AI算法中的人生智慧

自人工智能产业大火之后，很有人经常提到人工智能（AI)，机器学习（machine learning），深度学习（deep learning）三个概念。

很多非专业的小伙伴们一直对这三个概念搞不清楚。下图展示三者间关系：人工智能一门大的学科，起源于上世纪四十时代，如何让计算机模拟人类智能；机器学习是人工智能一个分支，主要通过数据训练的数理统计方法来模拟人类学习过程，神经网络是其中一个算法；深度学习本质上是多层神经网络，是本轮人工智能产业兴起的重要推动力，广泛应用于图像识别和语音识别等AI技术上。本文的AI算法主要指机器学习和深度学习。

第一个人生智慧：世界是非线性的

神经网络算法中每个节点一般有两个操作：一个是线性的，是Wx + b；另一个是非线性的激励函数，如Sigmoid。其实没必要理解细节，一个是线性的计算，就是个多元一次方程，在数学空间中是一条直线。而另一个是非线性计算，是条曲线。深度学习就是多层的神经网络，通过非线性变化方式来对现实世界进行模拟，所以现实世界也是非线性的。

举个简单例子来说明。在理想情况，女生的追求男生数量与她的颜值成正比，既：女生的颜值越高，追求她的男生越多。但在现实情况下，这两个变量受到很多条件限制，比如：女生所能认识男生的数量是不同的，周边女生数量也是不同的。很多时候，这两个变量的关系是曲线的。在理工科大学，粥多僧少，这条曲线在开始的时候就可以快速增长。但在文科大学，这条曲线在开始增长缓慢。

第二个人生智慧：低纬度问题在高纬度很容易被解决了

深度学习算法流行之前，有个算法比神经网络更流行，叫做支持向量机（SVM，support vector machine)。支持向量机通过某些方法把低纬度空间映射到高纬度空间，很多低纬度空间中无法解决的问题在高纬度空间就很容被解决掉了。如下图所示，二维空间上的点无法通过一条直线来进行分类，在映射到三维空间后就很容易被一个平面分类了。

人生也是如此，在低纬度空间无法处理或想通的问题，在更高维度来思考时就不是问题了。比如，遇到问题时，问下自己：“十年后，会怎么处理”，往往会得到不同的答案。SVM对于人生的启示：尽可能提高自己的人生维度，站在更高的维度来思考或处理问题。

第三个人生智慧：人生不要过分满足于局部最优

机器学习训练过程经常采用梯度下降法（gradient descent）方法一步步找到空间最优的点。如果以爬山为比喻，就是沿着山顶往上爬，直到爬到山顶。

人生就是场深度学习模型训练过程，在某个点往往选择的是往局部最优去优化，达到局部最优点，但这个点是否是全局最优，who knows。大部分时候，有些人可凭借才能爬到更高的高度，而满足于一时的局部最优，一生都没爬上其他更高的点。

未完待续。