我用人工智能来打小怪兽

距离2018 15天

-------

关键词：人工智能

故事起源于公元2017年12月15日的一个下午，在无尽星空中的某个星球，小二两突然接收到了来自遥远的母星地球的一份用星际通用语写成的公告：

于是在这个晚上小二两做了一个梦，梦见自己化身一个身披 AI 战甲的小男孩，飞回了地球。

第二天早上醒来，小二两将自己的梦放进“马蹄声声渐起”的口袋中进行解析，随即伴随着一首奇妙的背景音乐在空中浮现了下面的内容

人工智能（AI）？

61年前某个白天或者晚上，美国常春藤名校达特茅斯大学有个叫JohnMcCarthy 的助理教授，他经过长时间的研究，琢磨出了“人工智能”这个词，他觉得人工智能应该是“可以制造出智能的机器，尤其是智能的计算机程序的科学和工程”，简单理解就是说机器能够智能的处理事情。

而所谓的“智能”呢，在我们认为就是能够处理各种复杂的活动或者事物，比如说在医学诊断中，各种医学症状，如果我们想让机器能够描述清楚症状并能够判断，进而得出症状具体的原因结果；又比如说计算机要识别人脸，首先需要把人脸抽象成一个三维向量，然后得到这个三维向量中的一些特殊的坐标点，将这些坐标点转化为计算机能识别的值，进而得出两者相似的分数值。

看到上面描述起来都这么的复杂的问题，实现起来更是想想都头大了，这个时候不由的感叹，还是人更加智能啊，但是我不由想说，你还能了，你能认出下图右侧的人和左侧是一个吗？如果我不放对比图怎么可能。

所以有些事情我们人类可能会被我们的感觉器官所蒙蔽，有些事情也因为工作量等原因是我们人类无法去完成的，这些事情还是得需要机器去做。

那问题来了，这么复杂的工作，机器能怎么办呢？这个时候出现了一些很厉害的科学家程序员，他们想到我们既然要让机器变得智能，那我们能否让机器像我们人成长和学习思考的过程一样，我们开始认识事物的时候，得通过爸爸妈妈或者老师同学，十遍八遍的教我们各种东西或者方法，这样我们才知道原来长头发的是女人，短头发的是男人，同样长着两只耳朵四条腿的有猫和兔子之分。

当然了，老爸老妈以及上学后的老师同学，带给我们学习新事物的方法都是不一样的，可能爸爸妈妈通过让我们不停的练习叫“爸爸妈妈”教会了我们听话说话，学校是通过一笔一划开始教会了我们读书写字，所以人的成长大概可以用下面这个图所示的方法来达到的。

我们人类成长的方法如上图所示，对应的机器呢？它们的学习方法已经被那帮天才科学家程序员们找到和人类的学习方法对应的方法了，这些方法用机器界的语言来定义如下图所示：

目前在机器界比较盛行的是叫机器学习（Machine Learning）的一个方法，它类似于我们在成长期间学习到的一部分写字识字、阅读思考的方法的统称，而机器是用这些方法来处理我们遇到的沉重工作或者是复杂问题的（当然在这里有另外一个天才科学家程序员ArthurSamuel在1959年的时候就做过机器学习的定义，机器学习是“一种能够让计算机在无须进行有针对性的编程情况下，自行获得学习能力的学科领域。”）。

下面将大概介绍机器学习方法中的监督学习、非监督学习、深度学习和强化学习。

监督学习（逐步认识事物学习），就是好像我们人类学习认识一个事物一样，我们通过看到各式各样、各种品种的猫的图片或实体后，最后达到看到下面的图，我们就知道，哦，最右侧的这个小动物是猫，而不是兔子。

用机器界的语言来描述，就是通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。

非监督学习（对事物分类学习），你现在看到一个女孩的时候还会认错性别吗（当然还是有个例）？人类是怎样学习对男女的分类呢？肯定是通过了解男女的特征，女生有长发，女生没有胡须，女生有一些其他女性特征...然后我们知道这些特征后，等下次看到一个人就会很直接的去把那个人归类到女生或者男生之列了。

那么对于机器呢？用机器界语言解释就是，给机器输入范例，而算法会自动从这些范例中找出其潜在类别规则，当学习完毕并经测试后，也可以将之应用到新的案例上。比如下图所示，在没有任何提示（无训练集）的情况下，将图片中的圆和三角形进行分类。

深度学习（逐层深入学习），这个相对而言可能会有一点点难理解，好像我们去拼图，首先肯定是找到某个点，假如这个点是左眉毛，然后我们会接着拼接眉心部分，然后拼接右眉毛，当然如果拼接的过程发现左眉毛和右眉毛反了，我们就需要调整之前已经拼接的图形，然后重新开始拼接，直到完成了眼睛、鼻子、嘴，最后是整张脸。如果将我们拼接的过程画一个图的话，其实就是一层层的从上往下逐渐深入的，我们开始拼接的眉毛是第一层，然后眼睛是第二层...最后完成整张脸的拼图。

当然在机器学习里，这个要远远比我上面描述的例子复杂多了，计算机首先会组成一个“神经网络”，接受输入，对输入的内容进行分析进而做出判断，并了解自己的判断是否正确。如果输出结果是错误的，将由算法对神经元之间的连接进行调教，进而改变后续的预测，神经网络可通过组织整理呈现为多层次神经元，其中“输入层”负责接收将由网络处理的信息，例如一组图片，“输出层”负责提供结果，输入和输出层之间还有“隐藏层”，大部分活动均在这一层中发生，假设要识别图片中的人脸，将数据装入神经网络后，第一层负责识别局部对比模式，例如图片边缘，这是一种“底层”特征，随着图片在整个网络中流动，逐渐提取出“高层”特征，例如从边缘到鼻子，再从鼻子到面孔，然后就是整张脸，进而完成整张图片的识别。

强化学习（尝试鼓励学习），还记得小时候爸爸教我们学骑自行车的时候吗？第一次反着踩了半圈脚踏板的时候，爸爸说错了，你得往前踩，然后你往前踩了半圈的时候，爸爸说对了，过来夸了你一下，然后你继续踩下去，当你能够连续踩一圈半的时候，爸爸又夸了你一下，然后最后等你能够熟练的想踩几圈就几圈的时候，这个时候说明你是真学会了骑车。而在机器界就是在训练的过程中，不断的去尝试，错了就扣分，对了就奖励，由此训练得到在各个状态环境当中最好的决策。

以上的几种学习方法都只是对部分机器学习方法论的一个简单的介绍，具体的实现可能就需要通过编程语言+算法去实现了，从以上的介绍也可以看到机器学习其实就是抽象的人类学习的方法，都是需要通过喂大量的数据来给然后进行不断的学习训练才能得到最终一个近似完全正确的结果的。

机器学习能带来数量众多、意义重大的收益，很多收益我们从现在的发展就可以看见，比如在这篇文章其实，我们的生活在被慢慢的强行闯入中提到的机器人，比如机器之眼中提到的人脸识别，以及其他新的人机交互方式等，还有一些收益虽然不那么明显，但也能够在日常业务流程和消费者服务提供更强大的能力和效率。

人工智能（AI）到现在才变得逐渐的成熟并且在部分领域实际实现是有原因的，就好像我们小时候没有办法去和大人比算数和思维的抽象，比身板的强壮，比见到的事物的多少，和信息共享的能力，而这些对应到 AI 的发展中的就是：现在算法有了很大的改进，机器的硬件能力有了很大的提升，人工智能需要数据的量级和可用性的发展以及技术的开源和云计算的普及，这些都是随着发展而造就的。

到这里，人工智能（AI）的一个简单介绍大致完成了，这个时候我们也不妨畅想未来：未来的人工智能给我们带来什么呢？可能有这样一个场景：计算机去学习小孩子的表情，学习小孩子的行为，然后将这些表情行为都记录下来，然后和我们已经知道行为表情代表的意义进行比较分析，是否就能够知道小孩子当前的一个心里或者生理状态呢？是否也能分析小孩子的兴趣和特长进而针对性的让小孩子有更好的发展呢？相信未来的这些都不会很远。

当技术不再是一个限制，当我们用人工智能的方案去解决实际中遇到的问题，当我们拥有无边的想象力，梦中的小孩，就已经长成了他心中的铠甲勇士。