《人工智能》摘录

围棋可是一项无法穷尽搜索，需要依靠人类大局观的智力运动。

有关神经元处理信息的假想模型，即人类大脑中数量庞大的神经元共同组成一个相互协作的网络结构，信息（刺激）通过若干层神经元的增强、衰减或屏蔽处理后，作为系统的输出信号，控制人体对环境刺激的反应（动作）。

深度学习，是计算机从大量数据资料中通过自我学习掌握经验模型。

人工智能是有关“智能主体（Intelligent agent）的研究与设计”的学问，而“智能主体是指一个可以观察周遭环境并做出行动以致目标的系统”。

假如有一台宣称自己会“思考”的计算机，人们该如何辨别计算机是否真的会思考呢？一个好方法是让测试者通过键盘和屏幕与计算机进行对话，测试者并不知道与之对话的到底是一台计算机还是一个人。如果测试者分不清幕后的对话者是人还是机器，即，如果计算机能在测试中表现出与人等价，或至少无法区分的智能，那么，我们就说这台计算机通过了测试并具备人工智能。

图灵认为，与其去研制模拟成人思维的计算机，不如试着制造更简单的，也许只相当于一个小孩智慧的人工智能系统，然后再让这个系统去不断学习——这种思路正是我们今天用机器学习来解决人工智能问题的核心指导思想。

语音识别：符号主义学派——基于统计模型——引入深度学习

基于数据的统计建模，比模仿人类思维方式总结知识规则，更容易解决计算机领域的问题。

这一波人工智能浪潮的最大特点是人工智能技术真正突破了人类的心理阈值，达到了大多数人心目中“可用”的标准。以此为基础，人工智能再语音识别、机器视觉、数据挖掘等各领域走进了业界的真实应用场景，与商业模式紧密结合。

深度学习绝对不是人工智能领域的唯一解决方案，二者之间也无法划上等号。但说深度学习是当今乃至未来很长一段时间内引领人工智能发展的核心技术，则一点都不为过。

WiKi：深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。

描述人类神经节沿着网状结构传递和处理信息的模型，被计算机科学家们借鉴，用于人工智能的相关研究，被称为人工神经网络。

WiKi：在机器学习和认知科学领域，人工神经网络（artificial neural network，缩写ANN），简称神经网络（英文：neural network，缩写NN）或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：结构（Architecture）、激励函数（Activity Rule）和学习规则（Learning Rule）。

伊瓦赫年科提出多层人工神经网络的设想，这种基于多层神经网络的机器学习模型后来被人们称为“深度学习”。

计算机用来学习的、反复看的图片叫“训练数据集”；“训练数据集”中，一类数据区别于另一类数据的不同方面的属性或特质，叫做“特征”；计算机在“大脑”中总结规律的过程，叫“建模”；；计算机在“大脑”总结出的规律，就是我们常说的“模型”；而计算机通过反复看图，总结出规律，然后学会认字的过程，就叫“机器学习”。

简单地说，深度学习就是把计算机要学习的东西看成一大堆数据，把这些数据丢进一个复杂的、包含多个层级的数据处理网络（深度神经网络），然后检查通过这个网络处理得到的结果数据是不是符合要求——如果符合，就保留这个网络作为目标模型，如果不符合，就一次次地、锲而不舍地调整网络的参数设置，指导输出满足要求为止。

深度学习大致就是一个用人类的数学知识与计算机算法构建起整体架构，再结合尽可能多的训练数据以及计算机的大规模运算能力去调节内部参数，尽可能逼近问题目标的半理论、半经验的建模方式。

指导深度学习的基本是一种实用主义的思想。

目前的深度学习主要是建立再大数据的基础上，即对大数据进行训练，并从中归纳出可以被计算机运用在类似数据上的知识或规律。

根据马丁·希尔伯特的总结，今天我们常说的大数据其实是在2000年后，因为信息交换、信息存储、信息处理三个方面能力的大幅增长而产生的数据。

《大数据时代》：更多：不是随机样本，而是所有数据；更杂：不是精确性，而是混杂性；更好：不是因果关系，而是相关关系。

大数据特性：
1.大数据越来越多地来源于生产或服务过程的副产品，但在价值上却往往超过了为了特定目的专门采集的数据。
2.大数据往往可以取代传统意义上的抽样调查。
3.许多大数据都可以实时获取。
4.大数据往往混合了来自多个数据源的多维度信息。
5.大数据的价值在于数据分析以及分析基础上的数据挖掘和智能决策。

WiKi：卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

在围棋、象棋等游戏中，人工智能恶意和人类选手一样，在每一步决策前获得棋盘上的全部信息。这种限定规则，随时可以获取全部信息的游戏，我们可以称之为“完整信息的博弈游戏”。

弱人工智能（Weak AI）：也称限制领域人工智能（Narrow AI）或应用型人工智能（Applied AI），指的是专注于且只能解决特定领域问题的人工智能。

强人工智能（Strong AI）：又称通用人工智能（Artificial general intelligence）或完全人工智能（Full AI），指的是可以胜任人类所有工作的人工智能。

超人工智能（Superintelligence）：在科学创造力、智慧和社交能力等每一方面都比最强的人类大脑聪明很多的智能。

迁移学习（Transfer Learning）：基本思路就是将计算机在一个领域取得的经验，通过某种形式的变换，迁移到计算机并不熟悉的另一个领域。

李开复的“五秒钟准则”：一项本来由人从事的工作，如果人可以在5秒钟以内对工作中需要思考和决策的问题做出相应的决定，那么，这项工作就有非常大的可能被人工智能技术全部或部分取代。

用一个处于两难境地的道德测试来衡量自动驾驶的合理与否，这个测试叫做“有轨电车难题”（Trolley problem）。

人工智能之所以能在近年来突飞猛进，主要得益于深度学习算法的成功应用和大数据所打下的坚实基础。判断人工智能技术能在哪个行业最先引起革命性的变革，除了要看这个行业对自动化、智能化的那种需求外，主要还要看这个行业内的数据积累、数据流转、数据存储和数据更新是不是达到了深度学习算法对大数据的要求。

训练数据集的资源的深度、质量和准确度极大地影响人工智能的性能。

人工智能商业化：第一阶段，AI会率先在那些在线化程度高的行业开始应用，在数据端、媒体端实现自动化。第二阶段，随着感知技术、传感器和机器人技术的发展，AI会延伸到实体世界，并率先在专业领域、行业应用、生产力端实现线下业务的自动化。第三个阶段，当成本技术进一步成熟时，AI会延伸到个人场景，全面自动化的时代终将到来。

从应用本身收集数据，再用数据训练模型，用模型提高应用性能的闭环模式。

从实践中学习，Learning by doing．