AI的定义及学术上的AI概念

一、AI的定义及学术上的AI概念

　　AI，即人工智能，是当前技术领域的热门话题，很多初学者可能觉得它高深莫测，不知从何入手。本文将带领大家迅速入门。

　　首先，明确一下AI的定义。很多人抱怨AI已经变成了一种营销语言，似乎什么都能往里装。实际上，AI确实是个宽泛的概念。举个例子，二十年前就有带“Fuzzy Logic”标签和按钮的AI洗衣机。这种洗衣机在洗衣服之前，只是通过几个传感器和If-Else语句来控制，大多数程序员都能轻松搞定。这种技术也被归为AI的一种，称为模糊控制。那么，学术上的AI概念是什么呢？简单来说，AI就是任何可以让机器模拟人类行为的技术。像上文提到的可以自主决定洗衣时间的洗衣机，使用的就是AI中的模糊控制技术。更复杂的还包括知识表示与推理、模式识别、遗传算法等。这些都是相对传统的AI技术。

　　当前大热的机器学习技术是AI至关重要的子集。与模糊控制、知识表示与推理这类基于显式预置规则的技术不同，机器学习是基于统计学方法的，利用统计学方法从已有的经验数据中获取规律并改进机器行为的AI技术。虽然机器学习在近几年变得热门，但其算法本质上并不是新东西。比如贝叶斯分类器已经广泛应用于垃圾邮件拦截至少十年之久。有一大类使用多层神经网络的机器学习技术被称为深度学习，这里的“深度”即指多层。根据算法的不同，可能是三五层，也可能是上百层。深度学习也是一种非常古老的技术，但之前一直受算力的限制而无法发挥其技术潜力。近年来，由于GPU性能的大幅提高和GPU集群技术的普及，具备这种算力的硬件成本大幅下降，极大地促进了深度学习技术的发展。现在，公有云也会提供GPU服务，花个电影票的价钱就能体验一次深度学习过程。

二、机器学习：基于统计学方法的AI

　　AI是个很大的技术范畴，当前大热的机器学习是基于统计学方法的AI，而深度学习是机器学习中的最新大热门。或者可以说，AI这个概念在不同的时代背景下有着不同的含义。比如二十年前谈家电的时候AI就是模糊控制，今天我们在IT圈里说AI一般指的就是机器学习。那么问题又来了，机器学习能用来做什么呢？简单来说，解决一切无法用显式预置规则解决的问题。比如识别一棵树，如果只是通过列举规则来识别图像中的树，可能会陷入不断举反例、加规则的循环中。这时机器学习就有了用武之地。让机器学习程序读取一些树的图片，程序就会自动提取这些图片的特征，读取的图片越多，提取的特征就越精确。这些图片就是训练数据，只要训练数据的质量足够好，训练次数足够多，这个程序识别树的精确度就会非常高。人类识别树的过程也不是通过一系列的规则来识别，而是小时候看过一些树的照片和实物后，“莫名其妙”地就知道什么是树了。这个过程与机器学习非常相似。

　　卷积神经网络之父Yann LeCun说这是一种全新的编程方式，叫Differentiable Programming。这种编程方式与声明式编程有些相似之处：只需准备好输入数据和期望的输出数据作为训练数据，神经网络就会自动构造出中间的过程。训练好的机器学习模型可以芯片化，相比于通用型的CPU，这种芯片可以大大降低晶体管数量和能耗，并提高运行效率。

三、几个神经网络的基本概念

　　神经元：简单的说就是一个一次函数y=wx+b，其中w被称为权重（weight），b被称为偏差（bias），x和y即是神经元的输入和输出。神经网络即多个神经元的输入和输出对接。深度神经网络即多个神经网络对接。常见的深度神经网络有卷积神经网络（CNN）和递归神经网络（RNN）。

四、老鼠的屁股：卷积神经网络

　　首先解释下什么是卷积：两个矩阵的对应位置相乘再求和。大矩阵是神经网络要处理的数据（如一幅树的图片），小矩阵被称为卷积核。神经网络对图片的处理过程就是用卷积核在大矩阵上一步步移动并相乘、求和。这样做的目的是什么呢？卷积核实际上是个筛子，上述过程实际上是对大矩阵进行扫描和特征筛选的过程。这里可能会有人问：现在我知道卷积是什么了，那卷积神经网络里的神经元和神经网络又在哪里呢？答案是：卷积核其实就是神经元。前面说神经元就是一次函数，那其实是神经元最基本的形式。实际应用中这种相乘和相加关系大多是用矩阵来表示的（如卷积核和被处理矩阵每个对应位置的相乘都是一个一次函数）。整体上表示为矩阵的相乘和相加（即前文提到的GPU最擅长的事情）。而一堆卷积核的“互动”和其后的一些处理过程就构成了神经网络。以图片识别为例解释卷积神经网络的工作过程：让卷积核在图片上逐个像素移动、相乘、求和（突然得出了一个很大的数），即发现了一个特征（如老鼠屁股）。接下来再想象一下我们有老鼠耳朵卷积核、老鼠眼睛卷积核等一大堆卷积核分别扫描图片（如果都超过了阈值），就可以说这幅图片具备各种特征（即是一只老鼠）。现在大家明白卷积的作用了吧！这种形象的方式非常有助于理解问题并感谢原作者！