人工智能揭秘，带你了解AI的前世今生如今，人工智能已成为一个非常流行的术语。报纸上每天一定至少有一篇关于该领域取得的革命

原文标题：Artificial Intelligence Demystified

原文作者：Guest Blog

原文链接：www.analyticsvidhya.com/blog/2016/1…

引言

如今，人工智能已成为一个非常流行的术语。报纸上每天一定至少有一篇关于该领域取得的革命性进展的文章。但是，关于人工智能到底是什么似乎有一些困惑。

它是机器人吗？终结者电影会成真吗？或者在我们没有意识到的情况下悄然进入我们的生活？

本文将让您对人工智能的相关流行语、应用、事业、机会和将来有一个宽泛的理解。

什么是人工智能？

人工智能只是计算机展示“智能”的能力。这种智能既可以模仿人类智慧，也可以观察现实世界的问题并智能地找到解决方案。

人工智能历史上的10大里程碑

你知道吗？厨师沃森——IBM的沃森计划的一部分 ——现在可以为您做饭！这个AI（人工智能，下同）烹饪应用程序使用算法来选择一组古怪的原料（这也可以由用户完成），并提出完美的食谱。所以，有个好胃口！

与AI相关的流行语

1. 机器学习

机器学习是数据科学的一个领域，机器可以自己“学习”，而不被人类明确编程。通过分析称为“训练数据”的过去数据，机器学习模型形成模式并使用这些模式来学习和进行未来的预测。使用ML模型预测的精度每天都在增加。

机器学习过程中的5个步骤

机器学习技术

如今，机器学习几乎在每一个领域都被使用，尽管有些用途可能并不总是非常明显。机器学习的主要技术有：

分类：根据具有已知类别观察物的训练数据，分类预测新观察物所属的类别。例如：预测一个房子的价格是否属于哪个等级 - 非常昂贵，昂贵，负担得起，便宜或很便宜。
回归：从连续的数据集中预测一个值。例如：根据各种因素（如位置，大小，购买时间等）预测房屋价格。
聚类：将一组观察物分配到子集（也就是群）中，以使同一群中的观测物在某种意义上相似。例如：Netflix（一家在线电影公司）拥有不同的观众群，具有相似观看习惯的人属于同一个群。
推荐系统：使用ML算法帮助用户根据用户的产品/服务的数据找到新产品/服务。例如：Netflix根据您所在观看群中人的观看模式，向您推荐某些电影，或亚马逊根据受欢迎程度向您推荐产品。
异常检测：识别不符合预期模式或数据集中其他项目的观察结果。例如：信用卡交易中的异常值（即异常）可能是潜在的银行欺诈。
维数降低：减少考虑的随机变量的数量，以获得一组重要变量的过程。

机器学习的类型

2.深度学习

什么是深度学习？

深度学习是人工智能的一个分支，它正在产生改变生活的结果。深度学习是指具有大量隐藏层的神经网络。这是复制人类大脑功能的尝试。就像我们对人脑的确切功能是未知的一样，对深度学习的确切工作也知之甚少。它就像一个黑盒子，即输入和输出可以被看到和知道，但内部工作是一个谜！有趣的是，数据科学家认为，如果我们破解深度网络的工作，我们将更加了解人类大脑的工作原理！

深度学习在哪里和如何使用？

如今，深度学习应用于自然语言处理，图像识别（后面部分有解释），垃圾邮件过滤，欺诈检测等。这只是深度学习可以做的一点微小的贡献！谷歌的搜索引擎，Facebook的照片标签特色，百度的语音识别—— 都涉及幕后深度学习。随着这些公司在这一领域的投入越来越多，这一领域的进步令人难以想象！

1. Google：除了优化搜索结果之外，Google还在许多种非常重要但不太知名的领域使用了深度学习。Google Brain和Google DeepMind，谷歌的两个新发明，都在拼命工作，以在人工智能方面达到更高的水平。Google一直在积极研究和探索机器学习的几乎所有方面，包括深度学习和更经典的算法。 AlphaGo, Google的DeepMind项目之一，可能是深度学习最受欢迎的突破之一。围棋是一个你试图保证领土大小的板上棋子的游戏。它是十分复杂的游戏——它比国际象棋复杂10的100次方倍！Alpha-Go中的算法将蒙特卡罗树搜索与深度神经网络相结合，并采用强化学习方法来改善结果。 AlphaGo如何工作：AlphaGo使用两个不同的神经网络的“大脑”构建，它们配合选择其动作。这些大脑是多层神经网络，它们与为图像搜索引擎（如Google图像搜索）归类图片的网络在结构上几乎完全相同。他们从几个层次的二维滤波器开始，这些滤波器像图像分类网络一样处理围棋面板的位置。粗略地讲，这些滤波器识别图案和形状。在这个过滤之后，13个完全连接的神经网络层产生了它们看到的位置的判断。广泛地说，这些层执行分类或逻辑推理。

网络通过反复检查其结果并反馈校正数字进行训练，以使网络运行得更好。这个过程有很大的随机因素，所以不可能准确地知道网络是如何 “思考”的，只有在更多的培训之后才会有所改善。

你知道吗？在2016年3月，AlphaGo以4-1得分击败了传奇的围棋选手Lee Sedol，这是十年之前被认为是一个壮举。

2. Facebook： Facebook AI Research（FAIR）（脸书人工智能研究）专注于使用深度学习来改善社交网络体验。FB正试图构建超过15亿个AI代理，每个Facebook用户都有一个代理。社交媒体巨头组成了应用机器学习团队FB Learner Flow。它结合了若干机器学习模型，以处理来自15亿用户的活动的数十亿个数据点，来预测用户行为，并使他们数小时全神贯注于Facebook！

例如：从FB Learner Flow的模型创建的算法有助于定义您的新闻推荐，您看到的广告，您可能认识的人以及更多！

因此，在Facebook和Google的AI战争中，并没有获胜者，因为研究集重点和应用在本质上差异很大。

3. 自然语言处理

自然语言处理是计算机将人类语言翻译成计算机可以理解的语言的过程。Siri，Cortana和Alexa都是我们每天使用的NLP（自然语言处理，下同）的例子。那么人工智能如何适应NLP？就是这样。考虑这个。你想学习一门新的语言。你怎样着手？你首先学习语言中的新词，并理解用法。但是，你不会真正了解什么有效和什么不起作用，除非你接触语言并从使用中学习。这正是NLP使用深度学习的方式。计算机通过使用一种被称为“嵌入”的技术“学习”，这种技术由深度学习实现。在这种技术中，单词和短语被映射到实数向量。该映射由神经网络执行。

Siri如何使用自然语言处理？

NLP形成了Siri的心灵和灵魂。当用户询问Siri时，发生动作的顺序如下。通过语音识别，Siri首先使用离散化算法将您的声音转换为数字数据。接下来，您的问题通过Apple（苹果，下同）服务器进行翻找，并在其上运行流程图以找到可能的解决方案。这个步骤对于像“今天天气如何”这样简单的句子来说已足够容易。但是，被问及“Larry今天会出席会议吗”这样的句子时会变得困难，因为机器很难理解这么复杂的思想过程。这是NLP发挥作用的地方。NLP将命令分解成令牌，并使用句法分析器来分析和理解句子。此外，机器学习算法用于优化结果并从过去的结果中学习。最后，结果产生给用户。

你知道吗？机器人现在可以社交！来自麻省理工学院AI实验室情感计算实验的情绪智能机器人Kismet可以通过识别人类肢体语言和声音语调进行交互。

4. 模式识别

顾名思义，模式识别是人工智能的一部分，用于识别数据中的模式。它用于质量和过程控制。应用包括自驾车，神经科学，癌症治疗和能量物理学。

自驾车如何使用模式识别？

很多人在谈论「自驾车」，从传感器和地图中收集和分析大数据，根据形状、大小和模式识别行人，车辆和其他物体。在预测其周围的所有物体下一步可能会做什么后，它被设计为安全地驾驶在它们周围。所用的是雷达，激光雷达，GPS，测距和计算机视觉技术。

能量物理学如何使用模式识别？

它用于将多组分非磁性高能粒子检测器中的能量沉积相关联。希格斯检测是粒子物理学中模式识别的一个很好的例子。

你知道吗？自驾车有很多版本。Google已经取消了方向盘和踏板，并且正在改善可以实现的不同级别的自主。而特斯拉和百度则通过缓慢增加自主功能，在不同的环境中实现高效驾驶，从而在这项技术上取得进步。特斯拉提出了一种具有自动驾驶仪（即自驾驾驶）能力的传统汽车，其安全级别远远高于人类驾驶员。

5. 图像分析

图像分析涉及从图像中提取有意义的信息。这个想法是使用像神经网络这样的机器学习算法来模仿人类的视觉皮层。手写识别，自动图像识别和地貌（地球或其他天体的形态或表面特征）地形特征分类是一些流行的形式。

ImageNet的挑战是2010年开始的一场比赛。研究团队提交分类和检测物体和场景的程序。此后，图像处理进展极佳。2010年，良好的视觉识别程序具有约40％的分类错误率。2015年，用于图像识别的深度卷积神经网络程序具有约3.5％的分类错误率！

Facebook如何使用图像分析？

图像分析是Facebook自动标签功能的重要组成部分。面部识别软件用于检测用户的朋友的类别，以将新上传的图片与其他地方标记的图片相匹配。该软件使用机器学习算法，如神经网络。该算法被提供大量的训练数据，然后机器学习分类并识别上传的图像中的人，并向您的朋友建议照片中谁可能与您在一起。所以Facebook正在大力投资AI。他们最近收购的面部图像分析初创公司FacioMetrics，深入探索人工智能研究。

这些只是AI的一些主要优点和应用。该领域是巨大的，并有更多的优点和应用！

人工智能的职业和机会

直到几年前，人工智能主要由军方和政府在该领域的少数杰出专业人士的帮助下使用。但现在越来越多的人正在教育自己，并且在这个领域变得精通。他们现在意识到AI可以在业务上做出的改进。如今，AI几乎在每个领域都被使用。AI的一些可能的职业机会包括：

强人工智能：在层次结构中，这个职业将被放在最上方。像DeepMind这样的公司正在开发这个领域。一般来说，具有优秀研究背景的无可挑剔的博士生候选人被选中。
数据科学家：数据科学可能是人工智能中最受欢迎的行业。这里的优点是它没有一个太陡峭的学习曲线。机器学习形成数据科学的核心。想要加入该领域的人们必须学习统计学，一些编程并获取领域知识。
数据挖掘与分析：数据科学家之后，数据分析师可能是最受欢迎的工作。与数据科学家类似，分析师对统计数字的重视程度较低。因此，大多数具有不同背景，有强烈愿望和学习能力的人可以申请这些工作。
机器学习研究员：与计算机科学和电气背景差距不多的领域可以处理。事实上，没有博士学位，即使是电脑科学家也会在这里相当残疾！它涉及发现机器学习中的新领域来处理复杂问题的未知领域。这项工作主要涉及很多研究。
机器学习应用：这涉及将机器学习有效地应用于其已被使用的领域。本科毕业生或硕士生可以申请这些工作。

虽然还有许多其他的AI工作，但这些是整体广泛关注的。这是任何人开始在AI工作的美好时光。该领域刚刚开始。即使你是一个初学者，每天学习新事物并扩大规模是关键。

AI的未来

人工智能无疑正在改变世界。它使生活更轻松。但是，随着AI的效率的提高，对它改变世界太多的担忧也越来越多，恐怕机器智能将会超越人类的智慧。「终结者」和「黑客帝国」（关于AI的电影）成为现实的恐惧也在增加。那么，这些恐惧在多大程度上是有必要的呢？他们究竟有真相吗？

不幸的是，答案是肯定的。不要误会我们。我们并不是说在不久的将来会有机器暴动使人类被淘汰，一个劣质的物种。到目前为止，强人工智能是一个神话。它不存在。人工智能仍然没有人的认知能力，在不久的将来也可能不会。但是，我们不能完全勾销这种情况的可能性。这绝对是可能的，即使这似乎是不太可能的。也许几十年后，或到本世纪末或几个世纪以后。人工智能和超智能可能成为现实。

超级智能是机器无缝并更好地执行人类可以执行的每项任务的能力。由于他们的完美回忆（与人类相比，电脑具有异常清晰的记忆力）和多任务能力，他们在几乎所有的事情上都会比人类更成功。Nick Bostrom的这本书《超级智慧：路径，危险，策略》正是将超级智能视为一个可能的概念。

AI有代替你的自动化能力吗？

最近，对AI自动化人类并扰乱数以百万计的工作有大量的讨论。到目前为止，机器擅长涉及大数据和大量迭代的任务。机器没有直觉，不能匹敌人类在棘手情况下做出决定的能力。

比如说，机器可以比人类能够更准确，快速地分析大量的数据，但数据科学家的最终决定总是将数据和基于经验的直觉结合在一起。

结束笔记

AI被相当多的争议所包围。一方面，公司（不仅限于科技巨头）正在投资数百万于人工智能研究与开发。另一方面，Stephen Hawking表示担忧，AI可能是人类的终结。Elon Musk和Bill Gates也同意了这一点。

然而，关于AI是一个福音或祸根的争论，我们相信福音将永远胜利。这不是因为我们对超级智能实现后将展现的灾难性情况无知。这是因为已经采取措施来预防AI可能带来的潜在危险。只有当AI符合全体人类利益时，AI的进展才会持续下去。所以，不要害怕！继续前进，享受革命。

那么你属于哪个阵营？支持AI的或反对AI的？你认为AI会干扰比其实际创造的更多的工作吗？我们很乐意听你的意见。

人工智能揭秘，带你了解AI的前世今生

引言