在花 100 天进修人工智能之后，我得出这 5 个结论

本文的作者是 Jamie Beach，在自学人工智能 100 天往后，他分享了本身对人工智能的 5 个感悟，以下是他的全文。

2019 年 1 月尾，我溘然意识到，我对人工智能的领略不敷。它正日益影响着我们的每一天。人工智能掩护我们的收件箱免受垃圾邮件的进攻，它支持来自 Alexa 的气候更新，它使亚马逊可以或许向我们保举商品，让 Netflix 给我们保举影戏。每次我们打开 twitter 或 facebook，都是人类与比我们更相识本身的人工智能的较劲。但我是一个专业的技强职员，却对人工智能的真正寄义知之甚少。

《连线》杂志开办人 Kevin Kelly 在一个名为「将来思索者(Future Thinkers)」的播客上接管采访时，谈到过 AI 相干的话题。他以为，我们的人工智能技能还处于起步阶段，假若有人花一点时刻进修人工智能和呆板进修，逾越只是相识的程度，他们会发明本身只是一小部门人中的一部门。那全国班回家后，我开始了为期 100 天的「人工智能进修潜水」。

我将必要进修的全部对象都举办了分类。因为在职，很难找到业余时刻，但我确其实 100 天内完成了近 200 个小时的事变。我读了 9 本书，上了 2 门 Coursera 课程(已经开始进修第三门课)，听了许多播客，看了尽也许多的帮助教程。

以下是我在那段时刻总结出的 5 个概念：

1.人工智能是旧的也是新的

人工智能这个词并非出自某部科幻小说。1956 年，在达特茅斯学院的一个暑期研讨会上，很多智慧人聚积在一路研究怎样让呆板思索。在这次集会中发生了「人工智能」这个观念。固然这次集会会议并没有研究出具有思想的呆板人，但它带来的头脑和技能如故是当今人工智能的基本。

研讨会之后，人们对人工智能的差异子规模的乐趣加强。神经收集好像很有前程，但在其时这项技能一片空缺，大大都研究最终放弃了这一观念。这个时期被称为「AI 严冬」，它一连了几十年。然而，连年来，算力和可用数据的指数增添，加上深度进修的最新盼望，极大地进步了呆板进修的有用性。AI 被 Andrew Ng 等专家称为「新的电力(new electricity)」。

2.人工智能等同于呆板进修，但它并不是终结者

「人工智能是用 powerpoint 完成的，呆板进修是用 python 完成的(「AI is done in PowerPoint and machine learning in Python」)」

人工通用智能(Artificial General Intelligence，简称 AGI)是一种设想的呆板，它的思想方法和人类一样, 好比终结者就是这种呆板人。超智能是逾越人类思想手段的呆板(假如读过 Nick Bostrom 的 Superintelligence，你也许会有点畏惧它)，但在此刻，还没有这样的事物呈现。到今朝为止，AGI 只是一种理想，它在将来，而且有点遥不行及。这并不料味着没人在做这件事，这也不料味着像 Max Tegmark 和 Ray Kurzweil 这样的智慧人不会普及地评论它并等候它。但今朝人工智能的情势险些就是呆板进修——一个 AI 的子规模。

呆板进修的根基道理如下：

• 第一步：把一个题目酿成一个猜测题目。换句话说，给定输入参数(特性)，猜测功效。你可以猜测一栋屋子的价值，可能是拍摄时给定的摄像位置。
• 第二步：界说算法可能体系，做出决定。这里有许多要领，如线性回归，神经收集，深度进修，支持向量机，递归神经收集，卷积神经收集，天生性反抗收集等等。每种算法都可以用于一种非凡的猜测题目。要猜测衡宇本钱，线性回归模子就足够了;猜测影戏脚本将行使一个递归神经收集(RNN);猜测不存在的人的面部图像行使天生性反抗收集(GAN)。
• 第三步：获取大量的实习数据。凡是环境下，数据越多，结果越好。对付房价，要获取数千行数据，个中包括这些衡宇出售的特性和现实价值(标签)。对付字符辨认，必要获取大量的字符图片并响应地举办标注。
• 第四步：实习模子。提供实习数据，计较偏差，调解并一再，直到偏差最小化。梯度降落和反向撒播是这里的重要观念。

假设偏差已经到达最小，模子就可以接管新的特性，并猜测功效。这个功效凡是很是精确——比人类更准确。

3.没有邪术，只稀有学

在开始这 100 天之前，我知道呆板进修会涉及到数学，但我并不知道会必要几多数学常识。相识微积分和矩阵代数对任何人来说都长短常有益的，荣幸的是，你不必要是数学专业的门生就可以学会这些，并且呆板进修的框架也在不绝地迭代，变得越来越易用。

一些重要的框架，包罗 Google 的 Tensorflow、Microsoft 的 ML.NET 和 PyTorch 为措施、数学和算法添加了抽象层。乃至尚有特另外抽象层，好比于 Tensorflow 上面的 Keras。

另外，相干职员正通过提供呆板进修模子作为一项处事，或建设自动化的措施(如 AutoML 和 Auto-Keras)，使呆板进修越发轻易上手。

4.毛病是个大题目

「真正的安详题目是，假如我们给这些体系提供有毛病的数据，体系就会有毛病」——John Giannandrea。

呆板进修中的毛病是个大题目。Amy Webb 的书「The Big Nine」中有好几个章节都提到了这个题目。测试数据的全面性和多样性长短常重要的，但这每每是缺乏的。

Amy 行使 ImageNet 语料库作为有牢靠毛病的例子，它内里有高出 1400 万张标志图片，个中一半以上是在美国发生作的。虽然，ImageNet 并不是独逐一个有毛病的例子。

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!