讀《認(rèn)識(shí)AI》
1、最近 ChatGPT 越來越熱，都已經(jīng)到了馬斯克等千人簽署公開信，呼吁暫停開發(fā)更強(qiáng)大的 AI 系統(tǒng)，擔(dān)心人工智能開發(fā)危及「文明控制權(quán)」，而我這個(gè) AI 小白決定要系統(tǒng)性的學(xué)習(xí)下 AI 相關(guān)知識(shí)了。
2、我之前說過，看書是系統(tǒng)化學(xué)習(xí)比較有效的一種方式，于是我找到了《認(rèn)識(shí) AI》這本書，這本書非常適合入門，整本書只有 200 頁，涉及了 AI 的方方面面，很多地方都以生活中實(shí)際的例子進(jìn)行類比，即便是非技術(shù)人員也能很好理解。
3、AI 是 Artificial Intelligence 的縮寫，中文名是人工智能，這個(gè)現(xiàn)在耳熟能詳?shù)拿郑尤辉?1955 就被創(chuàng)造了，1956 年的達(dá)特茅斯會(huì)議上由約翰·麥卡錫提出，討論了要讓計(jì)算機(jī)能像人一樣具有智能。約翰·麥卡錫也被稱為人工智能之父。
4、人工智能的一個(gè)分支是符號(hào)和模式匹配，通過符號(hào)和模式匹配的方式對(duì)信息進(jìn)行處理然后輸出結(jié)果，當(dāng)不能匹配時(shí)就沒有結(jié)果返回，這種方式適合垂直領(lǐng)域，像客戶機(jī)器人、天貓精靈等都屬于這種。
5、另一個(gè)分支就是機(jī)器學(xué)習(xí)，就是讓機(jī)器能像人一樣進(jìn)行學(xué)習(xí)，這就突破了符號(hào)模式匹配的限制。例如在符號(hào)系統(tǒng)中，數(shù)據(jù)中有 10 個(gè)小狗的照片，如果你提供的的照片在這個(gè)范圍內(nèi)，就能識(shí)別，否則就不能匹配，而在機(jī)器學(xué)習(xí)中，可以提取海量小狗照片進(jìn)行特征提取，當(dāng)提供一個(gè)范圍外的小狗照片，只要特征符合，就能識(shí)別。
6、機(jī)器學(xué)習(xí)分為有監(jiān)督和無監(jiān)督，就像小朋友學(xué)習(xí)一樣，找一個(gè)好的老師帶著學(xué)，這就是有監(jiān)督；讓小朋友自己不斷試錯(cuò)和觀察，找到規(guī)律的學(xué)習(xí)方式就是無監(jiān)督。對(duì)應(yīng)到機(jī)器學(xué)習(xí)中，有監(jiān)督就需要對(duì)數(shù)據(jù)足夠了解，知道什么樣的輸入能產(chǎn)生什么樣的輸出，就像老師對(duì)所有知識(shí)都了如指掌一樣；無監(jiān)督我們只需要提供數(shù)據(jù)和算法，讓機(jī)器自己去尋找內(nèi)在聯(lián)系和規(guī)律，數(shù)據(jù)量越大，結(jié)果越好。2015 年名震一時(shí)的 AlphaGo 就是通過無監(jiān)督來進(jìn)行學(xué)習(xí)的。
7、思考：我們現(xiàn)在做的低代碼產(chǎn)品，在項(xiàng)目實(shí)施過程中，不同經(jīng)驗(yàn)的人達(dá)到同樣的業(yè)務(wù)目的，采用的方式可能完全不同，那是否能將這些經(jīng)驗(yàn)讓機(jī)器進(jìn)行學(xué)習(xí)，通過自然語言進(jìn)行場景描述，就能給出一個(gè)最優(yōu)解呢？而對(duì)于相對(duì)確定的內(nèi)容，比如特定故障的處理方式，就可以使用模式匹配的方式給出明確答案。
8、上面提到的有監(jiān)督、無監(jiān)督是學(xué)習(xí)的方式，在具體學(xué)習(xí)時(shí)還是需要根據(jù)不同場景使用不同的算法，常見的算法有下面這些：
- 決策樹：是一系列指引幫助你做決定的流程，如游戲中的選項(xiàng)。例如：外出玩要穿什么衣服？如果天氣熱就穿T恤短褲,如果下雨就穿雨衣雨鞋，天氣涼快就穿件夾克。這就是一個(gè)簡單的決策樹。常用于數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)中的分類和回歸問題。
- k最近鄰：找到最相似的 k 個(gè)同伴,然后看看他們的決定，你也做同樣的決定。例如：不知道周末去玩什么，找 k 個(gè)最好的朋友問問他們周末的計(jì)劃，然后你也去做類似的活動(dòng)。主要用于分類問題。
- k均值聚類：把相似的項(xiàng)劃分到同一個(gè)組中。例如：小朋友有 10 個(gè)糖果，可以通過觀察糖果的顏色、形狀等屬性，將相似的糖果放在一組中，最終將10個(gè)糖果分成多組。它用于無監(jiān)督學(xué)習(xí)的聚類問題。
- 回歸分析：找到兩件事之間的對(duì)應(yīng)關(guān)系。例如：通過測(cè)量小學(xué)生的身高和年齡：建立年齡與身高的對(duì)應(yīng)模型，可以預(yù)測(cè)某個(gè)年齡的孩子大概的身高。它適用于回歸和預(yù)測(cè)問題。
- 樸素貝葉斯：通過統(tǒng)計(jì)學(xué)計(jì)算，對(duì)未知事物進(jìn)行概率預(yù)測(cè)。例如，對(duì)于一篇文章，如果出現(xiàn)了與體育相關(guān)的單詞，那么樸素貝葉斯算法就會(huì)認(rèn)為這篇文章屬于體育類別的概率更高。
9、書中還提到一個(gè)重要的機(jī)器學(xué)習(xí)算法：人工神經(jīng)網(wǎng)絡(luò)，它模擬了人類神經(jīng)系統(tǒng)的結(jié)構(gòu)和工作原理，能夠?qū)W習(xí)和處理復(fù)雜的數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)分為三層，下面用一個(gè)例子來解釋下這三個(gè)層級(jí)：
假設(shè)我們要訓(xùn)練一個(gè)人工神經(jīng)網(wǎng)絡(luò)來識(shí)別手寫數(shù)字。
- 輸入層：將數(shù)字圖片輸入到神經(jīng)網(wǎng)絡(luò)的輸入層，輸入層會(huì)將每個(gè)像素的值作為輸入，傳遞給下一層隱藏層。
- 隱藏層：在隱藏層中，每個(gè)神經(jīng)元都會(huì)對(duì)輸入的像素進(jìn)行各種處理和計(jì)算，提取特征。通過調(diào)整權(quán)重和偏置，隱藏層可以學(xué)習(xí)如何提取數(shù)字圖片的特征，比如邊緣、線條、圓弧等。
- 輸出層：最后，神經(jīng)網(wǎng)絡(luò)會(huì)將隱藏層的輸出傳遞到輸出層，輸出層會(huì)計(jì)算每個(gè)數(shù)字的概率，并輸出概率最高的數(shù)字作為識(shí)別結(jié)果。
10、機(jī)器能夠通過學(xué)習(xí)解決很多的問題，但要讓人可以方便地和機(jī)器進(jìn)行溝通，這就需要用到自然語言處理技術(shù)（NLP），NLP 是自然語言理解（NLU）和自然語言生成（NLG）的結(jié)合，一個(gè)輸入，一個(gè)輸出，結(jié)合起來就是 NLP 了。關(guān)于 NLP 書中提到了很多的挑戰(zhàn)，現(xiàn)在 ChatGPT 都解決得很好，ChatGPT 可以很輕松地理解我們要表達(dá)的意思。
11、總的來說，這本書可以讓我們了解到很多人工智能相關(guān)的很多概念，通俗易懂，也不需要有很強(qiáng)的背景知識(shí)，可以為后面進(jìn)一步學(xué)習(xí)打下基礎(chǔ)。