不一樣的美國高校
美國著名高校之點滴
科技發展探索點滴
（一） 來勢洶洶
六十多年來，機械程序已經複製了許多我們過去認為是人類獨有的才能和行為，我們被迫不斷地改變那些區分我們人類與它們之間的界限。最近的人工智能的發展更是給我們提出令人恐慌的挑戰。Tesla的老板Elon Musk聲稱自動駕駛汽車會表現非凡，以至於人類駕駛將被禁止。現在我們從事的工作，不斷地被機器人取代，或自動化，十年後，還有多少工作留給我們和我們的子女？
有人說，醫生的工作不是容易取代的，另一個預言就是，當今天的新生兒成人之時，他們就不需要找醫生診斷疾病了，因為IBM的Watson智能，雖然還沒有直接為患者服務，已開始為醫院和醫生提供服務。
那就做些人文和藝術吧？也沒那麽簡單，幾年前，在德州，奧斯丁的Southwest Festival上，IBM就讓它的Watson根據各種營養，風格，味道，成分，和現成菜譜而設計出新的大受歡迎的菜譜。而這盤菜不大可能由人類自己想出來，真是充滿異域風情。 這類智慧也被劃分成為“外來”智慧（Alien Intelligence）。
不過也沒有想象的這麽可怕，我們還是有許多事情可做的，而且會做的更好。這也就給你一個理由，學點CS。
（二 ）是對手，更是助手
1997 年，IBM的“Deep Blue”打敗了當時的世界冠軍國際象棋大師Garry Kasparov。隨後的幾場人機大戰，大多以機器棋手宣告勝利而結束。但是這個故事遠遠沒有結束，可惜的是同樣具有開拓意義的“人加機”的概念沒有引起普羅大眾同等的興趣。Kasparov鼓吹和推廣了這中借助了AI輔助手段的“半人馬”（Centaur）棋手。在2014年的混合棋手冠軍賽中，這種“半人馬”棋手贏了53場，而純AI棋手則贏了42場。在“Deep Blue”戰勝人類冠軍20年的今天，國際象棋的棋手並沒有喪失信心或消失，更多的棋手在這些“聰慧”的棋類軟件的陪伴下成長。如今的國際大師也是但年的兩倍。
如果說AI能幫助人們成為更好的棋手，我們也有理由相信，它能幫助我們成為更好的飛行員，更好的醫生，更好的法官，更好的老師。這也就給你又一個理由，學點CS。
（三） 兩個領軍人物
介紹兩個為最近這輪AI發展作出突出貢獻的人。一個是Geoffrey Everest Hinton（https://en.wikipedia.org/wiki/Geoffrey_Hinton），另一個就是吳恩達（Andrew Ng https://en.wikipedia.org/wiki/Andrew_Ng）。兩人都是英國人。前者在英國出生，在英國受教育，後來到UCSD和CMU任教，現是加拿大多倫多大學的教授。後者在英國出生，在華人社會，香港，和新加坡接受中小學教育，從CMU，MIT，和UC Berkeley分別獲得學士，碩士，和博士。
Hinton 教授在2012年的工作重新激活了神經網絡的研究。MIT的Winston教授在OCW《人工智能》課中專門提到這一節。Hinton將多層神經網絡用於圖像識別，取得了激動人心的結果。這一技術被稱為“Deep Learning”（深度學習）。而Hinton也被人稱為深度學習的教父。
吳恩達很出名的工作是他在Google和百度所領導的AI研發，以及線上教育。他是Coursera（https://en.wikipedia.org/wiki/Coursera）的合夥創始人。這裏所要說的是他與Stanford的團隊在2009年發現GPU芯片可以進行神經網絡的平行計算。盡管計算能力的發展是多方麵的，多核CPU也在不斷的進步，GPU卻已普遍應用於AI計算。
有人總結三點來闡釋當前AI的快速發展，上麵提到的低價平行計算，和更有效的算法就是其中兩個。第三個是大數據。單單圍繞著深度學習的這三點，已經可以應用到數不清的領域，從醫藥，到網絡服務，從自動駕駛汽車，到用於工廠生產的機器人。
深度學習是人工智能的一大突破，也是目前最火的。但它隻是其中的一個節點。在這個節點上，人們還在不斷的改進，不斷的應用到新的領域。人們還在研究其他的方法，尋求解決更多的AI問題。與此同時，人們對人類智能的探索似乎還沒有走多遠。大量的工作需要去做。用智慧去研究智慧，並利用所獲的成果，還是大有作為的。
（四） 人類智能與機器智能
做為一個人工智能學術中心CMU（Carnegie Mellon University，卡內基梅隆）則開始設立本科人工智能專業［1］［2］，係統化培養人工智能專門人才。
目前的深度學習［3］的工作集中於深度（多層）神經網絡（Neural Networks）模型與算法上。這個發展多少受到經年視覺神經係統（Visual Cortex）探索的影響。另一個在行為心理學（Behavior Psychology）啟發下發展起來的機器學習是強化學習（Reinforcement Learning）［4］。計算機模擬為腦神經係統的研究提供了有力的工具。神經科學（腦科學和認知科學）與機器智能的發展交互影響，加速兩者的“乘積式”發展。
這正是MIT前不久發起的跨學科倡議“尋求智能”（Quest for Intelligence） 的雙核（Core）［5］。這個探索是要回答兩個問題：一是人的智慧，從工程的意義上，是怎樣工作的？二是如何掌握智慧來製造出更有用，更好的機器，服務我們的社會？
（五） 商業智能（Business Intelligence）［6］［7］和統計分析［8］［9］
在這波人工智能熱之前，伴隨著網絡經濟的發展，商業智能曾經很是火熱。商業智能（Business Intelligence，簡稱：BI），又稱商業智慧或商務智能，指用現代數據倉庫技術（Data Warehouse）、線上分析處理技術（OLAP， Online Analytical Processing）、數據挖掘（Data Mining）和數據展現（Data Representation and Display）技術進行數據分析（data analysis），企業績效管理，決策預期分析，以實現商業價值。這一領域對數據和統計方法的應用發展了大數據和統計分析的計算機工具。這些工具被應用於AI領域，並進一步得到發展。
科技的發展大多是螺旋式推進的，每前進一步，似乎已拋開了過去和現今；每前進幾步，似乎又回到從前，但是卻已麵目全改，似是而非，因為在過去的基礎上，技術有了提升，認知層麵更加深入，解決問題的領域更加開闊。
［1］https://www.cs.cmu.edu/bs-in-artificial-intelligence/curriculum
［2］http://www.360doc.com/content/18/0601/10/48906365_758702067.shtml
［3］https://en.wikipedia.org/wiki/Deep_learning
［4］https://en.wikipedia.org/wiki/Reinforcement_learning
［6］https://en.wikipedia.org/wiki/Business_intelligence
［7］https://baike.baidu.com/item/商業智能/406141?fr=aladdin
https://www.forbes.com/sites/gilpress/2018/02/07/the-brute-force-of-deep-blue-and-deep-learning/#5007b9c149e3