人工智能泡妞第一步 · 了解学科

AI，即人工智能（Artificial Intelligence）。它是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的技术科学。它企图了解智能的实质，并生产出能以类似人类智能的方式做出反应的智能机器。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

    要想以更加高大上的方式迈入人工智能研究领域，必需先做好充足的准备工作，那就是了解相关学科。走心的算一下，能和人工智能沾上边的学科还真不少。这些学科就像你一夜之间火了之后，突然来攀亲戚的七大姑八大姨的大表叔的小舅子。为了能让大家更清晰的把握人工智能相关学科的主线，我们还是挑几个最亲的来介绍。

    先来看一张人工智能领域比较火的图：人工智能深渊。

看完了这张图，好，本次的内容就到这里了，大家再见！

或许此时的你对人工智能有点绝望，但我想说那些都是吓人的。人工智能是一个胆小害羞的小女孩，她用各种可怕复杂的外表把自己伪装起来，但你只要用心去接近她，你就会发现了解她的心其实很简单。以下将简要介绍人工智能几门关键学科，帮你更好的去抓住她的心。

1.机器学习

    机器学习（Machine Learning）是人工智能的核心，该学科专门研究计算机怎样模拟或实现人类的学习行为。通过机器学习，人工智能系统可以获取新的知识或技能，重新组织已有的知识结构使其不断改善自身的性能。这里的机器一般指计算机，但计算机是死的，怎么能让它像人类一样学习呢？

    想让计算机完成一个任务，只需要把它要做的事情写成一条条指令“喂”给它就好，它会按照我们设定的指令一步步的完成工作。而机器学习远远不止这些。下面举一个例子来感受一下：

    你有一个爱迟到的女朋友，每次约会中午11点公园见面然后吃饭，每次她都会让你等1个小时甚至两个小时。那么在下次约会时你肯定会考虑晚点出门，因此你开始推测下次约会的出门时间：

（1）先罗列出以往约会她的迟到情况，比如约会10次，分别

a. 准时1次

b. 迟到30分钟2次

c. 迟到1个小时5次

d. 迟到2小时2次

（2）再求出平均迟到时间为60分钟；

（3）最后考虑其他因素。比如你要营造一个早早等她的现象，所以你可以晚60-5=55分钟再出门。

那么以上就是一个预测出门时间的模型。将这个模型交给计算机，并把实际的迟到数据“喂”给它，它就会根据以往的经验“学习”出下次出门的时间。因此我们可知，机器学习方法是计算机利用已有的数据(约会迟到情况)，计算出某种模型(迟到时间规律)，并利用此模型来做出决策(出门时间)的一种方法。

因此可以简单的理解机器学习需要我们“喂”的是数据而不是指令。

顺便说一点，真正有女朋友的人是不会在下次约会时晚55分钟才出门的。

2.神经网络

神经网络分两种，生物神经网络，人工神经网络。生物神经网络一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs），是模仿生物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

类似生物神经网络，人工神经网络的组成部分可以大致的分为两类：神经元和神经元之间的相互连接（在这里我们亲切的称其为：神经线）。如图所示：

图中每一个球状细胞就是神经元，神经元之间的连接就是神经线。就像人的大脑有大量脑细胞一样，人工神经网络也含有大量的神经元和神经线。在神经网络中，每个神经元含有一种特定的输出函数，称为激活函数（activation function）。每个神经线含有通过该神经线信号的加权值，称为权重（weight）。整个神经网络是一整个模型，网络的输出取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或函数的逼近，也可能是对一种逻辑策略的表达。

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为前向网络和反馈网络。前向网络中各个神经元接受前一级的输入，并输出到下一级，网络较为简单。反馈网络中，神经元间有反馈，前面的神经元可以受到后面神经元输出结果的反馈，网络结构比较复杂，能解决的问题也比较复杂。

3.深度学习

深度学习（也就是通常说的卷积神经网络CNNs）是机器学习研究中的一个新兴的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

    从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有父节点，输出节点没有子节点。这种流向图的一个特别属性是深度(depth)，也可以理解为网络层，即从一个输入到一个输出的最长路径的长度。

    传统的前馈神经网络能够被看作拥有等于层数的深度(对于输出层为隐层数加1)。比如，网络有深度2(一个对应于核输出或者特征空间，另一个对应于所产生输出的线性混合)。

    还没看完以上介绍，可能你心中已经飘过千万句什么鬼？其实深度学习可以理解为一个拥（bi）有（jiao）深（fu）度（za）的神经网络。

4.图像识别

图像识别是人工智能的一个重要分支领域，是指计算机在对图像进行处理、分析的基础上通过算法来理解图像内容，以识别各种不同模式的目标和对像。人眼对图像中对象的识别是非常强的，而图像对于计算机来说，仅是一堆毫无意义的像素点。让计算机从这堆像素点中悟出点什么来，还真不简单。（话说下图是计算机视觉中最经典的图像，女主角的图像是从几十年前的花花公子版面上剪裁的。这位可爱的老太太现今还活着，并且在几年前接受采访的时候才知道几十年来自己原来对于科学发展也作出了巨大贡献，并且一直享誉整个视觉界~ ）

为了模拟人类图像识别，科学家们提出了不同的图像识别模型，例如模板匹配模型。这种模型识别某个图像，需要存有这个图像的记忆模式，又叫模板。当前图像如能与之前存储的模板相匹配，这个图像就会被识别。

现实中的图像是大量的，不可能为每一个图像建立一个相应的模板。因此科学家们又提出了一个原型匹配模型。这种模型认为应当存储的并不是所要识别的模板，而是图像的某些“特征”。从图像中抽象出来的“特征”就可作为原型，拿它来检验所要识别的图像。不论图像千变万化，只要特征存在就可以识别。这也是为什么有人会说“你就是化成灰我也认得你！”的原理。

5.语音识别

语音识别就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。目前语音识别技术已经相当成熟，早已进入了生活的各个领域。

语音识别是一门交叉学科，其涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。

到底语音识别是怎样进行的呢？我们来简要分析一下这个过程。语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。语音识别的过程分为两个阶段：训练阶段和识别阶段。在训练阶段，就像教婴儿说话一样，将词汇表中的每一词依次录入，通过声音信号处理提取每个词的特征矢量，并将其特征矢量作为模板存入模板库。在识别阶段，将语音内容经过声音信号处理，提取特征矢量，并依次与模板库中的每个模板进行相似度比较，将相似度最高者作为识别结果输出。除这两个阶段外，为提高语音识别准确度，还要利用一定的模型训练技术不断提升语音识别准确率。

当然，以上只是一个抽象的技术原理简介，真正的语音识别还会涉及到概率论和信息论、发声机理和听觉机理等方面的知识，这里就不再多做介绍绕晕大家啦。

6.机器人

    其实这里应该是机器人学（robotics）。机器人学是与机器人设计、制造和应用相关的科学，又称为机器人技术或机器人工程学，主要研究机器人的控制与被处理物体之间的相互关系。机器人学涉及的科目很多，如：运动学和动力学、系统结构、传感技术、控制技术、行动规划和应用工程等。

    机器人学是人工智能的应用领域相关学科。当前全世界有近百万台机器人正在运行着，机器人学的飞速发展也使机器人早已进入并不断深入人们的生活中。机器人作为人工智能的载体，肩负着“代替人们改变世界”的使命。机器人是否能够完全取代人类、超越人类甚至威胁人类，这仍是一个值得讨论和深思的问题。

以上就是人工智能小姑娘心里最珍贵的几个秘密，如果这些你都能了解的话，那么离你走进她的心也就不远了。当然，人工智能的相关学科远多于上面介绍的这几个，各个学科也并没有上面介绍的那么简单。不过，老铁们不要急，跟着万众AI，你会一步一步了解、熟悉人工智能的方方面面。老铁们快上车，我们车上解释！

另外，祝各位早日泡妞成功！

我们致力于推广普及人工智能(AI), 让AI走进每个人的生活~

欢迎分享AI相关的人物轶事、工业应用、科普常识、动态前沿~

投稿邮箱：whatisai9999@qq.com

《万众AI》 2017年第三期