文章目录
前言
初学者往往对人工智能的认识不够广泛，往往就集中于深度学习这一块，在学习一段时间后再回头重新学习导论，用高屋建瓴的视角俯瞰自己曾经学习的领域，对以后的研究方向有很大的好处。
人工智能概览
人工智能的概念
严格来说，要给人工智能下定义不是一件容易的事情，毕竟人类自己都没有认清自己的智慧，所以人工智能更多的是各种假说，没有统一的严格定义。
人工智能能做什么
人工智能并非无所不能，事实上，从最开始人们通用人工智能的宏图伟业开始，人们不断受到打击，最终将注意力集中于模式识别上。模式识别专注于一个特定的任务，比如图像识别等。
从小到大来说，人工智能可以完成如下任务：
- 感知。深度学习有一个巨大的领域就是CV，计算机视觉有三大顶会，CVPR，ICCV，ECCV。另一个领域就是NLP，自然语言处理，也同样有顶会ACL。
- 行动。行动其实也可以理解为决策。
- 推理。推理是一种高级的智慧，现在没有任何一种人工智能能够实现真正的推理，尤其是因果推理。
- 通用任务。这一点是一个质变，也是现在人们着力解决的
- 真正的学习能力。
- 社会性。
- 创造力。
现在的人工智能还很笨，随着未来不断研究至创造力，人工智能就真的和人一样了。说实话，我感觉达到推理和通用任务的地步就行了，否则我真的怀疑人类是否会被人工智能推翻。
强人工智能与弱人工智能
说实话，现在的人工智能识别个猫猫狗狗都费劲，很明显都是弱人工智能。
图灵设计了图灵机架构，是当之无愧的计算机之父。而图灵奖也是当今计算机最高奖项，类比于诺贝尔奖，菲尔兹奖。
关于强人工智能的定义，图灵给出一个假设，如果通过了图灵测试，那么计算机就可以被认为是具有人类智能。
这种观点，注重人工智能的实用性，只要表现得和人一样就行，不需要管背后是否由推理逻辑支持。
由此，中文房间的观点被提出，如果房间里的智能体对知识并没有理解，只不过通过各种资料进行key：value的比对做出响应，那并不是真正的智能，即使是和人表现一样。这就像一个只会背答案的考生，虽然他把所有答案背会了，每次都能100分，但是他没有学会知识。
这种观点更关注智能的内核：逻辑推理。
两种观点我觉得不冲突吧，并没有争议，只是注重的点不同，人们最先实现的肯定是图灵智能，之后发展的更好才能实现中文房间级别的智能。
人工智能方法论
模拟层面
本质上，人工智能就是用人工制造的智能体去模拟实际的智能。
那模拟的方面就有很多：
- 神经层面。用生物的方法去真正地模拟神经元。
- 神经模型层面。将神经元模型简化为数学模型，从而构建神经网络。现在最流行的深度学习就是使用 σ ( w T x + b ) \sigma(w^Tx+b) σ(wTx+b)这种线性模型+激活函数的简化思路，更复杂的有脉冲神经网络的LIF模型，对神经元的模拟程度更高。
- 认知层面。这一层面对人的思考过程进行假设，抽象，和符号主义联系较大。
- 行为层面。这一层面只要保证智能体表现出像人一样的行为即可。
- 目标层面。这一层面只要能完成任务就好，什么方法都可以用，比如最优化，线性规划之类的非人方法。
三大理念
符号主义
用符号表达式表达知识，并且通过符号实现推理，认知。
符号主义认为，将物理模式或者符号转化为其他模式或者符号，这样的系统就有可能产生智能。
符号主义是最开始人们的理念，也是一个非常宏观的理念，后来发现走不通，于是开始走神经网络，现在神经网络这块又块走到头了，于是就又把视线投向了符号主义，其中脉冲神经网络也和符号主义有比较大的关系。
连结主义
现在主流的深度学习就是连结主义。
关键在于，节点模型，连接模型，训练算法。
行为主义
行为主义发源于控制论，强化学习就是行为主义的体现。
行为主义着重于行为，智能体做出行为，影响环境，智能体收到反馈，调整状态，进行下一步行动。如此将经验积累下来，构成最终的智能体。
在维基百科中是这样介绍强化学习的：强化学习(RL)作为机器学习的一个子领域，其灵感来源于心理学中的行为主义理论，即智能体如何在环境给予的奖励或惩罚的刺激下（即与环境的交互中），逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。它强调如何基于环境而行动，以取得最大化的预期利益。通俗的讲：就是根据环境学习一套策略，能够最大化期望奖励。由于它具有普适性而被很多领域进行研究，例如自动驾驶，博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法。
AI研究领域全貌
这个图稍微有点老，现在有很多新东西了。
人工智能主要理念浅析
Learning（学习）
学习意味着变化。虽然这句话听起来像废话，但是至少说明了学习是一种积累的过程，而非直接灌输。
这张图并不全面，实际上只是强化学习的学习流程，而深度学习之类的梯度下降学习和这个还是有很大差别的。
学习还可以分成几个方面：
- 学习更多的任务
- 把已经学会的任务变得更好（比如提高准确率）
- 加速已有任务
之后就是产生，这个可以理解为创造。
学习还可以分为监督学习，非监督学习，半监督学习，强化学习。
监督学习其实是合理的，因为平时我们学东西也是有老师的，但是这样的代价比较大，能取得好的效果也是应该的。
非监督学习更多的是自发寻找分类，自发进行聚类，本质上，就是我即使不知道你是什么，但是我明白你们和他们并不一样，只需要能认识到区别，那就可以聚类。
半监督学习是折中。半监督学习采用大量的低成本的无标签数据+少量高成本标签数据，先用标签数据训练模型，再用模型在无标签数据上跑，其中必然有把握大的数据（ P → 1 P\rightarrow 1 P→1），把这些无标签数据放到标签数据中，然后用新的标签数据训练新的模型，如此循环，直到无标签数据消耗完毕，标注+训练的任务就都完成了。
强化学习的经典过程如下图。
评估机器学习的效果，涉及到过拟合欠拟合，偏差，方差，鲁棒性，可解释性，计算复杂度（训练成本）。
连结主义
发展模型：
- M-P模型
- 感知机
- Hopfield Model，B-P学习方法
- 深度学习（Jeoffrey Hinton）
现在深度学习是连结主义最流行的方法，核心的主题有两个：
- 拓扑。这个可以理解为网络模型
- 算法。这个可以理解为建立在网络之上的训练算法
我研究的领域是以脉冲神经网络为代表的类脑智能。类脑智能的前景我觉得还是不错的，是一个很有意思的领域，其最佳的运行平台是类脑芯片。
符号主义AI
符号主义是人工智能最初的主流，大家刚开始的志向是很远大的，直接干通用人工智能。后来发现干不动。
符号主义最开始是特定问题解决，之后发展专家系统，然后是知识工程，最后就是常识。
进化计算
进化计算的思路来源于达尔文进化论，最优化中的遗传算法就是这种思路。
