词汇,一眼就暴露内涵了。那么我们就不如以拆文解字的角度来谈谈这个“人工智能”。
1. 啥是人工智能?
这里就有一个问题,“人工智能”是一个整体专有名词,还是“人工”作为“智能”的定语呢?当然,人工智能在近些年已然作为一个代表某个技术领域的专有名词出现。但它在被提出伊始,目的就简单明确,即以人工作为代价来模拟智能。继而这个领域的解决思路已然明确,既首先认知并破解智能,然后试图人工逼近这个智能过程。
刘先生在科幻著作《三体》当中有这么一个桥段,冯诺伊曼向秦始皇建议用人列计算机计算三体问题,于是乎一个宏大的场景就这么上演了,在该计算机中,每三个人作为一个单元用以实现门电路,由于三体人特殊的生理结构,这个计算机确实是可运行的。这里面就有一个问题,人列计算机仅仅就是人工吗?我觉得并不这么简单,人列计算机实际上就是我们生活中最为常见的模式,概括起来也是四个字“智能人工”。所谓智能,即是每个构成门电路的三体人就是智能,他们能够快速学习挥旗动作并将其应用到人列计算机,而这个过程恰恰就是智能过程。如此,我们在反观人工智能,含义似乎更为丰富了,这不仅仅是一种模拟,而更确切说是一种模式的倒置。
2. 啥是智能?
智能这个话题是很多人不愿意深究的问题,因为意义不大,特别是对于程序猿来说,完全没有撸一套代码来的爽快!其主要原因就在于任何观点都不足以服众。可是既然是人工智能,又不可能绕过这个词汇。最初人们从唯象的角度去谈论智能,其因素大致包括感知、记忆、回忆、决策、语言和创造等等,甚至划出七个范畴,然而如果拿一些智能体去一一对照就会发现这些范畴基础都会有所松动。当然这些范畴仍在拓展,包括更为抽象的空间,逻辑等范畴。但也只是部分的表征智能而已。之前一个医学院的朋友说过,他说有一种化学物质,在大脑的含量非常低,但是这种物质的浓度只要有所波动,那么人的情感,性格就会出现极大的反差。从这个角度来说似乎人的情感是可以建立模型的。改引爱因斯坦的一句话,这个世界数学最无法证明的似乎就是为什么这个世界可以被数学证明。那么问题来了,你相信你的情感同构于一套符号系统吗?似乎这是不可理喻的,当然会有人跟你争论复杂度的问题。好吧,我只能说所有说不明白的事情用复杂一词总能说得明白。但还有一个问题,那就是如果你觉得蚂蚁有智能,那就是意味着智能并非来源于神经网络的复杂度。救其智能的根源,有两件事必须要给出解释,即意识与理性创造。如果无法解释这二者我们便没有理由建模。当然虽然智能的含义饱受争论,但并不影响我们发展人工智能。因为智能理论无论多么高大上,作为一名程序猿来说其主要精力仍要放在人工上。所以在今天我们谈论人工智能的时候,我们谈论的其实是机器学习。学习自然也是智能的范畴之一,但并非全部。所以当有人质疑我们的代码人工智能不够智能的时候,我们也会觉得心安理得的。
3. 当今的人工智能
其实人工智能这个词汇是完全被用烂了。你会发现真正牛x的公司总是说自己在做机器学习,当然机器学习也是模拟智能的一个范畴,包括了感受,记忆,分析和表达,但还不是智能的全部。所以在各种文章与嘴炮之间,如今的机器学习就是我们所说的人工智能。
对于技术层面来说,人工智能就是一种仿生,所以我觉得实现人工智能总体分为两个反方向,第一种是步步逼近,即我们一个范畴一个范畴理解模拟继而攻破,直至我们把所有结果组合在一起达到智能的效果,这也是技术发展最为常见及平缓的模式。另外一种是就是用等同于生物智能的复杂度构造一套系统,即把生物黑箱迁移为人工黑箱,先不管那么多概念层面的问题,而是尽最大可能实现。这种发展是我最看好的,虽然难度很大,可行性差,但却是最可能让人工变得智能的办法。后续我会陆续分享一个我构建的自组织神经网络模型。
回头说说现有的这些机器学习,如今比较火热的几个模型是深度学习,无监督学习和迁移学习。其实这几种模型都是可以互相浑河借用的,这也反应了网络结构的多个层次的特性。不得不说在这个领域最美妙的事情莫过于代数结构与网络的同构关系。比如在没玩过TensorFlow之前我以为每一个node就是一个仿真的神经元,但后来才明白每一个node其实是一种算符。(这篇博客是我开山之作,技术问题以后再说。)
说到这要提一点,为什么上面我说实现智能有两种方向,就是因为现在的机器学习都会首先提出并优化许多非常高大上的算法,我甚至看过代数几何这么变态的理论。其实之所以这么做就是想降低网络的复杂度,然而一个优秀的算法往往更会损失人工智能的可能性,主要是被算法的能力局限了。那么大牛们就想不到么,怎么可能,实际上现今的机器学习另有使命,下文再表。
4. 当今人工智能市场
前一段时间看了几期的最强大脑,发现大牛吴恩达带着小度亮相。根据现场与主持聊天和赛况来看,小度的技术程度真心不错。虽说在技术上我也喜好“崇洋媚外”,但是好东西就是好东西,无因个人意志而转移。后期我们有一个项目需要用到人脸识别功能,因此我去看看百度的AI这块的服务产品,毕竟我们这种小公司是没办法自己搭建这种系统的。结果不看不知道,一看吓一跳,百度对许多AI产品接口都开放了,即便收费也是非常低基本等同于免费。
所以从这点来看,百度、阿里和腾讯等公司是真正的玩起了大格局。以开放的接口垄断网络里面流通的数据,从而训练自己的神经网络,对现在这是双赢的战略,对未来这是垄断式的格局。所以今天的人工智能的使命,并非是逼近智能,而是另一套高大上的工具。上文我们说大牛们想不到算法的局限性吗?并非如此,大牛们真正的眼光还是着眼于数据,这才是CS领域的土壤。偏激一点来说,人工能不能达到智能我们并非那么热心,相反,如此的机器学习能够带来数据的处理价值才是重心之所在。牛就牛在既可以着眼于未来,也能立足于现实。如此才显得那么多牛X的算法的可贵之处。
5. 诗和远方
可以说在阿兰图灵第一次构建计算机的时候,人工智能就是许多数学和计算机领域人的一个梦想,然而时隔多年梦想依旧是一个梦。在上世纪四五十年代该领域甚至出现了停滞。如今在看市场,所谓的人工智能仍旧偏离当时的梦想。但毕竟如那句话:“梦想还是要有的,万一实现了呢?”。闲暇的时候我仍旧尝试构建自己的黑盒子,其实好多时候觉得这没什么意义,然而生活毕竟不止眼前的苟且,还有诗和远方……