故事大王
在思鄉中思想
最近朋友閑談，常常談到AI將會改變世界，紛紛表示，要讓孩子早些學AI，以免輸在起跑線上。我這個二把刀“科學家”，也常常（錯誤地）被請教AI如何。我的確不是AI的專家，隻是20年前，上大學的時候，自己開發過人工神經網絡的應用，近年也偶爾應用機器學習算法，所以冒膽寫了個掃盲帖。您看著順眼，讚一下當賞錢；您看著哪裏錯了，指正我就好了，但別罵我：）
我們所說的AI，也就是人工智能，到底是什麽，我們有能用它來做什麽？人工智能應該是一個大眾都能理解的術語---基本上就是電腦可以幹人腦的活，可以思考，可以分析。人工智能的優勢在於電腦比人腦算得快，電腦記性好，不會忘事。
人工智能聽起來很好，可是人工智能到底怎麽實現的呢？歸根到底，還是數學和數據，外加上越來越快的計算機。人們研究一個現象，一個事物，一個問題，往往都從前因和後果進行分析。從開發數學模型的角度來看，前因，就是模型的輸入，後果，就是模型的輸出。開發模型的本質，就是建立前因（輸入）和後果（輸出）的關係。比如說，地上有一塊石頭，你踢了一腳，石頭一下子飛起來。要是想知道，你用了多大勁，石頭飛多遠，我們肯定會用牛頓的力學方程，比如F=ma去分析。通過一係列的聯立方程，可以建立一個你用的力氣（F）和石頭飛的距離（S）之間的數學模型。當我們研究簡單的問題的時候，物理模型或者化學模型，能夠幫我們連接前因（輸入）和後果（輸出）。也就是說，我們很清楚，有了前因，必然會有這樣的後果。這種簡單問題，我們不需要人工智能。我們在中學學得數學和物理知識，就能夠解決問題了。
當問題變得更複雜一些，比如說，我們想了解今年糧食的產量，會涉及到很多個因素。挑幾個重要的，可以假設平均氣溫（T），平均降水（P）和平均日照（S）會影響糧食產量（Y)。考慮到問題的複雜性，如果我們把所有的物理，化學，生物的知識考慮進去，我們沒辦法完美地建立一個基於規律的模型。為了解決問題，大家往往考慮統計模型。統計模型隻關心輸入和輸出的數量上的聯係，而不考慮他們之間存在著怎樣的物理，化學和生物規律。這樣，我們建議一個統計模型 Y = a1 * T + a2 * P + a3 * S。我們在應用這個模型之前，得先去確定模型中的參數a1, a2, 和a3。這樣我們需要數據。通過數據，來確定模型參數，在人工智能裏麵，叫做訓練模型。這個問題，也不複雜，有了高中和一些大學的數學知識，就可以解決這樣的問題了。但是，要注意，因為我們不是百分百清楚，前因是怎樣導致後果的，我們隻能靠著數據來訓練模型。所以，我們需要數據。模型越複雜，我們需要的數據越多。
現實生活中，有很多非常複雜的問題。比如說，炒股票，炒黃金。影響黃金價格的因素實在太多，而因素之間，又是相互作用的。對著這相互作用，我們大概其懂點，又不全懂。我們很可能確定幾十個會影響黃金股票價位的因素，怎樣把這些因素和黃金股票的未來價格聯係在一起呢。我們沒辦法建立一個基於因果關係的模型，因為因素太多了，好多相互之間的因果關係，我們也不那麽清楚。當然，你可以考慮建立一個統計模型，很可惜，統計模型往往要求因素之間是相互獨立的。我們麵臨的問題，明顯不符合這個條件。那麽，有沒有一種方法，或者模型，能夠自己去處理因素之間的相互作用，同時又能夠用於預報股票價錢呢？
在已過的20年裏，蓬勃發展的人工神經網絡，就能幹這樣複雜的工作。人工神經網絡，模擬人類（或者動物）的神經元，通過神經元之間或強或弱的相互作用，來模擬複雜因素之間，或者是牽製，或者是促進的相互關係。一個神經網絡模型，裏麵有大量的神經元，分在不過的邏輯層次裏麵，不同層次之間的神經元又兩兩相連，每一個連接之間的強度，都是一個參數，需要通過訓練來確定。一個神經網絡的規模越大，神經元越多，訓練時候所需的數據越大。之所以現在人工神經網絡應用越來越廣泛，就是因為在其應用領域所積累的數據越來越多，滿足了訓練神經網絡的需要。穀歌的alpha go，用的就是人工神經網絡模型，估計是用幾十萬個棋局來訓練出來的。
說到底，人工智能，和前麵提到的中學生和大學生建立的物理模型和統計模型一樣，都是在找前因（輸入）和後果（輸出）之間的關係。隻是人工智能，可以處理非常複雜，因素眾多的前因和後果。人工智能的背後，其實就是機器學習（machine learning）和大數據。兩者缺一不可。機器學習，研究的是怎樣用計算機來建立前因和後果之間的關係。大數據，是為了訓練機器學習的模型和算法。一旦機器學習的模型通過大數據訓練好了，就可以用來做預報，指導業務操作了。
我們上學學知識，知識多了，好多問題我們就可以看明白了，看透了。人工智能，是通過數據來學知識，通過大量數據，讓電腦搞清楚了前因後果之間的來龍去脈，針對一個輸入，就能產生一個輸出，以至於，電腦學會了下圍棋。說一千道一萬，人工智能解決的還是人們關心和思考的前因和後果之間的聯係。現在的機器學習技術，還有大數據積累，能讓我們考慮更加複雜的問題罷了。在考慮人工智能的應用的時候，我們必須要考慮大數據。在這一行業，如果沒有大數據，我們就算開發除了模型，也沒辦法訓練他，然後應用它。至於機器學習的算法，我們跟風穀歌，站在巨人的肩膀上，暫時應該是夠用了。
AlphaZero不參照任何曆史數據，靠規則左右互搏，自己造數據，這個想法就石破天驚了。——————-好像是一個台灣學者為主的團隊做出來的。這是一大突破
AlphaZero不參照任何曆史數據，靠規則左右互搏，自己造數據，這個想法就石破天驚了。
AlphaGo就是利用統計來學習挑戰人類的，由於機器有近乎無限的計算能力和存儲能力，所以再高明的棋手，隻要你想贏棋，你基本就不可能戰勝機器，因為你的目的定了，機器的統計數據一定能戰勝你。這就好比在一條平坦的馬路上你和汽車賽跑，你不可能贏。但是如果要跟據實時情況來決定往哪個方向才是目的地，則你就可能跑贏汽車。 現在穀歌用AlphaGo去開發醫療診斷，個人覺得這是很適宜AlphaGo的所謂“人工智能”方向。
離開紮實的數學和物理去談