最近被人工智能吸引，是因为生活中越来越多的人工智能出现，比如阿里云语音合成、微软的形色APP植物识别、一甜相机的照片变漫画、各种语音AI如小爱、siri、小娜等，探秘其背后的逻辑，就会越发的感兴趣。这也是本站学习Pytorch的真正原因，以前我靠代码实现本地博客文章的智能发布，后面我将尝试用AI解决更多现实问题。本篇概述经验漫谈，理清人工智能的边界和趋势。
0. 传统软件vs人工智能
传统软件是「if-then」的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界，因为所有规则都是人类制定的。
也可以理解为传统软件基于规则，人类制定该规则；人工智能基于大量数据，然后归纳特征，输出规则，最后应用到现实场景中去。
1. 人工智能发展
以谷歌的AlphaGo master和AlphaGo zero为例，前者依赖海量历史围棋数据，而后者没有历史数据输入，从空白状态学起。
AlphaGo Zero仅拥有4个TPU，零人类经验，其自我训练的时间仅为3天，自我对弈的棋局数量为490万盘。但它以100:0的战绩击败前辈AlphaGo master。
这里就是人工智能领域的核心，深度强化学习，而AlphaGo Zero进一步与树搜索的lookahead （类似一种派出侦察队预先到前面打探）机制相融合，产生了一种高效的深度强化学习新机制。这种自我对弈的过程，最终凌驾于人类经验之上，得出更高明的策略。
当前通用认可的AI历史如下：
– 20世纪50年代到60年代：非智能对话机器人
– 20世纪80年代到90年代：语音识别
– 21世纪初：深度学习+大数据
2. 人工智能的边界是什么？
这篇文章里介绍如下：
– 世界上有很多问题，只有一小部分是数学问题
– 在数学问题里，只有一小部分是有解的
– 在有解的问题中，只有一部分是理想状态的图灵机可以解决的
– 在后一部分（图灵机可解决的部分），又只有一部分是今天的计算机可以解决的
– 而 AI 可以解决的问题，又只是计算机可以解决问题的一部分。
简而言之，在一些特定的场景中，AI可以表现的很好，但是大部分场景中，AI并没有什么用。
3. 哪些工作会被人工智能替代？
满足以下特点，那么就会极易被取代：
1. 做决策所需要的信息量不大
2. 做决策的过程并不复杂，逻辑简单
3. 能独自完成，不需要协作
4. 重复性工作
这里面，有很多都是卡在第二条，也就是实现逻辑上，这部分涉及的算法知识是最多的，搞定这部分，则这个过程的AI化就基本没有阻碍了。
科学家总结出了3个人工智能很难替代的技能：
– 社交智慧（洞察力、谈判技巧、同理心…）
– 创造力（原创力、艺术审美…）
– 感知和操作能力（手指灵敏度、协调操作能力、应付复杂环境的能力…）
关于创造力，如果是旧知识的新产出，AI也是可以胜任的，比如OpenAI自助写游戏剧本，据说好评不断。原创力是比较难以替代的。
4. 如何当好吃瓜群众？
人工智能带来的变革，我们要学会拥抱这种变化，而不是逃避。要知道人工智能的基本原理，理解可能会发生很么，不可能发生什么，要清楚人工智能可以告诉你是什么，但是不能告诉你为什么。未来人工智能会像计算机一样渗透到各行各业，学会点编程知识，有助于解决生活中的一些问题。
5. 如何快速掌握并解决自己想要解决的问题？
这里推荐一种思路，查找与自己要解决的问题相近的项目，然后先深入学习，也就是模仿，然后再转移到自己要解决的问题框架里，逐个对比差异，就你更快的掌握一种知识。
6. 小结
佰阅博主最近专攻了一些深度学习的知识，想要成为数学家是不可能了，但是合理有效的使用现有数学模型还是非常容易的，搞清楚参数意义及适用范围、以及结果输出等，就可以愉快的用自己熟悉的编程知识来嵌入数学模型。在近期的图像分类训练上，基本理清了神经网络中的卷积层、池化层、安全连接层等的实际作用，学习的最大收益，还是在于学习笔记的总结，工具永远都是工具，只有用过，折腾过，才能更好的理解该领域的相关概念。
参考资料
人工智能 – Artificial intelligence
