从很小的时候起，我就一直对人工智能充满好奇，后来还曾经买过各种关于人工智能的书籍，妄图了解与进入这个神秘的行业。然而现实总是无情的打击我：原来人类真的可以把书写的那么枯涩与难懂。
如果你对这个领域感兴趣，我个人建议先看看《游戏开发中的人工智能》这本书，里面关于人工神经网络和遗传算法的章节，我认为是最好的科普
后来开始世界上有了MOOC，我在Coursera上了无数人推荐与入门的那节Andrew Ng的《Machine Learning》，从完全不会matlab到两个星期用octave刷完所有作业。
然而，依然没有什么用。我觉得我学完这门课到我开始了解与实践机器学习用了3年，到我开始认识与正视人工智能，用了5年。
回到主题
现在的新闻总是把人工智能描述为解决一切行业问题的灵丹妙药，我一直认为这是不妥的。人工智能，包括现在如日中天的连接主义学派也好，还是传统的逻辑主义（符号）、控制论，现在都无法根本上解决企业的问题。
所谓连接主义，就是现在如日中天的深度学习一派，本派武功需要大量数据，内功不要求太高，但是内功高低往往决定一个人的根本水平。
人工智能无法单独作为产品。无论是IBM的waston还是Google的Deepmind，你经常会看到各种新闻提到他们“挑战医疗领域”，“进入XX领域”，“XX年内解决YY问题”。然而你在XX年之后，发现他们又是什么都没做到的样子？
首先一个问题是，为什么他们必须要进入XX领域呢？因为人工智能无法单独作为产品，它只是一种工具。就好像，自动驾驶，首先要有汽车与汽车驾驶，才会有自动驾驶。医疗、军事、金融，等等是人工智能的主战场，为什么？就是因为我们首先要有一个行业，然后要在行业内有大量的行业数据（金矿），然后人工智能才能在贴近行业的地方发挥一点点作用。
这让我想起我母亲的工作，我父母都是石油工人，母亲所研究的领域一直是“三次采油”，所谓三次采油在我的理解是：首先我们采油，这是第一次；油冒出的不多了，我们注水，这是第二次；注水的效果也慢慢小了，那我们尝试往里面注二氧化碳、微生物、乱七八糟的各种东西——这是三次采油
一般的数据分析是在做“二次挖掘”，人工智能希望做“三次挖掘”
传统数据其实已经很有效了，就好像网络黑市会有人兜售身份证信息、学籍信息一样，这种“一次数据”在很多时候已经可以满足一定的需要，产生价值。然而当它的价值越来越小的时候，或者挖掘它价值的成本越来越高的时候（通过人力如何肉眼看过100,000条信息？），才需要人工智能来进行辅助。
人工智能并不会让数据变多，甚至它的作用只是让数据“变少”，或者说让数据变为我们所需要的样子（降维、结构化、分类、聚类、可视化）。
单单从统计学习出发吧（近连接主义），人工智能就是把数据切片、揉搓、剪切，用人更好理解的方式呈现、展示、处理。没有它我们也可以做事，有了它也不能说我们就一定可以提高收益、降低成本，只是在一个特定领域内，在我们定义好的场景里，它可以以不高的成本，帮助我们完成某件事儿。
连接主义的方法我认为在很多需要大量数据处理的时候，都可以极大的节省人力资源，缺点是“会武功的人很多，招式连贯的人很少”。
其实我个人觉得连接主义、统计学习的各种方法，还是在解决问题的“术”，符号主义的做法可能更能让大力丸进化到“法”和“道”的层次。
假设一个公司的数据，从一端（来源、收集）到另一端（销售、实践、应用）需要很多流程，尤其是需要很多人工流程。那么深度学习，也许可以代替其中某个流程，单单在这个流程下，提高效益，降低人力成本。
不过机器能不能完全代替整个流程？也就是把数据的清理、筛选、应用，打造成一个完整的闭环？至少深度学习不行，但是也许符号主义可以。铁打的营盘流水的兵，符号主义的理想就是打造这样一个营盘。
