混沌·创新院——卡内基梅隆大学教授 机器学习和医疗中心主任 邢波 《人工智能-智能模型》
最近看到邢波教授关于人工智能的一个公开课，觉得里面对于人工智能的发展历程总结得非常好，可以让我们从源头上了解AI这个东西，并畅想未来人工智能将发展到何处去，在此将听课笔记和联想整理在这里。
这个课程的百度云链接放在这里，课程分为3部分，总时长在80分钟左右，需要的话可以自取，笔记只是提炼，邢老师的课程听视频的话很有意思的。
链接：https://pan.baidu.com/s/1IppMoZ9sZyQs9glphEFc5Q
提取码：r9g8
以下为笔记部分：
1830.4.28 钢铁巨兽的来临（巴尔的摩火车与马车的比赛）——人的机械制造对自然界的力量造成了冲击，也使人类产生了恐慌——马车夫是不是会失业？
2016.3.8 硅基智能的降临（基于电子芯片（单晶硅为材质）而不基于细胞（以含碳有机物为材质）的智能）（AlphaGo以压倒性优势战胜多位围棋冠军）——人类智慧的堡垒围棋被人工智能攻破
电影《未来世界》（“I will destroy my original”我会毁灭我的原型）——人工智能会不会毁灭人类？
人工智能是什么?
智能——从自然或人工环境中感知和解析信息，提炼知识并运用于自适应行为的能力
亚里士多德——如果有工具可以自动自主地去工作，能够把学徒，奴隶这样的人解放出来，是一件很好的事
基石假设1——人类的思考过程可以机械化，即形式推理（Formal Reasoning，从真实前提推出真实结论的形式）
2000年前，中国，印度和希腊哲学家提出了形式推理的结构化方法
400年前，笛卡尔等人尝试将理性的思考系统化为代数学或几何学这样的体系
希尔伯特之问——能否将所有的数学推理形式化？那么就可能将数学命题进行自动化证明
罗素，怀特海《数学原理》——从逻辑的“第一性原理”出发，对数学给出了“完备”的形式化表述
哥德尔不完备定理——如果一个（强度足以证明基本算术公理的）公理系统可以用来证明它自身的相容性，那么它是不相容的（鸡生蛋蛋孵鸡，要想证明一个问题，那么首先要提出一个问题。真实性与可证明性之间存在一个缝隙，例如语句的悖论。“我下面这句话是对的”，“我上面这句话是错的”，这个悖论无法用形式推理来证明）——形式推理无法穷尽人类的思考
邱奇-图灵可计算性——任何在算法上可计算的问题，同样可由图灵机计算（一台仅能处理0和1这样简单二元符号的机械设备能够模拟任意数学推理过程，所以我们能够造计算机解答任何可以言说的事物）——虽然形式推理不能穷尽所有的事物，但图灵机可以穷尽所有的形式推理，因为二进制天生可以通过真假做出判断
基石假设2——机械化的思考可以用工程实现
信息论&控制论——神经学发现大脑是由神经元组成的电子网络，其激励电平只存在“有”和“无”两种状态（可以二态），维纳的控制论描述了电子网络的控制和稳定性，香农提出的信息论则描述了数字符号（即高低电平代表的二进制符号）中的信息表达，编码，传播原理——形式推理的机械原理支撑
图灵&冯·诺依曼——现代二进制计算机
皮茨·麦卡洛人工神经网络——人的神经可以使用二元网络进行简化
人工智能的曙光——数理逻辑的突破，计算机的发明，控制论，信息论等的建立，不同领域的科学家开始探讨制造人工大脑的可能性
如何判断机器拥有智能？
图灵测试（1950）认为“电脑能像人类一样聊天吗？”这个问题是判断机器是否拥有智能的关键
达特茅斯会议（1956年9月）：“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟”。达特茅斯会议标志着“AI（Artificial Intelligence）”这个词汇的诞生。
此次会议之后，人们对于实现人工智能持非常乐观的态度，与此同时发生了以下的事情：
搜索式推理——“逻辑理论家“程序：可以证明罗素《数学原理》中52个定理的38个
自然语言——STUDENT程序：可以做高中水平的应用题（但需要人工翻译给程序进行理解）
聊天机器人：与人进行简单的英语对话
人工神经元——感知器
以上的种种，使得人工智能的第一个浪潮和黄金时代来临了。Herbert Simon认为，十年之内，数字计算机将发现并证明一个重要的数学定理（1958）。二十年内，机器将能完成人能做到的一切工作（1960）。Marvin Minsky认为，一代之内，创造”人工智能“的问题将获得实质上的解决（1965）。在三到八年的时间内我们将得到一台具有人类平均智能的机器（1970）。（实际上”人类平均智能“这个很难定义）
然而，人类低估了短期的困难。
人工智能的严冬（1974-1980）：模型和算法的局限使得人工智能的发展停滞不前，例如”异或问题（XOR）“无法通过第一代线性神经网络来解决
难题之一：计算复杂度指数型爆炸，很可能大到现实中无法计算，这个问题我们称之为NP问题（很多数学计算的复杂度是NP困难的，这些计算能否能在多项式时间内获得解答存在争议）。Karp证明了很多问题是NP问题。
难题之二：缺乏常识。机器没有人的很多常识，我们可以认为是没有情商。
难题之三：莫拉维克悖论——人类所独有的高阶智慧能力只需要非常少的计算能力，例如推理；但是无意识的技能和直觉却需要非常大的计算能力（对于人和机器来说，长处和短处恰好相反）
难题之四：复杂的决策
面对寒冬，科学家们没有放弃。
回归逻辑基础——John McCarthy提出了名为”纳谏者“的一个程序构想，将逻辑学引入了AI界。Alan Robinson发现了计算机上实现推理的简单方法：归结（resolution）与合一（unification）算法
从逻辑进行形式推理——编程语言Prolog
专家系统，通往实在之路（由笼统地研究人工大脑转为解决一个特定的场景和问题）：第二次浪潮（1980-1987），专家系统获得赏识，”知识处理“成为主流AI研究的焦点
连接主义的重生：Hopfield网络（1982）和反向传播（1986）——这两个模型需要神经网络相关知识
Hopfield网络：https://blog.csdn.net/weixin_39707121/article/details/79041536
反向传播：https://www.cnblogs.com/charlotte77/p/5629865.html
再次入冬：专家系统维护成本高，经费削减。
我们可以看到人工智能的发展趋势是跌宕式的演进，伴随着人们的畏惧，期望与失落。我们目前正面临着人工智能的第三次高峰。
第三次复兴——机器学习
为什么是现在？
数据优势——网络效应：大数据助推
软件优势——算法提升：近些年算法发生了很大的发展，为机器学习提供了理论准备
硬件优势——计算能力
但是机器学习还是以黑匣子的方式，其中的一些运作原理无法剖析
那么我们需要什么样的AI？是浪漫的AI还是更具有理性的AI？是以模仿人类为目的的AI还是以实现某些特定功能的AI？
以“飞”举例，人工智能要用仿生学的方法去实现还是用工程学的方法去实现？
仿生学——仿生反向工程（原理不清，技术复杂，难以分析制造）
工程学——数学模型+计算引擎
AI的最初理想失败了，但AI的现实应用成功了
如果人工智能可以实现一些本来人也无法做到的功能，那么它们不但不会给人类带来威胁，反而会给人类带来便利
以下为个人总结和联想部分：
关于人工智能，我们已经知道它已经经历了两个浪潮，在波峰和波谷之间徘徊，承载了人们的希望与失落。
那么为什么人工智能前两次会从波峰跌入波谷？
第一次的跌入是因为人类当时将人工智能的目标定义为制造出一个类人机器，但是由于人类的情商在当时无法模拟等原因，人工智能的方向转为去解决一个特定的场景或问题，但此时因为维护成本高等原因被打入了冷宫。近年来由于软硬件的大幅提升，我们迎来了人工智能的第三次浪潮，那么在方向上偏向实际应用，在软硬件方面也暂时解决，那么这次浪潮会走得比较平稳。
那我们打开脑洞，在什么情况下人工智能会再次走向波谷呢？
前面已经提到，形式推理无法穷尽人类的思考，尽管形式推理可以机械化，但是由于“无法被穷尽”这种特性，导致我们也无法穷尽人工智能的所有应用方向，这就需要人工智能在“自思考（自问自答）”方向的发展。
目前我们可以预见，不同的人工智能会在不同领域做到很好，但是如果人工智能的方向再次从单一场景的应用转向全场景的智能，做一个类人甚至超人的人工大脑，此时我们无法为这种人工智能穷尽场景，去编写算法，那么此时就需要一种方法能够保证人工智能在这些场景中的自适应，去自行识别并构建解决实际问题的能力，这对于人工智能将是一个极大的考验，软硬件方面也会有极大的要求。也就是说，现在对于人工智能的发展方向是一个个APP形式的应用，那么当我们需要构建一个系统级的人工智能时，这将是一个决定人工智能发展的重要节点。
所谓“思考”的能力不仅包括解答问题的能力，也包括“提问”的能力，求知的能力。当人工智能可以学会提问，并能够解决自己所提出的问题的时候，这时就形成了真正的闭环，人工大脑形成，人类在第一个波峰时所畏惧的“人工智能取代人类”的预言可能真的会成真了。
“学而不思则罔，思而不学则殆”。孔子教育我们人类的话，也许会在人工智能身上得到验证。
网友评论