01 什么是人工智能？

说到人工智能，你们可能会想到阿尔法狗。以下是0比3惨败于人工智能的围棋世界冠军柯洁。这位曾经连续32个月在人类围棋排行榜上排名世界第一、骄傲到自负的19岁围棋天才，和阿尔法狗连续进行了三次漫长的对弈，每局都超过了三小时。他绞尽脑汁，交替用不同的战术对付阿尔法狗，保守、激进、防御、出其不意。。。但遗憾的是这些战术全部失效，阿尔法狗让柯洁无机可乘，在迈向胜利的过程中一步步收紧着它的铁钳。对弈终局，认输的那一刻，柯洁终于无法抑制地擦了擦眼泪。也许这将是对他职业生涯的一次毁灭性打击。

有的小伙伴可能就纳闷了，人工智能和电脑有啥区别？

人工智能是一个很广泛的概念，兎兎就不贴百度百科的标准答案了，谈谈我自己的理解（hu shuo ba dao）吧。简单来说，为啥有人工智能这个概念呢？因为人类觉得现在的计算机还不够智能！太笨了！还要人类输入指令，它再给你个计算结果。说白了只能充当工具，无法帮你做出决策。人工智能就是人类让机器能自己做出决策的一种尝试。

最初的人工智能，是专家系统（expert systems）的思路。也就是把某个特定领域人类最顶尖的专家知识和经验，写进软件里，让机器模拟人类专家进行决策。形象点可以这么解释，就是把专家经验做成了一个模型（函数公式），到需要机器决策的时候，把能影响决策的因素都变为参数带入公式里进行计算，得出结论。

听起来挺科学，但能实现的智能程度依旧很低。因为预先写进去的几套逻辑规则，只能代表出现频率最高的有限几种情况的解决方案，还有很多专家自己也不知道的特殊疑难问题，以及专家知道但是没写进去的、和生活经验有关的常识问题。举个例子吧，如果让专家系统“识别给出的图片里有猫吗？”，那么可能输入进去的逻辑规则是“一个圆上面有两个三角形”或“圆眼睛，有胡须，四条腿，有尾巴，体型较小”等。一旦图片里猫咪的角度有所变化，或者参照物发生变化，机器就会给出错误的识别结论，而对人类来说，可能五岁的幼童就能不费力的准确识别每张图片里的猫。

换句话说，我们很难把图像、视频、声音的所有特征都穷尽地去用逻辑规则表达出来。就好比电影的信息量永远比小说要多得多。小说也许就是挑选关键的一帧，对关键的特征进行描述，剩下的部分靠人们结合自己的生活经验自行想象。而机器无法拥有自己的生活经验和想象，这就使得它做决策的能力无比僵化，远弱于人类。

02 神经网络方法和深度学习

通过上面的描述，我们可以知道，专家系统只适合用于那些极其简单又高度重复的工作，而很难在稍微复杂的情况下为人类提供超越人类生活经验的智能。于是，科学家们开始希望机器能够自己学习，掌握人类的生活经验。机器学习和神经网络方法因此而诞生。

我们用一个图来概括人工智能和深度学习之间的关系。人工智能有两条路线，一条是专家系统，另一条是机器学习。机器学习算法中，目前应用最广泛、精度最高的是深度学习算法，包括两种模型RNN和CNN。 细心一点的小伙伴可能可以发现，RNN和CNN的中文名字里面都包括了相同的四个字“神经网络”。神经网络方法的思想在于让机器模拟人类大脑，从而模拟人类获取生活经验的方法。人类大脑的神经网络由一个个互连的神经元和神经突触共同组成，单个神经元只会解决最简单的问题，而解决问题的过程就是把复杂问题分成一个个简单的小问题，每一层神经网络就解决每一层的问题，得到结果后传递给下一层神经网络进一步分析。

最初的算法模型只能训练一层神经元，而解决复杂问题需要多层神经元，因此神经网络方法用途有限。直到2006年杰弗里.辛顿提出了“深度学习”的概念，从而找到了有效训练多层次神经网络的算法模型。通过深度学习算法，人类无须预先给机器设定应对所有情况的决策规则，而是灌输给机器大量数据——图像、视频、语音、棋谱等，让机器从世界上多个人的生活经验片段中自己去学习总结，得到更加完整的真实世界经验，这时的机器，就变身为充满人生阅历和智慧的老妖怪，给人类提出的建议当然是更加可信的。自行想象，你有个啥问题，全世界的人都用自己的生活经验给你提出意见，然后电脑给你整合一下，是个什么感觉？

03 人工智能的发展还需要什么？

虽然说有了神经网络方法，似乎比专家系统更进一步，但目前人工智能的发展实际上依旧处于初级阶段，对人类干预的需求还比较高，说白了其实还处于牙牙学语的宝宝阶段。

我们当然希望它能尽快长大，帮助人类做更多的事情。那么它长大的条件和养料有哪些呢？有三个东西，分别是海量数据、超强算法和超强算力。

第一个养料——海量数据，我们早已充足。Forrester估计，每部智能手机1天平均产生1G数据，全球智能手机用户数量保守估计20多亿，每天20多亿G。如果用普通的1 TB硬盘（1024 G），1年就需要近8亿块硬盘，远超全球硬盘产能，大约能环绕地球两圈多接近三圈。

第二个养料超强算法，目前正处于发展的快车道，在极速更新迭代。深度学习算法的整体框架在2006年提出以后，便在辛顿的基础上不断有修修补补的阶段性创新。这个领域百花争艳，天才辈出，兎兎便不详细介绍了。

第三个养料超强算力却是我们当下最大的短板。它一方面可以依赖于算法创新提高硬件利用效率，但更多的还是依靠硬件架构的创新实现更为直观和指数级别的突破。换而言之，AI的发展，与AI芯片的发展息息相关。下一篇，我们将介绍AI芯片