前言

近日看了李开复的《人工智能：李开复谈AI如何重塑个人、商业与社会的未来图谱》，勾起了自己与人工智能的记忆。

从1999年进入大学到现在2017年，与人工智能之间的故事可以分为四个阶段：

第一阶段 初识不解：1999-2002

第二阶段 朦胧体验：2003-2005

第三阶段 从业其中：2005-2014

第四阶段 充满期待：2015-至今

第一阶段 初识不解：1999-2002

大学时学的专业是自动化，是因为对工业机器人和科幻中的人工智能感兴趣。大学的控制理论在学生心中可以分为三大类。

第一种经典控制理论。它简单易懂，且有在工业中大规模使用，于是赢得了大家的认可。

第二种现代控制理论。它对数学挑战很大，且主要应用于高精尖领域，很神秘。

第三种智能控制理论，听上去很高大上，但属于边缘。当时学院中仅有一名老教授主攻该领域，于是成为大家谈谈很高兴，但不研究的地带。

当时至少在高校中，人工智能还处在研究低潮，这与国外发展有一定的延后。学习完智能控制，知道了神经网络、BP算法，也模拟计算机计进行了最简单的学习过程，即进行了神经元间连结权重的优化，但完全没有将抽象的数学过程与具体的问题结合起来。

第二阶段 朦胧体验：2003-2005

到了大四，凭兴趣选择了足球机器人的课题。于是有机会实际接触多agent间的协作算法、机器视觉等。协助师姐，研究了基于吸引力的机器人路径规划算法。体会到一个无生命的个体，可以按照某种逻辑在球场上与对手周旋，很是奇妙。

上研究生后，由于同屋的大哥是研究车牌照识别，于是在日常的沟通、讨论中，对于模式识别、马尔科夫模型、图像处理有了基本的了解。

第三阶段 从业其中：2005-2014

毕业后进了一家以自然语言处理技术著称的公司，在其数据挖掘就职。这些年的时间里，对于自然语言处理、模式识别等了有了亲手实践的经历。总共涉及以下几个方面：

1、基于决策树的网页内容模块的识别

基于决策树算法逻辑，研究可自动化识别网页内容模块的算法。与标准机器学习中决策树做法的差异在于两点：一是训练过程中，特征统计及选择没事显示自动化；二是算法与模型数据没有隔离。

在简单内容模块识别时，封闭语料的正确率和召回率能在95%，开放语料的结果也满足实用需求；但在识别论坛帖子这类复杂模块时，则遭遇了投入与产出不成比的情景，识别算法的扩展性和适应性面临很大挑战。

这主要是当时对于机器学习的理解还不到位。

2、基于协同过滤的阅读推荐

当时做的算法类似于现在购物网站的商品推荐，或类似于今日头条的新闻推荐。其核心本质是一致的。

遗憾的是没有机会在大规模数据上进行算法的磨练。

3、基于SVM的文本分类

基于libSVM做了文本分类原型，在内部做过培训、分享，但未能在工程实践中应用。

4、基于马尔科夫模型的分词

受内部熏陶，对于中文分词的原理算法有了基本的了解。尤其是微软的黄昌宁教授来司做的技术报告，让当时我对于统计技术的魅力很是着迷。由于当时缺乏技术洞察力，没有意识到一个新的时代已经走近。

5、面向用户自定义专家系统规则的脚本语言

专家系统上世纪备受诟病，但在特定领域效果很好。于是当时研发了一套支持客户自定义简单规格的脚本语言，实现了专家系统的定制化和易扩展。

第四阶段 充满期待：2015-至今

由于工作原因，与人工智能距离远了。但李飞飞教授在TED上的演讲，让我惊奇的发现人工智能竟然有了如此的突飞猛进。

借助参加谷歌IO大会，阅读《人类荣耀》、《必然》、《未来简史》，让我对人工智能未来充满遐想。

在学习了《机器学习》《深度学习》，感叹自己当下数学积累不足。

后记

虽不在人工智能行业，但对于人工智能的热情不减。期待某天可以再次投入其中。