文/随风的晓
2016年3月，Google旗下Deepmind公司开发的人工智能机器人AlphaGo以4:1的总比分战胜围棋世界冠军、职业九段李世石。这是人类历史上人工智能首次在公开场合中战胜人类围棋冠军，也是人工智能史上的一个历程碑。
一时间，关于人工智能的报道铺天盖地地见诸各大媒体，直到今天这个话题仍然方兴未艾。人工智能离我们的生活似乎已经非常近了，但是它到底是什么？是否意味着机器也像我们人类一样能够思考了呢？
如果取“人工智能”四个字查看它的百度词条解释，你应该能看到关键词“机器学习”，然后就是大段大段技术研究、主要成果等的文字描述，但是还是没搞明白什么是人工智能。
然后继续百度“机器学习”，你能看到词条解释它是人工智能的核心，然后是一大堆专业名词如概率论、统计学、逼近论、凸分析……然后你就被这种专业名词套专业名词的情况搞得凌乱了，深深吸一口气的时间，你瞬间做出了一个明智的决定：这种高大上的东西得交给专家，我们普通老百姓还是洗洗早点睡吧。
以上场景就是我在初次接触人工智能时的遭遇。前Google资深研究员吴军博士在他的著作《数学之美》提到世界上最好的学者总有办法深入浅出地把大道理讲给外行听。可惜，生活中我们总是遇到半桶水、喜欢故弄玄虚的专家。
其实人工智能远没有想象中那么复杂，现阶段的人工智能离真正能够思考的“人工生命”也差得很远。想搞清楚什么是人工智能，我们得先搞清楚三个核心名词：机器学习、人工神经网络以及大数据。
首先是机器学习。
顾名思义，机器学习是指通过某种方法让机器能够“学习”。听着很悬其实很简单，为了便于理解我们从一个简单的例子讲起。
生活中我们经常会遇到判断题，需要我们去判定一个事物是a还是b。如果今天机器也需要解决这个问题，机器该怎么做？如果这个问题进一步简化到二维平面上，我们在一张白纸上分别画了一堆蓝色圆点和一堆红色的X（如下图），该如何区分蓝色圆点和红色的X？
人怎么区分蓝色圆点和红色的X我就不多说了，对机器而言最简单的方法就是在纸上划一条线，将蓝色圆点和红色的X分开，左侧就是蓝色圆点，右侧就是红色的X。
如果用机器学习的语言描述这个过程，就是计算机接收到一个区分蓝色圆点和红色的X的分类任务，计算机在这个二维平面使用一个函数f(x) = ax+b，根据所有蓝色圆点和红色X的坐标，确定出这个函数f(x)的斜率a和截距b。最后计算机根据每个蓝色圆点或者红色的X所在的坐标(在直线的左侧还是右侧)，判断它是蓝色圆点还是红色的X。
以上整个过程就是一个最简单的机器学习过程。函数f(x)被称为机器学习算法，而利用所有蓝色圆点和红色X确定最终f(x)的过程，就是机器学习的模型训练过程。
生活中的分类问题会更复杂，会让你识别动物，识别建筑物……等等。但是整个机器学习的过程本质是一样的，区别无非是从上述的二维平面的识别问题上升到n维空间，使用的机器学习算法更加复杂而已。
然后是人工神经网络。
首先不要被它的名字唬到。
它同人脑的神经网络没有半毛钱的关系，更不是那种模拟人脑的神经网络来实现某些强大功能的黑科技。除了借用生物学的名词来做一个形象的比喻外，它本质上还是一种分类机器学习算法，只不过这种机器学习算法能实现的功能非常强大而已。
经典人工神经网络算法分为三层，如上图。第一层有输入点X1和X2，第二层有中间点s1和s2，第三层有输出点Y1和Y2。我们仍然用之前识别蓝色圆点和红色的X的例子来解释什么是人工神经网络。
假如我们已经知道其中某个蓝色圆点或者红色的X的坐标是（x1, x2），我们将坐标x1和x2分别输入到人工神经网络的输入点X1和输入点X2中，得到中间点s1和s2，进而计算出输出点Y1和Y2。我们假定：如果Y1>Y2，判定坐标(x1, x2)对应的是蓝色圆点，否则判定它是红色的X。
当然，在这个过程中我们需要大量的蓝色圆点和红色的X的坐标，计算出最合适的函数s1、s2、y1和y2各自的系数，从而训练出最合适的人工神经网络模型。
如何？经过一番简单的解释后，是不是觉得人工神经网络其实也没有那么神秘了。
最后，说说大数据的事情。
大数据其实更是简单不过。虽然在一些介绍大数据的书籍将大数据也说得神乎其神，但是就本质而言大数据的确如它的名字一样，指的是海量的数据。
那么，这海量的数据、也就是所谓的大数据有什么神奇的作用呢？在以前，我们没有、同时也没法处理数量巨大的数据，因此像人口普查、估计海洋鱼类资源等等工作都采用抽样统计的方式，用样本数据的情况来估计总体的情况。
使用抽样的方式虽然简单，但是也够粗暴，很多时候会遇到抽样的结果和真实的总体情况差很远的情况。比如说，因为某个时间点一所大学的校门口出来10个学生都是男生，就得出这所大学没有女生的结论，这个抽样统计结果要是公布出来，就只能贻笑大方了。
因此到了后来，通过大量数据来推断总体情况、而不是少量的抽样统计推断总体，越来越受到大家的肯定。
而大数据与前面提到的机器学习结合，用大量数据来训练机器学习算法，得到的算法模型远比用少量数据训练的算法模型准确。
搞明白了以上三个名词，我们也就能理解人工智能了。
到目前这个阶段，人工智能说穿了，就是在大数据的支持下，利用包括人工神经网络在内的各种机器学习算法，让计算机实现包括图像识别、自然语言处理、语音识别在内的等等功能。
再回过头看看开头提到的AlphaGo的事情。
2017年5月，AlphaGo在继击败李世石九段后，在乌镇围棋峰会上再次3:0完胜当时排名第一的世界围棋冠军柯洁。
为什么说AlphaGo击败世界围棋冠军具有里程碑意义呢？
先看看AlphaGo是个什么东西。
就本质而言，AlphaGo是一款基于多层人工神经网络的人工智能程序。它通过两个不同的人工神经网络“大脑”合作来改进下棋。第一个大脑落子选择器，用于预测每一个合法下一步的最佳概率；第二个大脑棋局评估器，在给定棋子位置情况下，预测每一个棋手赢棋的概率，通过整体局面判断来辅助落子选择器。
再看看AlphaGo的对手柯洁。
查询百度词条，柯洁出生于1997年，2003年正式开始学围棋，2014年在gorating世界围棋等级分排名中首次排名第一。年仅17岁的柯洁，历经11年就能成为人类围棋世界第一人，怎么说都算得上出类拔萃。根据柯洁曾经4年下棋4000多盘的经历推算，与AlphaGo交锋前的柯洁一生下棋的盘数大致在12000~20000盘左右。
而它的对手AlphaGo呢？据AlphaGo团队的人工智能科学家介绍，比赛前输入模型的棋局数不下数百万盘，几乎是柯洁的百倍。在AlphaGo之后，AlphaGo的进化版本 AlphaGo Zero很快又超越了AlphaGo击败柯洁时的水平，而且AlphaGo Zero达到这个水平仅仅用时21天。
是的，训练用时21天的人工智能就达到了一个人类最顶尖围棋手12年的训练水准，这也是今天的人工智能最强大的地方。
我们普通大众不必要对人工智能过于恐慌，但是也不能对于它一无所知。只有了解它，正视它，才能在未来的生活与人工智能更和谐的一同生活在这个世间。
