按：这是去年一篇旧文，为了下接一篇新的，就重发一次。
===
最近几年，特别是阿尔法狗击败李世石之后，人工智能一下火了。围棋被认为是所有棋类游戏的最后堡垒，其复杂性唯有人类可以驾驭，也被机器攻克了。人工智能随即成为大众口中的时髦词汇，大有聊天不扯两句人工智能就跟不上时代的形势。但其实人工智能不是一个新概念，在计算机发明之初，人工智能的理论已经开始建立，英国数学家图灵被公认为人工智能之父。
从人工智能诞生到现在几十年时间里，它其实已经经历了春季式萌芽，夏季式火热，和冬季式严寒。人工智能上一次火热是二十多年前，深蓝击败卡斯帕罗夫。当时这个事件对大众的冲击远远超过阿尔法狗，毕竟是机器第一次在如此复杂的游戏中击败人类冠军。但是在那之后，人工智能陷入沉寂，主要原因是在商业应用中，人们发现其故事很光鲜而现实很骨感。随后人工智能局限在学术研究的小圈子里，不被大众关注，直到阿尔法狗又重新吸引了大众的目光。
说了半天，对于业界外的人士，到底什么是人工智能呢？所谓人工智能，即Artificial Intelligence（AI）。有些书或文章介绍AI时会说是模仿人类智能，我觉得不全面，AI应该是人造智能，不局限于人类的智能。任何生物，如果有像大脑一类的信息处理器官，就会有智能。已经有很多研究表明，动物在某些方面有超于人类的智能，比如信鸽在图像识别方面的能力超过人类，它可以被训练从组织切片图像中区分恶性和良性肿瘤，准确性远高于受训多年的医师。我觉得Machine Intelligence即机器智能更能清楚定义，并和生物智能区分。 
如果抛开复杂的数学公式，AI的工作原理十分简单，大体分为基于知识和不基于知识。基于知识（konwledge-based）也可以称为基于规则（rule-based），即如果你对于一个任务有全部的知识，可以制定一整套规则。就如同你已经有一张地图，不管你要从地图的任何一个地点去另一个地点，都可以转化为一组规则，指导你行动。深蓝就是基于这样的原理。目前有些医疗产品也是基于这个原理，把医学知识转化成规则，通过病人的症状进行诊断。但是这种智能的几个问题，一是对于复杂任务，我们不可能有完备的知识，二是对于实际问题如医疗诊断，不像棋类游戏，观测数据往往存在误差，基于规则的智能普遍缺乏统计意义。这是AI上一个寒冬的主要原因。
不基于知识（non-knowledge-based）也可以称为数据驱动（data-driven），它依赖的是对数据的统计分析，其中最重要的一个方法就是机器学习，Machine Learning。我们今天不贪多，改天再详细漫谈机器学习。我们现在只需要知道，机器通过已有数据学习一定的规则，这叫训练；然后对未知数据作出判断，这叫预测或者推导。这种判断包括聚类，分类和回归，详细解释放在下一篇。重点是，机器训练前，除了杂乱无章的数据什么规则都不懂。在训练的过程中，学习算法可以“发现”隐藏在数据下的“潜规则”并建立模型。训练之后，模型就可以把学习到的“潜规则”用于分析未知数据。由于数据驱动的方法天然对数据的渴求，数据采集和处理的能力就决定了这种方法能否广泛应用。目前，互联网时代，海量数据出现（这里又有了大数据概念，留待以后再细说），数据采集已经不再是困难，瓶颈在于数据处理能力。数据处理又有两方面的困难：处理算法（软件）和处理芯片（硬件）。阿尔法狗的成功就是软硬两方面的成功。 
以我在行业内十几年的经验来看，AI其实才刚刚起步。现在AI产品如雨后春笋般出现，一定是泥沙俱下，良莠不齐，但随着时间推移，优胜劣汰，AI技术会从根本上改变我们的生活，说AI是第四次科技革命一点都不过分。作为AI的技术工作者也常常会被问机器是否会取代人类的问题，我的观点是：不是取代而是融入。未来人类一定是机器与生物的混合物，不管是以内部植入还是外部佩戴的方式，机器会成为人类的一部分，这不是Science Fiction。 
PS：成文仓促，还请同行斧正。>
PRChina
14/11/2018

贴主:PRChina于2019_07_08 15:40:13编辑