作者：王天一
一批人认为可以通过模拟大脑的结构（神经网络）来实现，而另一批人则认为可以从那些简单生物体与环境互动的模式中寻找答案。他们分别被称为连接学派和行为学派。与此相对，传统的人工智能则被统称为符号学派。自20世纪80年代到90年代的十年间，这三大学派形成了三足鼎立的局面。
人机大战是符号主义学派人工智能的标志性应用。
连接主义学派并不认为人工智能源于数理逻辑，也不认为智能的关键在于思维方式。这一学派把智能建立在神经生理学和认知科学的基础上，强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。
连接主义学派最主要的成果是人工神经网络技术。
但连接主义学派依然面临着难以解决的问题：科学家们虽然会向大脑学习如何构造神经网络模型，却根本不清楚这些神经网络究竟是如何工作的。智能仍然躲在黑盒子里，深藏不露。
行为主义学派的出发点与符号主义学派和连接主义学派完全不同，他们认为人工智能源于由美国数学家诺伯特·维纳（Nor-bert Wiener）建立的全新学科——控制论。
根据感觉同态原理，事物性质（或质的定性）由此而产生的模糊性、非单调性和矛盾性等各种不确定性，不仅要同态地映射到人的感知记忆集中，而且，要在人的各种思维活动中反映出来。也就是说，所谓人类思维与智能的各种不确定性，实质上只是事物性质（或质的定性）的各种不确定性的表现而已。
进化是个修补匠，而不是工程师。可正是修补匠的缝缝补补，补出了宇宙中最令人叹为观止的智能奇迹。
验证码的出现恰是人类智能绝妙的体现：识字的小朋友都能完成的任务，迄今为止却没有任何计算机算法能够做到。
学习、归纳与推理 ——这才是人工智能。
选择性注意机制的生理学基础是模块化的层次结构和分布式表征。
智能是主体在各种各样的纷繁复杂的环境中实现目标的能力。
得到的结果就是通用归纳模型和序贯决策理论的结合。通用归纳将归纳转化为预测，而预测的关键是对数据的建模或编码表示，预测的精度依赖于对模式的掌握程度。诸如分类、类比、联想、泛化等与智能相关的要素，都可以被广义地理解为对模式的追求，对计算机而言则是找寻最优编码。但找寻最优编码的过程无法通过解析方式执行，只能通过试错不断逼近。其核心是用可控的主观概率代替未知的客观概率，不同的主观概率则来源于对描述客观世界的不同算法的反向推演。
归纳是一个不断试错的学习过程，算法概率使得我们可以根据经验不断修正信念、逼近真实的客观概率，再借助序贯决策理论。
帮助我们追逐效用，能够自动适应各种可能环境的超级智能体就横空出世了。
深蓝的核心在于”算”：利用强大的计算资源来优化目标函数。
它使用了两个各司其职的神经网络：策略网络和价值网络。
如果说策略网络关注的核心是“知彼”，价值网络关注的就是“知己”：在当前的局势下，我下在哪个位置能得到最大的胜算。
最初的一步 ——模式识别。
模式空间。
特征空间。
关于神经网络的作用，在国外的问答网站Quora上有非常通俗的描述：如果你去买芒果，但又不知道什么样的芒果最好吃，最简单的方法就是每一个都亲口尝一尝，吃完就知道个头大、颜色深的比较好吃，再买的时候选这种就行了。要是把这个方法套用到计算机上，让计算机“尝”一遍所有芒果，它就能够总结出关于芒果好吃判断标准的一套规律。有了这套规律后，一旦把新芒果的特征输入计算机，计算机就能够根据已有规则判断出芒果的好坏，岂不美哉。
神经元的实质就是分类器，它把由所有输入信号构成的空间一分为二，两边的元素分别属于不同的类。
人工神经网络的数学本质是一种特殊的有向图，这个有向图可以由一层或多层节点组成，每一层的节点都通过有向弧指向上一层的节点，每一条有向弧都用一个权值来描述，同一层的节点之间则并无连接。
人工神经网络的质量由三个要素决定：网络结构和节点函数，训练数据的质量和完备性、训练方法的合理性。
深度学习又被称为深度神经网络（Deep Neural Network），其基础也是人工神经网络，“深度”则体现在神经网络的层数以及每一层的节点数量。
深度学习从原始自然信号中提取特征完成任务的过程是个“黑盒子”，缺乏可解释性，类似于哺乳动物的低级认知功能。
从工业时代到信息时代的转变，是从机械思维到数据思维的转变。
所谓机械思维，是指建立在思辨的逻辑推理基础上的思维方式。
20世纪初量子力学的诞生与发展迫使人们接受了微观世界这个全新的观察视角，同时也不得不承认不确定性才是世界的本质。
消除不确定性的唯一方法就是引入信息。
而大数据的出现，意味着信息时代最有力的工具已经悄然到来，更意味着信息时代的下一次进化。
大数据是指以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合。
大数据的出现颠覆了原有的认知模式：认识事物的方式变成了先寻找相关关系，再寻找因果关系。
在大数据时代，只要知其然就已经足够了。
情感、直觉和情绪并不是与智能不同的东西，而只是另一种人类特有的思维方式。情感是先于理智存在的，人工智能只有智力，没有情感，不是真正的智能。
人类的情感，就是人类主体对于客观事物的价值关系的一种主观反映。
人们猛然醒觉人工智能的发展离不开神经科学与心理学，下一个技术突破必将来源于对情感和情绪的了解，这无疑是现有人工智能的瓶颈。
所谓情感计算，意在通过赋予计算机识别、理解、表达和适应人的情感的能力，来建立和谐的人机环境，并使计算机具有更高的、更全面的智能。
这也是为什么我们仍然真诚地相信，创造性和想象力将会是人类最后的阵地。
人工智能会诱导人自愿放弃思考的权利，用种种潜在的锁链塑造出一条看不见的流水线，用数据和算法生产出一个真实的“人”。
它如此事无巨细地影响着我的生活体验，会不会有一天变成由它来决定我喜欢什么。我想我们都希望能做智能的主人，而不是智能的奴隶。
1993年7月5日的《纽约客（New Yorker）》上配发的题为“在互联网上，没人知道你是条狗！”的漫画，成为对网络空间虚拟性的绝妙嘲讽。
虚拟现实通过欺骗我们的大脑，进而控制我们的意识。一旦进入这个虚拟的世界，你就会身不由己地被它操作。
人类通常会把一个句子视为整体，即使对其进行拆分也并不简单地依赖字词，而是根据逻辑关系进行处理。这使得人类翻译非常灵活。
即通过学习一个非线性投影函数，把图像空间投影到特征空间中。在这个特征空间里，跨年龄的同一个人的两张人脸的距离会比不同人的相似年龄的两张人脸的距离要小。
降维算法的应用开启了人工智能对推荐系统的改造。
人工智能中的负反馈 ——强化学习。
当然，我们的描述只用了寥寥百余字，但这百余字背后是百万行数量级的复杂代码，其实现实过程非常复杂。
司马贺对学习给出了一个简单的定义：性能的改进就是学习。
Deep Mind将深度神经网络与所有动物都有的通过大脑多巴胺驱动奖励机制的“强化学习（Re-inforcement Learning）”结合起来，在神经图灵机、人工智能辅助医疗以及人工智能安全等方向上取得了颇多建树。
联系客服
