隨著“人工智能”走出實(shí)驗(yàn)室、逐漸有了實(shí)際的應(yīng)用場景，它成為了一項(xiàng)可能在不久的將來徹底改變?nèi)祟惿鐣幕A(chǔ)技術(shù)，也成為了很多人最愛討論的話題。但是，AI（人工智能）、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，這些詞看著潮，究竟是指什么呢？

　　別慌，我們試著舉幾個簡單的例子來解釋一下。

　　人工智能

　　“科技潮人”小明愛玩各種數(shù)碼產(chǎn)品，生活里也經(jīng)常使用打車和訂餐軟件。每天回家前他都會用手機(jī)遙控打開家里的空調(diào)，和朋友約飯的時候也會在地圖軟件上查好地址通過微信群發(fā)。

　　小明喜歡的幾項(xiàng)功能，比如用手機(jī)遙控空調(diào)，其實(shí)是通過幾套程序?qū)崿F(xiàn)的。

　　簡單來說，編寫一個普通的程序，其實(shí)是告訴計(jì)算機(jī)一套處理方法。比方說一個計(jì)算器，編寫的時候就告訴它加減乘除法和開平方的定義，告訴它一個長算式里哪種計(jì)算優(yōu)先級高（比如乘除》加減）。編寫好了之后，這個程序就是計(jì)算器了，然而它除了加減乘除和開平方之外，別的什么都不能做。你不能用它來編寫文檔，也不能用它來叫車和訂餐——因?yàn)榫帉懻邲]告訴它除了算數(shù)以外的事。

　　但小明不想要一個程序控制空調(diào)、一個程序?qū)Ш?、一個程序刷臉記考勤，他希望所有的問題都能一站、自發(fā)地解決，這就需要人工智能。

　　這種新的計(jì)算機(jī)程序像人腦一樣，是可以舉一反三的。比如去年美國 MIT 的研究者就開發(fā)出了一種人工智能，先讓它學(xué)習(xí)幾個來自梵文的字母，它就能從之后數(shù)千個各種語言字母當(dāng)中找出所有的梵文字母。

　　它們可以認(rèn)字、聽懂人說的話、識圖，甚至通過一張圖中所有的物體和他們的位置關(guān)系，來判斷圖中正在發(fā)生什么。比如，人工智能有能力識別下圖中摩托車、駕駛者、頭發(fā)的顏色、圍觀群眾、馬路等元素，回答一些基本的問題。在未來經(jīng)過訓(xùn)練后，它也有能力做出“這是一次同性戀驕傲大游行活動”的判斷。

　　這樣的人工智能系統(tǒng)，都是“弱人工智能”。 人類對于人工智能的終極企圖是全知全能，也叫做“強(qiáng)人工智能”，它不但善于思考，學(xué)習(xí)能力超強(qiáng)，還能夠自我進(jìn)化。如果你看過電影《超驗(yàn)駭客》，約翰尼·德普實(shí)驗(yàn)的人工智能學(xué)家威爾·卡斯特在自己生命的遺留之際，將自己的大腦上傳到了電腦里。這個人工智能只用了幾個小時就幾乎接管了全球所有最主要的網(wǎng)絡(luò)系統(tǒng)，包括政府、軍方、銀行等等；過了幾年，它已經(jīng)統(tǒng)治了世界，用極高的效率開發(fā)出革新的醫(yī)療技術(shù)，不但能夠控制全球所有人的思維，還用智能化的生物微粒直接捏出了一個活的威爾·卡斯特。

　　盡管強(qiáng)人工智能至今還沒有誕生，但是弱人工智能也已經(jīng)非常了不起，它是怎樣實(shí)現(xiàn)的呢？

　　機(jī)器學(xué)習(xí)

　　機(jī)器學(xué)習(xí)是目前實(shí)現(xiàn)人工智能最主要的方式。再拿小明舉個例子：

　　小明喜歡吃橙子，他總結(jié)出一個規(guī)律：顏色越深，個頭越大，橙子越甜。但他新嘗試了美國加州大臍橙之后，發(fā)現(xiàn)之前的經(jīng)驗(yàn)不管用了：新的橙子，顏色越淺越甜。而小明的室友喜歡吃汁多的橙子，于是小明又學(xué)到一條：越軟的橙子汁越多。

　　掌握了這條規(guī)律，小明跑去希臘旅游時，按照之前的經(jīng)驗(yàn)買了橙子，卻一點(diǎn)都不好吃！原來，這里賣的橙子是從別的地方進(jìn)口的，綠色的好吃橙色的不好吃。

　　這種不斷嘗試的辦法實(shí)在太笨了，不如寫一個程序來搞定？這就到了機(jī)器學(xué)習(xí)的范疇。其實(shí)真實(shí)的程序很復(fù)雜，但其邏輯并不難理解：

　　首先，小明需要確定所有的橙子的特征，包括并不限于大小、顏色深淺、軟硬、產(chǎn)地等等，在這些特征之間建立一些聯(lián)系，比如 A 地生產(chǎn)的橙子越大越好吃，B 地生產(chǎn)的越軟水越多等等，然后再把所有這些數(shù)據(jù)都輸入到程序里。

　　現(xiàn)在，小明去菜市場，不再需要記住自己在哪個菜市場，去的哪個攤位，買的哪個產(chǎn)地的橙子，而是直接拿著一個橙子，把它的屬性輸入到這個程序里，程序會自動跑出“甜不甜”、“汁多不多”，甚至更直觀的“室友愛不愛吃”的結(jié)果。測試的多了，這個程序還會自動學(xué)習(xí)新的規(guī)律。

　　這些輸入給程序，以及程序自行學(xué)習(xí)到的規(guī)律，就是機(jī)器學(xué)習(xí)算法。這個程序就是一個機(jī)器學(xué)習(xí)的系統(tǒng)。

　　可機(jī)器又是怎么“學(xué)習(xí)”的呢？

　　神經(jīng)網(wǎng)絡(luò)

　　人類至今尚未明白人腦的工作原理，不過這沒關(guān)系，我們可以先復(fù)制出一個人腦的計(jì)算模型：一件事情并非像計(jì)算機(jī)程序那樣輸入指令輸出結(jié)果，而是在人腦的多個神經(jīng)元傳遞，每個神經(jīng)元都對信息進(jìn)行自己的加工，最后輸出的結(jié)果。計(jì)算機(jī)科學(xué)家用同樣的方式，在輸入和輸出之間，加入了非常多的“節(jié)點(diǎn)”，每個節(jié)點(diǎn)會對前一個節(jié)點(diǎn)傳來的數(shù)據(jù)，按照自己擁有的一個權(quán)重系數(shù)進(jìn)行加工，有時候節(jié)點(diǎn)還會分層。這就是“人工神經(jīng)網(wǎng)絡(luò)”（Artificial Neural Networks，ANN）。

　　我們還是用小明的選橙子程序來舉例。即便小明已經(jīng)輸入了自己大量的經(jīng)驗(yàn)，這個程序仍然不是一開始就總能準(zhǔn)確地判斷出橙子好不好吃的。它仍需要進(jìn)行大量的訓(xùn)練：小明輸入一個新橙子的特征，程序根據(jù)這些特征計(jì)算出各個結(jié)果的概率。

　　比方說，小明輸入“美國加州大臍橙”、“顏色淺”、“軟”，結(jié)果程序給出甜的概率 85%，不甜的概率 15%，汁多的概率 50%，水不多的概率 50%，室友愛吃的概率 66%，不愛吃的概率 34%。結(jié)果小明嘗了一下，發(fā)現(xiàn)的確很甜，但汁并不多，室友吃了不是很滿意，程序可以回去自動調(diào)整某些與“汁多不多”有關(guān)節(jié)點(diǎn)的權(quán)重。通過不斷地用最終結(jié)果去返回調(diào)試，這個神經(jīng)網(wǎng)絡(luò)給正確結(jié)果賦予的概率會越來越高，反之給錯誤結(jié)果的概率會越來越低。

　　歷史上，科學(xué)家還設(shè)計(jì)過多層的神經(jīng)網(wǎng)絡(luò)，每一層都會對前一層傳來的結(jié)果進(jìn)行再次加工，目的是模擬出一種“深思熟慮”的感覺，但最后發(fā)現(xiàn)結(jié)果準(zhǔn)確度并沒有提高，有的時候還會陷入誤區(qū)，就像人容易朝著一個思路越陷越深，最后鉆牛角尖了一樣。隨著技術(shù)進(jìn)步，卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），以及長短時記憶單元（LSTM）等新玩意的誕生，讓這一問題得到改善?，F(xiàn)在，最厲害的神經(jīng)網(wǎng)絡(luò)技術(shù)不但已經(jīng)非常接近人腦，還排除了很多人腦自身存在的低效的思維方式。

　　簡單來說，神經(jīng)網(wǎng)絡(luò)是一種模擬人腦，取其精華去其糟粕的計(jì)算架構(gòu)；利用神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)，則讓計(jì)算機(jī)不再只是執(zhí)行命令的機(jī)器，具有了一定程度上舉一反三的能力。

　　而將這個能力利用到造福人類的地方，就叫人工智能。