关于我们
一、人工智能的原理是什么
人工智能的原理，简易的形容就是：人工智能=数学计算。
机器的智能程度，取决于“算法”。最初，人们发现用电路的开和关，可以表示1和0。那么很多个电路组织在一起，不同的排列变化，就可以表示很多的事情，比如颜色、形状、字母。再加上逻辑元件（三极管），就形成了“输入（按开关按钮）——计算（电流通过线路）——输出（灯亮了）”这种模式。
想象家里的双控开关。
为了实现更繁琐的计算，最终变成了，“大规模集成电路”——芯片。
电路逻辑层层嵌套，层层封装之后，我们改变电流状态的方法，就变成了“编写程序语言”。程序员就是干这个的。
程序员让电脑怎么执行，它就怎么执行，整个流程都是被程序固定死的。
所以，要让电脑执行某项任务，程序员必须首先完全弄清楚任务的流程。
就拿联控电梯举例：
别小看这电梯，也挺“智能”呢。考虑一下它需要做哪些判断：上下方向、是否满员、高峰时段、停止时间是否足够、单双楼层等等，需要提前想好所有的可能性，否则就要出bug。某种程度上说，是程序员控制了这个世界。可总是这样事必躬亲，程序员太累了，你看他们加班都熬红了眼睛。于是就想：能不能让电脑自己学习，遇到问题自己解决呢？而我们只需要告诉它一套学习方法。大家还记得1997年的时候，IBM用专门设计的计算机，下赢了国际象棋冠军。其实，它的办法很笨——暴力计算，术语叫“穷举”（实际上，为了节省算力，IBM人工替它修剪去了很多不必要的计算，比如那些明显的蠢棋，并针对卡斯帕罗夫的风格做了优化）。计算机把每一步棋的每一种下法全部算清楚，然后对比人类的比赛棋谱，找出最优解。
一句话：大力出奇迹！但是到了围棋这里，没法再这样穷举了。力量再大，终有极限。围棋的可能性走法，远超宇宙中全部原子之和（已知），即使用目前最牛逼的超算，也要算几万年。在量子计算机成熟之前，电子计算机几无可能。
所以，程序员给阿尔法狗多加了一层算法：
A、先计算：哪里需要计算，哪里需要忽略。
B、然后，有针对性地计算。
——本质上，还是计算。哪有什么“感知”！
在A步，它该如何判断“哪里需要计算”呢？
这就是“人工智能”的核心问题了：“学习”的过程。
仔细想一下，人类是怎样学习的？
人类的所有认知，都来源于对观察到的现象进行总结，并根据总结的规律，预测未来。
当你见过一只四条腿、短毛、个子中等、嘴巴长、汪汪叫的动物，名之为狗，你就会把以后见到的所有类似物体，归为狗类。
不过，机器的学习方式，和人类有着质的不同：
人通过观察少数特征，就能推及多数未知。举一隅而反三隅。
机器必须观察好多好多条狗，才能知道跑来的这条，是不是狗。
这么笨的机器，能指望它来统治人类吗。
它就是仗着算力蛮干而已！力气活。
具体来讲，它“学习”的算法，术语叫“神经网络”（比较唬人）。
（特征提取器，总结对象的特征，然后把特征放进一个池子里整合，全连接神经网络输出最终结论）它需要两个前提条件：
1、吃进大量的数据来试错，逐渐调整自己的准确度；
2、神经网络层数越多，计算越准确（有极限），需要的算力也越大。
所以，神经网络这种方法，虽然多年前就有了（那时还叫做“感知机”）。但是受限于数据量和计算力，没有发展起来。
神经网络听起来比感知机不知道高端到哪里去了！这再次告诉我们起一个好听的名字对于研（zhuang）究（bi）有多重要！
现在，这两个条件都已具备——大数据和云计算。谁拥有数据，谁才有可能做AI。
目前AI常见的应用领域：
图像识别（安防识别、指纹、美颜、图片搜索、医疗图像诊断），用的是“卷积神经网络（CNN）”，主要提取空间维度的特征，来识别图像。
自然语言处理（人机对话、翻译），用的是”循环神经网络（RNN）“，主要提取时间维度的特征。因为说话是有前后顺序的，单词出现的时间决定了语义。
神经网络算法的设计水平，决定了它对现实的刻画能力。顶级大牛吴恩达就曾经设计过高达100多层的卷积层（层数过多容易出现过拟合问题）。
当我们深入理解了计算的涵义：有明确的数学规律。那么，
这个世界是是有量子（随机）特征的，就决定了计算机的理论局限性。——事实上，计算机连真正的随机数都产生不了。
——机器仍然是笨笨的。
更多神佑深度的人工智能知识，想要了解，可以私信询问。
二、2021-09-18《AI30人工智能落地的商业逻辑》读后感
全书整体结构
本书中我得到的收获：
1、了解了一些基本的概念和基本的理念，如人工智能的发展历程：
再比如：AI的三个阶段AI分为三类：狭窄人工智能（Artificial Narrow Intelligence）、普遍人工智能（Artificial
General Intelligence）和超级人工智能（ArtificialSuper
Intelligence）。
2、数据和AI之间的关系：数据是AI的基础
当今社会已经不仅仅是AI的发展需要数据作为基础，越来越多的行业、领域都对数据给予了足够高度的重视，当然“数据”也受得起大家给予的重视——它确实能创造价值。但哪些数据，通过怎样的形式产生怎样的价值，是人们要面对的课题。
数据战略应该关注数据的整体生命周期，思考企业的数据从哪里来，有哪些作用，未来到哪里去。企业要更加关注自有数据的价值创新，建设自有数据的网络效应，将其货币化。并且，企业还要一手抓进攻性数据（商业分析），另一手抓防御性数据（安全性），双管齐下，避免数据泄漏。
成功的数据战略应该包含数据资产、数据治理、数据价值创造、人才储备等在内的总体计划，为未来的业务增长奠定基础，提供持续不断的数据动力。
3、涉及AI的讨论，必然会涉及的伦理讨论
欧盟提出了四条核心的伦理原则：第一，人类自治原则，保障人类在使用人工智能时充分、有效的自决权利，确保人类对人工智能系统工作程序的监管；第二，避免伤害原则，确保人工智能系统及使用环境的安全可靠，确保人工智能技术的稳健性，防止恶意利用；第三，公平原则，要求合理分配收益与成本，确保个人与团体不受偏见、歧视和侮辱；第四，可解释性原则，意味着程序透明，公开相关系统的功能与目的。
基于这四大原则，细化并扩展出实现可信人工智能的七条具体要求。未来基于这些原则和要求，各个场景会有配套的法律跟进，进而将人工智能发展纳入可控的轨道。欧盟的经验非常值得借鉴，共同的伦理准则是未来人工智能产业全球协作的基础，甚至关系到政治军事的合作和信任。
就人工智能活动的具体执行方面，艾伦·图灵研究所针对人工智能研发提出“FAST”原则：即公平（fairness）、责任（accountability）、持续（sustainability）和透明（transparency）。
公平原则，指的是无性别、种族、群体歧视，在数据收集、数据分析、结果呈现上必须考虑无歧视，实现公平。公平原则既要从国家、民族等宏观处考虑，也应在产品与行业的微观处有所体现。责任原则，指的是我们正在进入分布式智能时代，要了解哪些任务和决策可以委托给人工智能，以及如何区分责任。1979年，德国学者汉斯·伦克（Hans
Lenk）第一次提出“责任伦理学”的概念，深化了科技伦理问题的探讨。除了自动驾驶领域的责任归属，诸如伴侣机器人、餐厅机器人、医疗机器人等各类机器人若发生意外，也应该有相应的责任归属。持续原则，指的是人工智能的产品要稳健、安全、可控制，系统在设计时要考虑到产品对人和社会的影响，使用过程可控。透明原则，指的是过程、原因、结果可解释、可追踪，既有利于查询追溯，也能方便迭代与修订。
最后，我喜欢作者直截了当地谈到“后续我们应该如何”，我更喜
联系我们
相关广告
