关于人工智能的入手研究方式的一种思考

人工智能作为一个比较热门的名词，走进了千家万户。但是，这个名字也给很多像我一样正在对其学习或研究的人带来入门研究的困难。因此，我觉得有必要对这一个抽象的概念进行进一步的细分，或者从另外一个角度去进行理解。读过吴军的《计算之魂》，从中也受到了一些思考。

吴军在《计算之魂》中曾说，人工智能本身是一个模式识别和分类的问题。其实所谓的能够实现智能的问题，便是将现实世界中复杂而抽象的问题经过建模转化成为计算机可以自动解决的问题，这里便涉及到建模与算法的问题。就拿自然语言处理为例，这是在概率论中所涉及到的贝叶斯网络模型（可以理解为一种加有方向的迭代模型），说的简单一点，就是去逐个比较语义（假设语义模型可以由哈希表进行存储），找出语义相较于原语句而言最贴合的意思（用英语的话叫做paraphrase）。

如果将人工智能转变成模式识别与分类的问题，那么像无人驾驶，则是相当于计算机视觉所能够感知到的东西（图像），经过图像的各种处理（包括卷积处理，霍夫变换等），将其转换成对应的编码，然后去逐一寻找最佳贴合点，找出对应的标签。从这一点上或者也可以解释，人工智能为什么是需要有大数据技术的支持的 。当然，这样的一种模式分类是需要有严格的定义的，或者说，是需要用机器学习的线性回归等方法去自动生成对应的数学模型产生定义的（本质上与前者意义相同）。比如说，研究人工智能如何产生情感与价值观判断的问题，这种场景我们在科幻电影里也会经常遇到。但是，由于情感与价值观这种属于社会科学研究领域的问题，并没有一个非常严格的科学定义或者数学定义（至少在我的认知领域内找不到，除非能够在脑神经检测中能够被证明某种激素的浓度达到阈值，但这很明显不是数学或物理能够研究的，或者来说，不能仅仅依靠算法技术来获取的），所以这种问题感觉上来说也许没有研究的必要（死胡同）。至于其他的如智能应用的问题，我觉得也可以归结到模式的识别上，找出对应的分类的标签，分的标签越多，对于智能的灵敏度或许也会越强。所以，如果是研究人工智能的应用问题的话，就还是需要对问题有一个抽丝剥茧的过程。转化问题，然后建立模型。

至于人工智能里面所涉及到的深度学习、强化学习，其实本质上是一种神经网络，说得通俗一点，就是一个系统，传入信号，获得更加接近预期的传出信号的模型。研究其，我觉得完全可以按照信号与系统这一门课程里所学习的思想，我们要关注的，便是这一个系统是如何产生的。或者说，这样的一个系统，是如何去进行处理信息的。至于信号（传入进来的各种数据），则可以作为检测这样一个系统的优良特性，可以添加自主控制（具有微小差异，或者陷入了局部最优解）或者直接人工对算法进行调控（如果说最初的算法不太合理的话）。

当然，如果研究的内容是人工智能的相关算法实现的话，我觉得仍然可以借助于曾经接触过的数学的知识，分析其运算的特性。毕竟，算法的本意就是计算的方法嘛，这一点与数学所研究的领域比较贴合。

综上所述，面对人工智能研究的问题。核心的步骤便是拆解问题，建立模型，设计算法（网络），模型验证。从这一点来说，对于人工智能的研究还是需要有一点数学建模的潜意识在里面的。

以上的思考可能有所谬误，介于作者本人学识尚浅，欢迎在评论区进行批评指正。