對于人工智能你了解多少

在很長一段時間內，我們對于人工智能的印象和認識都來源于科幻電影，每當提起人工智能，我們的大腦總會浮現(xiàn)出未來感，科技感的畫面或者詞語。但是短短幾十年的風云際會，當我們真正處于發(fā)達的互聯(lián)網(wǎng)技術的環(huán)境之時，我們對于正在接觸的人工智能卻依舊沒有真實感。以至于我們并不明白什么是人工智能，卻對它唯恐避之不及。

人工智能是什么？

人工智能的概念很寬，所以人工智能也分很多種，我們按照人工智能的實力將其分成三大類。弱人工智能、強人工智能和超人工智能。

弱人工智能Artificial Narrow Intelligence （ANI）： 弱人工智能是擅長于單個方面的人工智能。比如有能戰(zhàn)勝象棋世界冠軍的人工智能，但是它只會下象棋，你要問它怎樣更好地在硬盤上儲存數(shù)據(jù)，它就不知道怎么回答你了。

強人工智能Artificial General Intelligence （AGI）： 人類級別的人工智能。強人工智能是指在各方面都能和人類比肩的人工智能，人類能干的腦力活它都能干。創(chuàng)造強人工智能比創(chuàng)造弱人工智能難得多，我們現(xiàn)在還做不到。Linda Gottfredson教授把智能定義為“一種寬泛的心理能力，能夠進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經(jīng)驗中學習等操作?！睆娙斯ぶ悄茉谶M行這些操作時應該和人類一樣得心應手。

超人工智能Artificial Superintelligence （ASI）： 牛津哲學家，知名人工智能思想家Nick Bostrom把超級智能定義為“在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創(chuàng)新、通識和社交技能。”超人工智能可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍的。超人工智能也正是為什么人工智能這個話題這么火熱的緣故，同樣也是為什么永生和滅絕這兩個詞總是出現(xiàn)在人們的口中。

現(xiàn)在，人類已經(jīng)掌握了弱人工智能。其實弱人工智能無處不在，人工智能革命是從弱人工智能，通過強人工智能，最終到達超人工智能的旅途。這段旅途中人類可能會生還下來，可能不會，但是無論如何，世界將變得完全不一樣。

智能家居的應用

我們日常生活中已經(jīng)每天都在使用人工智能了，只是我們沒意識到而已。人工智能現(xiàn)在已經(jīng)能實現(xiàn)很多功能了，比如

語音識別——李開復博士當年做的工作奠定了很多當今識別系統(tǒng)的基礎。這里忍不住說一下，Siri本身的技術并沒有特別大的亮點，真正nb的是它的模式（語音識別直接與搜索引擎結合在一起，產品體驗做得好。而且關鍵是這樣的模式能采集到更多數(shù)據(jù)，使得系統(tǒng)的精度越來越高）

自然語言理解——目前看到的最強的結果應該是IBM Watson。但其實我們現(xiàn)在用的搜索引擎、中文輸入法、機器翻譯都和自然語言理解相關。

數(shù)據(jù)挖掘——隨著近年數(shù)據(jù)量的瘋狂增長，數(shù)據(jù)挖掘也有了長足進步。最具有代表性的是前幾年著名的Netflix challenge最后這一比賽成績較好的隊伍，并非是單一的某個特別nb的算法能給出精確的結果，而是把大量刻畫了不同方面的模型混合在一起，進行最終的預測。

計算機視覺——目前越來越多的領域跟視覺有關。大家可能一開始想到的都是自動駕駛。雖然大家都在說googleX的無人車， 但實際上現(xiàn)在無論是商業(yè)上，還是技術整合上最成功的算法是Mobile Eye的輔助駕駛系統(tǒng)。這個公司也是目前computer vision領域最掙錢的公司。

從實現(xiàn)新功能方面說，視覺的發(fā)展的趨勢主要有兩方面，A） 集成更多的模塊，從問題的各種不同方面，解決同一個問題（比如Mobile Eye，就同時使用了數(shù)十種方法，放到一起最終作出決策） B） 使用新的信息，解決一個原來很難的問題。這方面最好的例子是M$的Kinect，這個產品最讓人拍案叫絕的就是那個紅外pattern投影儀。

2. ===理論基礎===

這里說的是數(shù)學理論，是為實現(xiàn)功能解決問題而存在的。與人類的智能的聯(lián)系在下一節(jié)說。從這個角度，我們已經(jīng)有了很多強有力的數(shù)學工具，從高斯時代的最小二乘法，到現(xiàn)在比較火的凸優(yōu)化，其實我們解決絕大多數(shù)智能問題的套路，都可以從某種意義上轉換成一個優(yōu)化問題。

真正限制我們解這個優(yōu)化問題的困難有以下三個：

計算復雜度——能保證完美解的算法大都是NP-hard的。如何能讓一個系統(tǒng)在當前的硬件下“跑起來”，就需要在很多細節(jié)取巧，這是很多l(xiāng)earning paper的核心沖突。

模型假設——所有模型都要基于一些假設，比如說，無人車會假設周圍的汽車加速度有一個上限（至少不會瞬間移動吧，否則怎么閃避）絕大多數(shù)假設都不能保證絕對正確，我們只是制定那些在大多數(shù)時候合理的假設，然后基于這些假設建模（比如，在語音識別里，我們是否要假設存在背景噪聲呢？如果有背景噪聲，這個噪聲應該符合什么特點呢？這時候無論你怎么定標準，總能找出“反例”）

數(shù)據(jù)基礎——任何學習過程都需要數(shù)據(jù)的支持，無論是人類學說話學寫字，還是計算機學習汽車駕駛。但是就數(shù)據(jù)采集本身來說，成功的案例并不多。大概這個世界上最強的數(shù)據(jù)采集就是google了吧。每次你搜索一個關鍵詞，然后點進去，google就自動記錄了你的行為，然后以此數(shù)據(jù)來訓練自己的算法。