【无标题】

AI杂谈

复制自我的知乎文章：https://zhuanlan.zhihu.com/p/665478698

1. 前言

2. 人工智能的提出：机器能“思考”吗？

3. 早期的人工智能：规则与两次人工智能寒冬

4. 机器学习：从规则到统计。

5. 深度学习：十年寒窗无人问，一举成名天下知

6. 后语

1.前言

众所周知，近年来AI（artificial inteligence，人工智能）领域取得了令人瞩目的成就。

不久前还被嘲笑生硬的聊天机器人，依托ChatGPT打了漂亮的翻身仗。大模型生成的文案（AI作图）已经令不少画师叹为观止。几年前还被认为非常困难的长文本翻译、语音识别等技术也早已无声无息的渗透到生活中。（比如谷歌或百度的整篇论文翻译、微信的语音转文本聊天等）。

AI技术的普及在为公司带来实实在在的商业利益的同时，也成为媒体大肆炒作的对象。“人工智能”、“机器学习”、“神经网络”、“深度学习”等字眼出现在不计其数的文章中，这些文章大都出自非专业人士之手。

不到几年时间，被媒体宣判因AI而成为夕阳职业的已达数十种，从电话销售员到货车司机，甚至从事AI的研发人员。如今，ChatGPT的作文能力让这种危机也终于降临到了媒体行业自己头上。

各路大佬加入论战，则让前景显得更加扑朔迷离。偶尔出现的一些对AI的质疑声，也迅速淹没在了各种震惊体里。

如今，新研发一款产品，不带AI功能都不好意思发布。

那么，未来的人工智能究竟会成为让我们社会更加美好的工具，还是如媒体所描述的那样，变成奴役人类的恶龙？

要回答这些问题，我们需要从一些基本概念谈起。

比如，当我们在谈论AI时，我们到底在谈论什么。什么是人工智能？什么是机器学习？什么是深度学习？什么是神经网络？模型又是什么？

让我们先从人工智能谈起。

2.人工智能的提出：机器能“思考”吗？

如果古代的科幻作品不算在内的话，，可能最接近现实的对于人工智能的谈论要回溯到1843年。

当时的伯爵夫人对巴贝奇设想的分析机（有点类似于计算机）评论道：“分析机谈不上能创造什么东西，他的本分是帮我们实现我们已知的事情”。

换句话就是：机器永远是机器。

但显然，人工智能的先驱图灵并不这样认为。

1950年，图灵在《思想》杂志上发表了著名的论文《可计算的机器与智能》。论文开篇提出了“机器能思考吗”这个经典问题，并设计了一个他认为和这个问题等价的游戏–著名的图灵测试。

如图1所示，如果测试者无法分辨出遮挡物后面和他对话的是人还是机器，则可以认为机器拥有了智能。

图1

以这个标准来看，ChatGPT似乎已经接近通过图灵测试（如果不是完全通过的话）

1956年，麦卡锡在达特茅斯学院发起了著名的人工智能夏季研讨会，并邀请香农、明斯基等一流科学家参加。会议的起因基于如下设想：

第一，所有类似于学习或智能的东西都能被精确描述。第二，机器能够模仿这个过程。

如果一群优秀的科学家聚在一起讨论一段时间，应该会碰撞出点什么吧？

2个月过去了，这些世界上最聪明的头脑并没有提出出色的解决方案。但是会议的意义在于，他们开辟了一个对人类影响深远的新的研究领域—人工智能。达特茅斯学院的夏季研讨会第一次正式提出了人工智能的概念，通常这一年，也被认为是人工智能元年。

从起源来看，人工智能的范围非常宽泛：所有将智力活动自动化的都属于人工智能。

从这个意义说，Excel表格，以及广联达早期的造价软件也都属于人工智能。

3.早期人工智能：规则与两次人工智能寒冬。

早期的人工智能采用的模仿人的学习机制这个路线，这被称为符号主义：只要精心设计足够多的规则，机器就能够达到和人一样的智能。

此时的人工智能模型如图2所示。人制定好规则，输入数据，机器根据规则对数据进行变换，给出结果。

图2

当时的人们对人工智能极度乐观。顶级专家相信，用不了多久，机器就能像人一样思考。

然而，直至今日，这个目标仍未实现。

过高的期望最终变成了失望。第一次人工智能冬天来临了。政府撤资，研究人员改换方向。

80年代出现的“专家系统”仍然是基于规则的，最初在几个项目上获得了成功，这再次引起了人们对于人工智能的期待，并引发了第二次人工智能的夏天。

然而到了90年代人们发现这些系统既难以扩展，又难以维护，解决的问题也有限。人工智能的第二次冬天来临了。

采用规则的思路对于某些类型应用（比如棋类）还可以应对，但是对于图像、语言这种模糊的问题就难以处理了。

以自然语言处理（自然语言的机器处理）为例。

早期采用的主流方法都是制定语法规则，然后把句子解析为语法树，如图3所示。

图3

看起来非常合理。

但是句子稍微一复杂，就容易出错，比如：”校服上别别别的东西”。

到后来人们发现，即使只支持实际中不到1/5的语句，用到的规则也会达到上万条。再之后，几乎每新支持一个句子，就要新加入一些规则。而且后加入的规则还会和以前的规则产生矛盾。这样就陷入了无法解决的困境。

后来，这条路终于走到了尽头。

四、机器学习：从规则到统计。

机器学习是人工智能的一个分支。

规则方法的局限性使得一些人开始另辟蹊径：能不能设计一种算法，从数据中去总结规则（知识），然后再把总结出的规则用到新的数据中？

这个从数据中总结规则的过程就是所谓的“学习”，如图4所示。

图4

仍以自然语言处理为例。

通过引入统计的方法进行机器学习，停滞已久的自然语言处理获得了新生。现代自然语言处理的鼻祖贾里尼克领导的IBM华生实验室，用统计的方法，把语音识别的指标从70%多一口气提高到90%，震惊了学界。

而他的基本思路也很简单：一个句子是人话的程度和句子出现的概率成正比。

比如：

正常一句话：“研究表明,汉字顺序并不定一影响阅读”，没有任何问题。

稍微打乱次序：“研表究明,汉字序顺并不定一影阅响读”，虽然略觉异常，但意思仍然明确。

但是如果改为“阅顺究汉, 明字影序响表不读定一研并”就完全不知所云了。

为什么？

语言学家会说第三个句子不合语法。但贾里尼克认为这种现象可以从句子出现的概率角度来解释。比如通过统计，假设第一个句子出现的概率为0.01，第二个句子也许概率就成了0.005，第三个句子概率没准就降到了0.000000000001。自然，大家就觉得第三个句子有问题了。

贾里尼克教授的玩笑“每开除一名语言学家，我的语音识别系统就提高一个百分点”在业界广为流传。而那些语言学家正是制定语法规则的主力。

时至今日的ChatGPT，原理层面仍然没有逃出这个框架。

机器学习在90年代之后蓬勃发展，并且在工业界落地了很多应用。

五、深度学习：十年寒窗无人问，一举成名天下知

深度学习又是机器学习的一个分支。

深度学习中的“深度”一词并不是指它比别的算法对问题理解更深刻，而是指这种算法用很多层来对数据进行表示。所以深度学习可能叫做分层学习更合理。

虽然对深度学习的研究已经可以追溯到上世纪50年代，但是长期以来，深度学习都扮演着被冷落的角色。

当朴素贝叶斯、支持向量机在学术界大行其道时，深度学习只配放到相关的书籍中的某一章来介绍。

然而，时代的主角最终选中了深度学习。

深度学习最早成功的应用在于1989年，贝尔实验室的严乐春（Yann LeCun）用卷积神经网络实现了邮件上面手写数字的读取，并成功应用到了美国邮政系统中。

翻过21世纪前十年，深度学习突然火爆起来，并几乎以一己之力引发了人工智能的第三个夏天。

图像识别、机器翻译、语音合成等困扰业界已久的难题逐个被突破，里程碑一个接一个出现。

普遍认为，这是硬件、数据、算法共同作用的结果。

我们平常所说的神经网络几乎等同于深度学习。不过这个容易让人误解的名字，除了最早期的一点点灵感，它与神经几乎没有任何关系。它的的基础是数学，和仿生学尤其是人的学习机理相去甚远（比疾病机理更复杂的人的学习机理，目前应该仍未搞清楚）。

6.后语

总结来说，机器学习是人工智能的分支，深度学习是机器学习的分支。他们的关系如图5。

图5

神经网络约等于深度学习。模型就是从数据中学习到的规则。

人工智能以模仿人类智力活动为最初目标，但最终逐渐的走向了数学。

目前，深度学习已经在各行各业引发了革命，尽管它还未完全走向人们生活的中心。基于深度学习（当然还有部分强化学习）的ChatGPT甚至被比尔盖茨誉为1980年以来最具革命性的技术进步。

人类已经经历了两次人工智能从夏天到冬天的循环，目前正处于第三次热潮中。

不过和前两次不同的是，深度学习的确已经引起了世界的变革，而且这变革还将继续下去。

人工智能，尤其是深度学习已经取得并将继续取得更多令人惊艳的成果，但这仍然改变不了它是以数学（尤其是统计学、微积分、优化）为基础的一个工具的事实。

基于这个事实，讨论机器是否具有人类情感显得不合时宜，担忧机器会统治人类更是为时尚早。

对人工智能来说，未知远大于已知。第三次人工智能冬天是否会来临？基于统计的方法足够达到通用人工智能吗？符号主义能否卷土重来？以及人工智能最终形态是啥样？这些都没有答案。（可能唯一确定的是AI的发展确实会造成失业，而不加以规划的话，新的职业也不会凭空产生）

虽然有论文声称ChatGPT已经达到了AGI（通用人工智能）标准，不过从实现机理来看，它更像是基于统计学的“大力出奇迹”。我们不必惊讶它会犯一些看来非常明显的常识性错误，因为本质来说，它并没有任何逻辑^_。

不过，说不好就像人类学会飞翔最终并不是通过仿生学（模仿鸟类制造大翅膀），而是

通过空气动力学（制造飞机）一样，深度学习也许会以一种不同于人类认知的方式来实现机器智能（可能机器智能比人工智能更贴切），并最终把我们带入智能时代。

这个时代已经开始到来。

参考目录：

《数学之美》吴军

《可计算的机器与智能》图灵

《python深度学习》弗朗索瓦·肖莱

《机器学习》周志华

《AGI的火花》微软

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎