人工智能电子教案

人工智能
专业技术讲座学习
--------人工智能
人工智能（Artificial Intelligence），英文缩写为AI。

它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

它是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。

其可以对人的意识、思维的信息过程的模拟。

人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

总的来说是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。

人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，其研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

第一次具体知道这个概念是在一档综艺节目《最强大脑》。

百度研究的人工智能型机器人“小度”和高智商、特殊天赋人群的pk。

它向我展示了人工智能在声音图像处理上目前已达到的高度。

记忆犹新的是一场人脸辨别，阴差阳错的识别了一对双胞胎。

之前我还在纳闷这个机器人到底是靠什么来判断如何根据细微的特征来
寻找出完整的符合要求的脸型。

是不是机器本身有像人类一样的思维或者是什么特殊能力。

后来才了解关于匹配项人工智能依靠概率学来判别，根据匹配概率的高低，选择概率最高的那个来作为最后的判断依据。

当然真正的原理不可能紧紧依靠一两个简单的原理就能解释清楚的。

人工智能表现的过于强大，至少出错率方面要比人少得多的多。

最初，当人们预测AlphaGo和李世石围棋大战谁会赢时，我就断言AlphaGo会赢。

因为李世石面对的不仅仅是一个算法程序，除了包括走棋网络、估值网络、快速走子程序和蒙特卡洛搜索几大部分构成的复杂算法之外，人机大战的战场还装备了40个在线网络平台、1200多个CPU、170多个GPU，还有大数据、云计算即时处理当前棋局和史上积累的3000万个棋局，甚至还有一条专门铺设的赛事光缆，而这一切都是一群世界一流的深度学习专家所为。

从这个意义上讲，AlphaGo是一个人机交互的巨无霸耦合体，是一个即时处理专项任务的延展认知系统，这个系统的核心是人。

前台表演的只是这个系统的程序运行终端，而人才是其背后的智力资源。

而最近阿法元又横空出世新一代的阿法元(AlphaGo Zero), 完全从零开始，不需要任何历史棋谱的指引，更不需要参考人类任何的先验知识，完全靠自己一个人强化学习（reinforcement learning）和参悟, 棋艺增长远超阿法狗，百战百胜，击溃阿法狗100-0。

杜克大学博士研究生谢知遥对此做了进一步阐述：DeepMind的新算法AlphaGo Zero开始摆脱对人类知识的依赖：在学习开始阶段无需
先学习人类选手的走法，另外输入中没有了人工提取的特征。

实际上 policy与value网络相当于共用了之前大部分的特征提取层，
输出阶段的最后几层结构仍然是相互独立的。

训练的损失函数也同
时包含了policy和value两部分。

这样的显然能够节省训练时间，更重要的是混合的policy与value网络也许能适应更多种不同情况。

在网络结构的设计上，新的算法与之前的AlphaGo有两个大的
区别。

首先，与之前将走子策略(policy)网络和胜率值(value)网络分开训练不同，新的网络结构可以同时输出该步的走子策略(policy)和当前情形下的胜率值(value)另外一个大的区别在于特征提取层
采用了20或40个残差模块，每个模块包含2个卷积层。

与之前采
用的12层左右的卷积层相比，残差模块的运用使网络深度获得了很大的提升。

AlphaGo Zero不再需要人工提取的特征应该也是由于更深的网络能更有效地直接从棋盘上提取特征。

根据文章提供的数
据，这两点结构上的改进对棋力的提升贡献大致相等。

因为这些改进，AlphaGo Zero的表现和训练效率都有了很大的提升，仅通过4块TPU和72小时的训练就能够胜过之前训练用时几个月的原版AlphaGo。

在放弃学习人类棋手的走法以及人工提取特
征之后，算法能够取得更优秀的表现，这体现出深度神经网络强大
的特征提取能力以及寻找更优解的能力。

更重要的是，通过摆脱对
人类经验和辅助的依赖，类似的深度强化学习算法或许能更容易地
被广泛应用到其他人类缺乏了解或是缺乏大量标注数据的领域。

尽管人工智能目前是如此的强大，但任然没有摆脱其是无思维的一个机器而已。

今天的人工智能可以说既无智力也无心灵。

这是因为目前计算机使用的都是二进制编码的图灵机计算，是递归算法。

80年前，伟大的逻辑学家哥德尔就已指出图灵机的计算能力与人类相比较是有先天局限的。

但是，人们更热衷于引用图灵1950年在《机器与智能》中的话，“我们不能因为一台机器不能参加选美大赛而责备它，就像我们不能因为一个人没有飞机飞得快责备他一样，机器也能够思维”；却忽视了1936年图灵经典文献《论可计算数》的基本点，其中清晰地区分了什么是可计算的、什么是不可计算的，以及计算的界线在哪里。

只要是不可计算的问题，人们无论如何找不到算法。

而且不可计算的世界相比可计算的世界要大得不可胜数。

国际计算理论、视觉理论家马尔曾将可计算之事归结为三大步骤。

第一，要把具体的现实问题抽象化成一个可以清晰定义的问题；第二，要看它是否是可计算类的问题；第三，要在可计算的范围内找到算法。

对于人工智能而言，自然还有重要一步，就是要在机器上执行算法完成计算。

目前人工智能可以在很多需要做大量计算的局部领域超出人的计算能力，但它的局限性最尖锐地体现为不能处理以下三类问题：意义理解；意识和意识体验；自主性和觉知。

第一个问题可以归结为，机器理解语言吗？我们知道，人类是借助抽象符号使用语言来描述外部世界的，人是世界意义的制造者，这个意义就是我们内在的心理世界的所思所想与外部世界的关系。

机器懂得人类语言表达的意义吗？机器翻译程序真的懂得所翻译的语言内容吗？手机上安装的语音输入系统真的理解人们所输入的语言符号的意义吗？这一直是人工智能的所谓“瓶颈问题”的困难所在。

时至今日，机器根本不能理解语言的意义，不能理解我们跟外部世界究竟有怎样的关联，因为这个意义的解释者只有人类自身。

当前人工智能最重要的进展，一方面是机器人在感知外部环境信息方面能力的提高，如iCub、谷歌大狗、谷歌自动驾驶汽车和飞机等；另一方面是通过多层神经网络深度学习，机器在模式识别、图像识别、语音识别能力上有令人惊异的表现。

但是可以说，目前的各类识别还只是完成某种“匹配”任务，匹配过程中并不关涉图形和语音所包含的意义。

第二个问题是，在与世界打交道的过程中，人除了有感官知觉，还有情感、意识和意识体验。

人们把李世石输棋的原因归为他的情绪不稳定，但这恰好就是人类超过机器的独特之处。

人有喜怒哀乐、爱恨情愁；有追求真理的欲望；有宗教情感和同情之心，能在与他人的交流中获得理解、体验痛苦和快乐；人也经常会出错会失败，有各种非理性的行为。

这些正是人之为人的价值所在。

机器没有这样的信念欲望意图和意识体验。

一个当下处理围棋问题的确定算法一经运行就不会更改，所以机器不会出错。

如果有错，责任
也在编写算法的人。

AlphaGo既没有恐惧也没有焦虑，没有喜也没有悲，它是靠着强力搜索高速计算取胜的，在这一点上，恰好说明作为算法的AlphaGo有不及人类智能的弱势之处。

尽管目前人工智能专家也在研究机器情感、机器意识，但是离机器真正有情感有意识和意识体验，恐怕还有本质上的距离。

第三个问题是，单纯作为算法的AlphaGo没有自主性和觉知。

AlphaGo的运行需要外部驱动力，这个动力是人给予的，围棋算法是人设计的，实现算法的程序是人编写的，3000万个棋局是历史上棋手长期积累又由人陆续输入数据库的。

此外，更重要的是，人的行动是有动机的，人有意图会规划未来，有做出选择和行动的自由意志，因此，作为一个行动者，人可以为自己的行动提供理由。

但是，无论如何，AlphaGo没有办法为自己的走子行为提供理由。

AlphaGo甚至根本不知道自己是在下棋，更别提棋感、直觉、欺骗、故意下坏棋了，它的行为只受输赢这个简单的目标导向。

从比赛结果看，像是这样一个硅基材料的机器有了胜过世界冠军下棋的智慧和能力，但事实上，依照我们下面的分析，AlphaGo的智能实际上是以人为核心的一个巨大的延展认知系统的能力，是系统部分认知功能的某种外化。

此类问题已升华至与人类相比的思维层次了，但不可否认的是已经存在了很多可以取代人力，节省时间的人工智能应用。

如搜索引擎，语音识别，人脸识别等。

人工智能是下个时代发展的新标，如果说上个时代是互联网的天下，那下一阶段则会向人工智能的方
向拓展。

撇开道德伦理不说，人工智能对人类来说是利大于弊，至于人工智能始终是机器没有灵魂，让人无法接受，那就是正在研究的方向。

是否让人工智能像人类一样正常的思考，改造地更人性化，这需要更多的想法去启发，也需要更多的知识与技术去支撑。