什么是人工智能？
我也看过人工智能的定义，但即使是非常严谨的(也就是很难理解的那种😂)教科书式的定义，但定义还是有好几种。并且人工智能是个正在高速发展中的学科、产业，它的内涵、外延时刻都在发生变化。所以我认为，不必过分纠结人工智能的严格定义，只需要有个大致的定义即可，尤其是对工业界的工程师来说更是如此。
“顾名思义”地理解一下人工智能这个词语本身：人类的智能是大自然的“鬼斧神工”，是亿万年进化而来的，是天然的，不是人造的；而人工智能恰恰相反，是让人造的机器产生类似于人的智能。打个利于理解的比方，人类的智能好比大自然中本来就有的猪牛羊肉，而人工智能好比人造肉😂。当然，也有大佬认为人工智能这个词容易引起误解，改称为“机器智能”更好，意思是让机器产生类似于人类的智能。
人工智能、机器学习与深度学习的关系
我们经常听到、看到这三个名词，外行就容易被搞晕了，搞不清他们是同义词，还是其他什么关系。当其实他们的关系如下：
- 人工智能的概念最大，它是一个从目的角度确立的概念，也即是说，它不管你用的是什么方法、手段，只要你让机器实现了智能，就算是人工智能。
- 而机器学习是1990年以来采用的实现人工智能的主流方法。
- 深度学习则又是机器学习的中一种方法。
什么是机器学习？
非程序员也能看懂的机器学习定义
一开始，科学家希望直接设计出拥有人类智能的机器，但几十年过去了，发现这难以实现。后来科学家们转变思路，先设计出一个有学习能力的机器，一开始这个机器的智能水平可以很低，就像一个刚出生的婴儿，但这个机器有学习能力，可以像婴儿慢慢长大一样，变得越来越聪明，直到达到甚至超过人类的智能，至少在某些特定的任务上做到这一点。既然这种机器有学习能力，也就称之为机器学习了。
程序员秒懂的机器学习定义
-
在经典的程序设计中(就是现在的大多数程序员写程序的思考模式)，人们输入的是规则（即程序）和需要根据这些规则进行处理的数据，系统输出的是答案。比如西虹市炒蛋这个过程，如果我们要将其自动化，对现在的任何一个程序员来说都是很简单的。程序如下：
- 第一步：切好西虹市，打好鸡蛋。
- 第二步：把鸡蛋放到锅里炒熟，盛出来备用。
- 第三步：把西红柿放到锅里炒熟，把鸡蛋放到锅里，和西红柿一起炒。
- 第四步：加入调料，搅拌均匀，盛到盘子里。 像这类问题，我们稍微动脑想一下，就能想清楚其明确的可操作步骤。把这些步骤写下来，就是规则/程序/代码。如果你又想吃西红柿炒蛋了，那就输入西红柿和鸡蛋，这个程序就会自动执行，输出西红柿炒蛋给你。
这种经典的编程思考模式，也称作显式编程，也就是说，程序员自己想明白了每一个步骤，然后明确地用代码表达出来这每一个步骤。
-
机器学习，人们输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，使计算机自主生成答案。
比如一个三岁小孩，第一次看见一只小白狗，妈妈会指着小狗告诉他——这是一只狗。过了几天，又看见一只大黑狗，妈妈又指着告诉他——这也是一只狗。看过三五只大小不同、颜色各异的狗之后，孩子就对“长什么样的是狗”有自己的理解了。下次再见到一只中华田园犬（就是土狗😂），小孩先声夺人———狗，狗，狗！当然，如果看到了一只大花猫，小孩可能还是会喊——狗，狗，狗！妈妈会纠正他说——这是一只猫，不是狗。于是小孩的大脑开始试着区分猫和狗。妈妈想教会小孩长什么样的是狗/猫，但妈妈并没有拿出生物学的定义给他念：犬，现代俗称为狗，一种常见的犬科哺乳动物，与狼为同一种动物，生物学分类上是狼的一个亚种。这样的定义小孩也听不懂。
我们学习的知识主要有两种：
- 定义性的/概念性的，教科书中一般都会在一开始给出一个严谨的概念。这种知识我们经常会感觉抽象，难以理解。
- 实例性的，也就是常说的举个栗子。看完实际的例子，我们一般就都懂了。
现在的机器学习，其实就是通过例子来学习，和以上所说的妈妈教孩子学习辨认猫、狗，从原理上来说是一样的。我们并不需要告诉小孩狗的特征有哪些，小孩只要多见几只不同的狗，慢慢就学会辨认狗了。机器学习也是一样，我们只需要输入很多猫和狗的图片，并且标明图片中是猫还是狗，机器学习的模型就可以根据这些实例不断的学习，最终掌握辨别猫和狗的能力。也就是说，在机器学习中，我们输入的是例子(数据+答案)，输出的则是规则/程序/判断能力。
机器学习就是从数据中提取有用信息、有意义的判断和知识，最终要把这些知识抽象为模型，用于反应知识的本质/进一步认识世界/预测。
数据(特征+标签) 是具体的，模型是抽象的。 学习/训练的过程就是将具体的数据抽象成模型。 预测的过程就是用抽象的模型预测某个数据的标签。
机器学习模型将输入数据变换为有意义的输出。因此，机器学习的核心在于有意义地变换数据，换句话说，在于学习输入数据的有用表示（representation），这种表示可以让数据更接近标签。机器学习模型都是在为输入数据寻找合适的表示——对数据进行变换，使其更适合手头的任务。
参考：《Python深度学习》1.1.2 弗朗索瓦.肖莱 著，张亮 译
机器学习与数理统计
机器学习与数理统计密切相关，但二者在几个重要方面有所不同。不同于统计学，机器学习经常用于处理复杂的大型数据集，用经典的统计分析（如贝叶斯分析）来处理这种数据集是不切实际的。因此，机器学习（尤其是深度学习）呈现出相对较少的数学理论，并且是以工程为导向的。这是一门需要上手实践的学科，想法更多地是靠实践来证明，而不是靠理论推导。
也就是说，机器学习需要一定的数学知识，但也不要过分夸张数学在机器学习中的作用。有些方法已经在实践中使用了，但还没有数学理论做支撑，而是靠实验得出的方法。
参考：《Python深度学习》1.1.2 弗朗索瓦.肖莱 著，张亮 译
机器学习的基本流程
- 问题定义
- 数据准备
- 数据预处理
- 数据建模
- 建模优化
- 结果呈现
AI工程师的核心技能
- 发现现实生活中的问题
- 抽象、建模为数学优化问题
- 通过合适的工具解决
第3步会越来越自动化，第1、2步会越来越成为竞争力。而要做好第1、2步，需要深入了解一个领域，才能提出和发现问题。
怎么学好人工智能？
-
学：要把来龙去脉搞清楚，才能掌握一个理论、方法的适用领域，才能明白一个方法的极限、局限，不盲从。
-
用：各种算法、模型、框架就是工具，我们需要先对工具有基本的了解，但更重要的是要知道如何使用这些工具去解决问题。一名木匠，需要知道这是锤子，那是锯子，需要知道他们的基本用法。但更重要的是要知道什么时候用锤子，什么时候用锯子。然后用锤子去砸钉子，与锯子去锯木头，在这个过程中发现问题，再继续学习，以用促学。
人工智能面临的问题
-
时间复杂度与空间复杂度局限：任何计算机程序都有这个问题，
-
可解释性：对的时候不知道它为什么对；错的时候也不知道它为什么错，也就无法修正。
对AI发展的看法
AI这种革命性的技术变革，其技术不是短时间内就能完善的，即使近些年处于爆发期，但其发展过程中必然会经过多次起落。“前途是光明的，但道路是曲折的；道路是曲折的，但前途是光明的”。
到处、整天都是关于AI又发生了巨大进步的文章、消息，但99%都是标题党。正确的心态应该是：不要相信短期的炒作，但一定要相信长期的愿景。这种革命性的技术变革，会有持续二三十年的增长，只要做个长期主义者，就能获得其带来的红利。
