你以为的人工智能，就是你以为的吗？
——AI有风险，投资需谨慎
   

       1956年夏季，以麦卡锡、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在达特茅斯大学一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。
       每当一个事物兴起的时候，随之而来的就是大量的观点与推测，其中最受欢迎的往往是那些最大胆的；而后每增加一个论据，都会让我们对这个观点更加深信无疑。就像从Alpha Go战胜李世石后，人工智能在舆论中强势回暖。

       传统上，人们普遍将人工智能划分为三大流派：
       一、符号主义：又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，是指基于符号运算的人工智能学派，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。他们认为知识可以用符号来表示，认知可以通过符号运算来实现，例如，专家系统等等。
       二、连接主义：又称为仿生学派(Bionicsism)或生理学派(Physiologism)，是指神经网络学派，其原理主要为神经网络及神经网络间的连接机制与学习算法。在神经网络方面，继鲁梅尔哈特研制出BP网络之后，1987年，首届国际人工神经网络学术大会在美国的圣迭戈举行，掀起了人工神经网络的第二次高潮。之后，随着模糊逻辑和进化计算的逐步成熟，又形成了“计算智能”这个学科范畴。
       三、行为主义：又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，是指进化主义学派，其原理为控制论及感知-动作型控制系统。比较典型的行为模拟方面，比如麻省理工学院的布鲁克教授1991年研制成功了，能在未知的动态环境中漫游的有6条腿的机器虫，当前谷歌收购的波士顿动力，也有很多类似的机器装置，比如机器狗。

       这种划分已经存在好多年了，其实已经不能适应当前的最新发展，所以我们可以将其称之为“旧三大流派”，现在人工智能可以划分为新三大流派：
       一、穷举派(搜索派)

       典型的比如IBM的深蓝、沃森，再比如传统的下棋(象棋)，专家系统，定制系统等，都属于有限空间内(哪怕这个空间很大)，知识匹配的搜索算法；它们的缺点是自学习能力孱弱，一旦有新的知识式规则加入，由于其自身无法很好的判断和融和，要么产生冗余，要么产生冲突，要么产生重叠；而将新规则与旧规则融和，其工作量不次于重新梳理一遍知识库，不具备扩展性与可持续发展性。
       从人加工过的体系上建智能系统，人工搞feature, 局限性过大，知识获取和知识普实性都是大问题。这种类型的所谓“人工智能”，智能的背后全是人工。
       二、(调)参数派

       典型的比如神经网络、深度学习，都是从无到有的，训练网络中的各连接参数(权重)；在给定的输入与输出条件下，然后用其预测任意旧或新的激励下的响应以执行；它们的缺点是，如果针对新的领域，或者哪怕是输入输出的扩维，都需要重新学习与计算，不具备累积性和可持续发展性。
       深度学习算法的目标函数，几乎全都是非凸的。而目前寻找最优解的方法，都是基于梯度下降的。稍微有点背景知识的人都知道，梯度下降方法是解决不了非凸问题的。而且内存消耗巨大，计算复杂，深度学习模拟的是人脑的其中一个很小的方面，就是：深度结构，以及稀疏性。但事实上，人脑是相当复杂滴。关于视觉注意机制、多分辨率特性、联想、心理暗示等功能，目前根本就没有太多的模拟。
       备注：神经网络，大家顾名思义，更多的关注于其模拟神经元的工作，但从基础上讲，其来自于感知机模型，其潜在伟大之处在于象数字集成电路一样，实现了与非门与异或运算，可以拓展组合出各种可能；
       三、理解派(意识派)

       与前面神经网络的类似于黑盒的模型不同，这种树网模型中的节点有真实的代表意义，属于白盒的模型，结合命中算法找出锚点，并通过最小本征树和最大似然结构的计算，找出标的对应的真实意义；树可以一致扩展和命中计数，具有可持续发展性；而且只会越来越全能、越来越庞大、越来越健壮(容错性)；这也是最接近真正的人工智能，才是未来的希望所在；可惜的是，这个领域，认识到的人很少，被关注的也很少。

       目前人工智能虽处于寒武纪的大爆发阶段，但也很可能再度面临寒潮，毕竟人工智能几起几落，被来回打入冷宫又不是没有经历过，以至于有段时间，“人工智能=骗子”，都成了一个时髦的说法。
       具体来说，当前主流的人工智能(99%的市面上吸引眼球、热闹非凡的各个AI，宣传越多的越明显)，至少会面临这三大考验：

       第一大考验，理论基础薄弱，不足够扎实：
目前人工智能在学习上遵循的理论依然是上个世纪80年代提出的，人们并没有从本质上理解人类的学习原理，从监督学习到无监督学习的方法还在探索。如果将人工智能比作建造太空火箭，计算能力和数据是燃料，理论就是发动机。如果你有许多燃料但只拥有小功率发动机，你的火箭大概无法飞离地面。如果你拥有大功率发动机但只有一点点燃料，你的火箭即使飞上天也无法进入轨道。
       第二大考验，知识表达不足，无有效的成熟模型：
许多输入的数据其实都经过了人脑抽象，但大家看不到，就好比你看到地面上的竹子每一根都是独立的，但它的地下茎联系是非常紧密的。若要完成形式化知识结构的搭建，是需要很多知识的，而机器中没有人脑中的背景知识，所以数据中蕴含的信息是不完整的，继而计算不出正确的结果。
       如果将这些信息补足，是有可能用机器处理的。但同时要看到的是这些信息很难补足，一方面是因为很多人脑中的知识难以形式化，另一方面，补什么补多少才能达到特定的效果，很难衡量。并且人脑输出的信息带宽太小，很难通过一个人来补足机器中没有的知识，而多人协同又存在知识相互不兼容的问题。所以知识太多，知识难以形式化，人脑输出太慢，成为了知识表达的三大障碍。
       第三大考验，算法复杂度，计算量巨大：
       在人工智能历史上有个赫赫有名的《莱特希尔报告》，其作者系著名的英国应用数学家，受国家科学研究委员会之托，全面审核调查人工智能领域学术研究的真实状况。这篇报告严厉批判了人工智能领域里的许多基本研究，特别是机器人和自然语言处理等知名子领域，并宣称“AI领域的任何一部分都没有能产出人们当初承诺的有主要影响力进步”。另外，报告特别指出人工智能的研究者并没有能够解决将AI应用于真实世界里必然会遇到的组合爆炸问题。
       之后，当时的英国政府决定停止资助除个别大学外的所有与人工智能相关的研究。而美国政府因为受到来自国会的压力，大规模削减了对人工智能探索性研究的投资，转而资助那些被认为更容易取得有影响力进展的领域。
       其实这个问题到现在都没有很好的解决，从数学上讲，组合爆炸问题是阶乘增长的，其速度远远超过摩尔定律，这个问题不处理好，硬件发展速度绝无法跟上去；这其实也从另外一个侧面说明，当前主流的人工智能模型存在的问题，因为我们都知道，单凭计算能力，很多主机都已经超过人脑了；所以只能说，当前的主流人工智能和真实的人的智能，走的并不是一条路；

       任何一个行业或产业在取得突破性进展的同时都免不了前期的泡沫环绕，人工智能领域的泡沫，在资本、技术、商业等方面也无法免俗，正逐一显露。

       资本泡沫： 人工智能似乎迎来了最好的创业时代。但是，越到这个时候，创业者越要谨慎。因为容易被忽视的是：2011-2015的五年间，全球有超过65%的融资发生在种子/天使轮或A轮，D轮及以后的融资仅有20家。
       技术泡沫： 当前市场容易呈现“产品热需求冷”的局面，例如以手环为代表的可穿戴设备、以智能机顶盒为代表的智能家居…… 技术的积累不是一朝一夕，缺乏核心技术的高调炒作，只够溅起一些水花。
       商业泡沫： 资本和创业者一拥而上，无非是看好人工智能未来的商业化。尽管我们已经能在市面上看到无人驾驶技术、自然语言处理技术、语音识别与图像识别技术等进入商业化应用的案例，但更多的是泡沫的成分。

       结语：从1956年提出“人工智能”的概念至今，已整整过去60年，但这场人工智能的浪潮迟迟未至。回看人工智能元年，巨头纷纷布局，初创公司不断入场，各式各样的业务被打上人工智能的标签，呈现一派欣欣向荣之景。但可以预见的是，距离人工智能技术改变日常生活还需要一段时间，这之中免不了泡沫的涌现与破裂。

       “人工智能将改变世界，而真正的问题在于，谁将改变人工智能”
---李飞飞，斯坦福大学人工智能实验室主任，现已加入谷歌

------华丽的分割线------
欢迎登陆联动北方技术论坛去讨论关于人工智能的话题哟，还有大奖等你拿！点击【参加活动】即可跳转

溜达