前言

雖說有了大數(shù)據(jù)，人的欲望總是這個不能夠滿足。雖說在大數(shù)據(jù)平臺里面有搜索引擎這個東西，想要什么東西我一搜就出來了。但是也存在這樣的情況，我想要的東西不會搜，表達不出來，搜索出來的又不是我想要的。例如音樂軟件里面推薦一首歌，這首歌我沒聽過，當然不知道名字，也沒法搜，但是軟件推薦給我，我的確喜歡，這就是搜索做不到的事情。當人們使用這種應用的時候，會發(fā)現(xiàn)機器知道我想要什么，而不是說當我想要的時候，去機器里面搜索。這個機器真像我的朋友一樣懂我，這就有點人工智能的意思了。

人們很早就在想這個事情了。最早的時候，人們想象，如果要是有一堵墻，墻后面是個機器，我給它說話，它就給我回應，我如果感覺不出它那邊是人還是機器，那它就真的是一個人工智能的東西了。

2. 讓機器學會推理

怎么才能做到這一點呢？人們就想：我首先要告訴計算機人類的推理的能力。你看人重要的是什么呀，人和動物的區(qū)別在什么呀，就是能推理。我要是把我這個推理的能力啊告訴機器，機器就能根據(jù)你的提問，推理出相應的回答，真能這樣多好。推理其實人們慢慢的讓機器能夠做到一些了，例如證明數(shù)學公式。這是一個非常讓人驚喜的一個過程，機器竟然能夠證明數(shù)學公式。但是慢慢發(fā)現(xiàn)其實這個結(jié)果，也沒有那么令人驚喜，因為大家發(fā)現(xiàn)了一個問題，數(shù)學公式非常嚴謹，推理過程也非常嚴謹，而且數(shù)學公式很容易拿機器來進行表達，程序也相對容易表達。然而人類的語言就沒這么簡單了，比如今天晚上，你和你女朋友約會，你女朋友說：如果你早來，我沒來，你等著，如果我早來，你沒來，你等著。這個機器就比比較難理解了，但是人都懂，所以你和女朋友約會，你是不敢遲到的。

3. 教給機器知識

所以僅僅告訴機器嚴格的推理是不夠的，還要告訴機器一些知識。但是知識這個事兒，一般人可能就做不來了，可能專家可以，比如語言領域的專家，或者財經(jīng)領域的專家。語言領域和財經(jīng)領域知識能不能表示成像數(shù)學公式一樣稍微嚴格點呢？例如語言專家可能會總結(jié)出主謂賓定狀補這些語法規(guī)則，主語后面一定是謂語，謂語后面一定是賓語，將這些總結(jié)出來，并嚴格表達出來不久行了嗎？后來發(fā)現(xiàn)這個不行，太難總結(jié)了，語言表達千變?nèi)f化。就拿主謂賓的例子，很多時候在口語里面就省略了謂語，別人問：你誰??？我回答：我劉超。但是你不能規(guī)定在語音語義識別的時候，要求對著機器說標準的書面語，這樣還是不夠智能，就像羅永浩在一次演講中說的那樣，每次對著手機，用書面語說：請幫我呼叫某某某，這是一件很尷尬的事情。

人工智能這個階段叫做專家系統(tǒng)。專家系統(tǒng)不易成功，一方面是知識比較難總結(jié)，另一方面總結(jié)出來的知識難以教給計算機。因為你自己還迷迷糊糊，似乎覺得有規(guī)律，就是說不出來，就怎么能夠通過編程教給計算機呢？

4. 算了，教不會你自己學吧

于是人們想到，看來機器是和人完全不一樣的物種，干脆讓機器自己學習好了。機器怎么學習呢？既然機器的統(tǒng)計能力這么強，基于統(tǒng)計學習，一定能從大量的數(shù)字中發(fā)現(xiàn)一定的規(guī)律。

其實在娛樂圈有很好的一個例子，可見一斑

有一位網(wǎng)友統(tǒng)計了知名歌手在大陸發(fā)行的 9 張專輯中 117 首歌曲的歌詞，同一詞語在一首歌出現(xiàn)只算一次，形容詞、名詞和動詞的前十名如下表所示（詞語后面的數(shù)字是出現(xiàn)的次數(shù)）：

如果我們隨便寫一串數(shù)字，然后按照數(shù)位依次在形容詞、名詞和動詞中取出一個詞，連在一起會怎么樣呢？

例如取圓周率 3.1415926，對應的詞語是：堅強，路，飛，自由，雨，埋，迷惘。稍微連接和潤色一下：

堅強的孩子，

依然前行在路上，

張開翅膀飛向自由，

讓雨水埋葬他的迷惘。

是不是有點感覺了？當然真正基于統(tǒng)計的學習算法比這個簡單的統(tǒng)計復雜的多。

然而統(tǒng)計學習比較容易理解簡單的相關性，例如一個詞和另一個詞總是一起出現(xiàn)，兩個詞應該有關系，而無法表達復雜的相關性，并且統(tǒng)計方法的公式往往非常復雜，為了簡化計算，常常做出各種獨立性的假設，來降低公式的計算難度，然而現(xiàn)實生活中，具有獨立性的事件是相對較少的。

5. 模擬大腦的工作方式

于是人類開始從機器的世界，反思人類的世界是怎么工作的。

人類的腦子里面不是存儲著大量的規(guī)則，也不是記錄著大量的統(tǒng)計數(shù)據(jù)，而是通過神經(jīng)元的觸發(fā)實現(xiàn)的，每個神經(jīng)元有從其他神經(jīng)元的輸入，當接收到輸入的時候，會產(chǎn)生一個輸出來刺激其他的神經(jīng)元，于是大量的神經(jīng)元相互反應，最終形成各種輸出的結(jié)果。例如當人們看到美女瞳孔放大，絕不是大腦根據(jù)身材比例進行規(guī)則判斷，也不是將人生中看過的所有的美女都統(tǒng)計一遍，而是神經(jīng)元從視網(wǎng)膜觸發(fā)到大腦再回到瞳孔。在這個過程中，其實很難總結(jié)出每個神經(jīng)元對最終的結(jié)果起到了哪些作用，反正就是起作用了。

于是人們開始用一個數(shù)學單元模擬神經(jīng)元

這個神經(jīng)元有輸入，有輸出，輸入和輸出之間通過一個公式來表示，輸入根據(jù)重要程度不同(權(quán)重)，影響著輸出。

于是將n個神經(jīng)元通過像一張神經(jīng)網(wǎng)絡一樣連接在一起，n這個數(shù)字可以很大很大，所有的神經(jīng)元可以分成很多列，每一列很多個排列起來，每個神經(jīng)元的對于輸入的權(quán)重可以都不相同，從而每個神經(jīng)元的公式也不相同。當人們從這張網(wǎng)絡中輸入一個東西的時候，希望輸出一個對人類來講正確的結(jié)果。例如上面的例子，輸入一個寫著2的圖片，輸出的列表里面第二個數(shù)字最大，其實從機器來講，它既不知道輸入的這個圖片寫的是2，也不知道輸出的這一系列數(shù)字的意義，沒關系，人知道意義就可以了。正如對于神經(jīng)元來說，他們既不知道視網(wǎng)膜看到的是美女，也不知道瞳孔放大是為了看的清楚，反正看到美女，瞳孔放大了，就可以了。

對于任何一張神經(jīng)網(wǎng)絡，誰也不敢保證輸入是2，輸出一定是第二個數(shù)字最大，要保證這個結(jié)果，需要訓練和學習。畢竟看到美女而瞳孔放大也是人類很多年進化的結(jié)果。學習的過程就是，輸入大量的圖片，如果結(jié)果不是想要的結(jié)果，則進行調(diào)整。如何調(diào)整呢，就是每個神經(jīng)元的每個權(quán)重都向目標進行微調(diào)，由于神經(jīng)元和權(quán)重實在是太多了，所以整張網(wǎng)絡產(chǎn)生的結(jié)果很難表現(xiàn)出非此即彼的結(jié)果，而是向著結(jié)果微微的進步，最終能夠達到目標結(jié)果。當然這些調(diào)整的策略還是非常有技巧的，需要算法的高手來仔細的調(diào)整。正如人類見到美女，瞳孔一開始沒有放大到能看清楚，于是美女跟別人跑了，下次學習的結(jié)果是瞳孔放大一點點，而不是放大鼻孔。

6. 沒道理但做得到

聽起來也沒有那么有道理，但是的確能做到，就是這么任性。

神經(jīng)網(wǎng)絡的普遍性定理是這樣說的，假設某個人給你某種復雜奇特的函數(shù)，f(x)：

不管這個函數(shù)是什么樣的，總會確保有個神經(jīng)網(wǎng)絡能夠?qū)θ魏慰赡艿妮斎離，其值f(x)（或者某個能夠準確的近似）是神經(jīng)網(wǎng)絡的輸出。

如果在函數(shù)代表著規(guī)律，也意味著這個規(guī)律無論多么奇妙，多么不能理解，都是能通過大量的神經(jīng)元，通過大量權(quán)重的調(diào)整，表示出來的。

7. 人工智能的經(jīng)濟學解釋

這讓我想到了經(jīng)濟學，于是比較容易理解了。

我們把每個神經(jīng)元當成社會中從事經(jīng)濟活動的個體。于是神經(jīng)網(wǎng)絡相當于整個經(jīng)濟社會，每個神經(jīng)元對于社會的輸入，都有權(quán)重的調(diào)整，做出相應的輸出，比如工資漲了，菜價也漲了，股票跌了，我應該怎么辦，怎么花自己的錢。這里面沒有規(guī)律么？肯定有，但是具體什么規(guī)律呢？卻很難說清楚。

基于專家系統(tǒng)的經(jīng)濟屬于計劃經(jīng)濟，整個經(jīng)濟規(guī)律的表示不希望通過每個經(jīng)濟個體的獨立決策表現(xiàn)出來，而是希望通過專家的高屋建瓴和遠見卓識總結(jié)出來。專家永遠不可能知道哪個城市的哪個街道缺少一個賣甜豆腐腦的。于是專家說應該產(chǎn)多少鋼鐵，產(chǎn)多少饅頭，往往距離人民生活的真正需求有較大的差距，就算整個計劃書寫個幾百頁，也無法表達隱藏在人民生活中的小規(guī)律。

基于統(tǒng)計的宏觀調(diào)控就靠譜的多了，每年統(tǒng)計局都會統(tǒng)計整個社會的就業(yè)率，通脹率，GDP等等指標，這些指標往往代表著很多的內(nèi)在規(guī)律，雖然不能夠精確表達，但是相對靠譜。然而基于統(tǒng)計的規(guī)律總結(jié)表達相對比較粗糙，比如經(jīng)濟學家看到這些統(tǒng)計數(shù)據(jù)可以總結(jié)出長期來看房價是漲還是跌，股票長期來看是漲還是跌，如果經(jīng)濟總體上揚，房價和股票應該都是漲的。但是基于統(tǒng)計數(shù)據(jù)，無法總結(jié)出股票，物價的微小波動規(guī)律。

基于神經(jīng)網(wǎng)絡的微觀經(jīng)濟學才是對整個經(jīng)濟規(guī)律最最準確的表達，每個人對于從社會中的輸入，進行各自的調(diào)整，并且調(diào)整同樣會作為輸入反饋到社會中。想象一下股市行情細微的波動曲線，正是每個獨立的個體各自不斷交易的結(jié)果，沒有統(tǒng)一的規(guī)律可循。而每個人根據(jù)整個社會的輸入進行獨立決策，當某些因素經(jīng)過多次訓練，也會形成宏觀上的統(tǒng)計性的規(guī)律，這也就是宏觀經(jīng)濟學所能看到的。例如每次貨幣大量發(fā)行，最后房價都會上漲，多次訓練后，人們也就都學會了。

8. 人工智能需要大數(shù)據(jù)

然而神經(jīng)網(wǎng)絡包含這么多的節(jié)點，每個節(jié)點包含非常多的參數(shù)，整個參數(shù)量實在是太大了，需要的計算量實在太大，但是沒有關系啊，我們有大數(shù)據(jù)平臺，可以匯聚多臺機器的力量一起來計算，才能在有限的時間內(nèi)得到想要的結(jié)果。

人工智能可以做的事情非常多，例如可以鑒別垃圾郵件，鑒別黃色暴力文字和圖片等。這也是經(jīng)歷了三個階段的。

第一個階段依賴于關鍵詞黑白名單和過濾技術，包含哪些詞就是黃色或者暴力的文字。隨著這個網(wǎng)絡語言越來越多，詞也不斷的變化，不斷的更新這個詞庫就有點顧不過來。

第二個階段時，基于一些新的算法，比如說貝葉斯過濾等，你不用管貝葉斯算法是什么，但是這個名字你應該聽過，這個一個基于概率的算法。

第三個階段就是基于大數(shù)據(jù)和人工智能，進行更加精準的用戶畫像和文本理解和圖像理解。

由于人工智能算法多是依賴于大量的數(shù)據(jù)的，這些數(shù)據(jù)往往需要面向某個特定的領域(例如電商，郵箱)進行長期的積累，如果沒有數(shù)據(jù)，就算有人工智能算法也白搭，所以人工智能程序很少像前面的IaaS和PaaS一樣，將人工智能程序給某個客戶安裝一套讓客戶去用，因為給某個客戶單獨安裝一套，客戶沒有相關的數(shù)據(jù)做訓練，結(jié)果往往是很差的。但是云計算廠商往往是積累了大量數(shù)據(jù)的，于是就在云計算廠商里面安裝一套，暴露一個服務接口，比如您想鑒別一個文本是不是涉及黃色和暴力，直接用這個在線服務就可以了。這種形勢的服務，在云計算里面稱為軟件即服務，SaaS (Software AS A Service)。于是工智能程序作為SaaS平臺進入了云計算。