1、人工智能(Artificial Intelligence，AI)、機(jī)器學(xué)習(xí)(Machine Learning，ML)、模式識(shí) 別。其實(shí)，上面列的這些學(xué)科本質(zhì)上都沒(méi)有太大區(qū)別，只不過(guò)它們要解決的核心問(wèn) 題不同，而運(yùn)用的數(shù)學(xué)模型如出一轍。先說(shuō) AI。這個(gè)詞大眾比較熟悉，通常一個(gè)電子游戲的 AI 直接決定了游戲的可玩 性。簡(jiǎn)單的 AI 比如超級(jí)瑪麗里會(huì)扔刺猬的云怪，復(fù)雜的 AI 比如紅色警戒中需要操 縱整個(gè)國(guó)家的電腦敵人。我很小的時(shí)候就在想這些算法得有多么復(fù)雜。慢慢地我意 要么控制基地建設(shè)；而電腦的每個(gè)單位都有獨(dú)立的思考能力和通信能力。這些是通 過(guò)設(shè)計(jì)邏輯來(lái)實(shí)現(xiàn)的(難怪在 98 年買(mǎi)的電腦上跑一點(diǎn)也

2、不卡)，比如坦克的邏輯可 THEN撤退”等等。 是窮舉，也可以是多個(gè)因素連接成的網(wǎng)絡(luò)，比如下圖(稱(chēng)為貝葉斯網(wǎng)絡(luò)， Bayesian Network)，這是一個(gè)通過(guò)判斷是否有地震和盜竊的簡(jiǎn)單的智能系統(tǒng)。用貝葉斯網(wǎng)絡(luò)做決策，需要設(shè)置的參數(shù)都是概率形式的，比如地震發(fā)生的概率是 參數(shù)有了之后，當(dāng)有一天警報(bào)響起，系統(tǒng)就能夠回溯地計(jì)算出警報(bào)響是由地震發(fā)生 引起的。下面說(shuō) ML。ML 是最可怕的部分。上面說(shuō)的AI 系統(tǒng)的規(guī)則都是人為設(shè)定的，所 以它的表現(xiàn)絕大多數(shù)情況在人們的期待以?xún)?nèi)。而 ML 算法可能使系統(tǒng)變得過(guò)分地聰 HYPERLINK / 這是一個(gè)網(wǎng)絡(luò)小游戲，你在心中想一個(gè)人物，然后算法會(huì)問(wèn)你一系列的一

3、般疑問(wèn) 句(比如“這個(gè)人是科學(xué)家嗎？ ”)你回答 Yes 或者 No。若干個(gè)問(wèn)題后，算法會(huì)知道 你心中的人物是誰(shuí)了(通常比你預(yù)計(jì)的要快)。之所以說(shuō)這是一個(gè) ML 系統(tǒng)，是因?yàn)樗粌H做決策下一個(gè)問(wèn)題該問(wèn)什么、已經(jīng)問(wèn) 的問(wèn)題和答案能推出什么結(jié)果，它還在不斷地自我改進(jìn)。比如說(shuō)，我心中想的人物 是亞運(yùn)會(huì)的吉祥物阿和 (幾年前這個(gè)游戲推出時(shí)它肯定不知道阿和是誰(shuí))，于是在很 多個(gè)問(wèn)題過(guò)后，這個(gè)ML 算法猜成喜羊羊了，然后我告訴它“你猜錯(cuò)了，我想的是阿 和”，于是，它會(huì)更新它的決策網(wǎng)絡(luò)，增加阿和這個(gè)節(jié)點(diǎn)，改變各個(gè)概率值。下次有 人想阿和的，它就可能猜中了。所以，從上面的例子可以看出， ML 重點(diǎn)研究的是算法

4、的學(xué)習(xí)過(guò)程，強(qiáng)調(diào)的是一 個(gè)反饋的框架。一開(kāi)始系統(tǒng)可能很弱智，但是經(jīng)過(guò)長(zhǎng)期訓(xùn)練后它能做出很高超的決 舉個(gè)我的例子。比如說(shuō)，我老板希望能做一個(gè)自動(dòng)作曲的系統(tǒng)，要求能做莫扎特 風(fēng)格的鋼琴奏鳴曲，而聽(tīng)起來(lái)不能像海頓和貝多芬。想一想這個(gè)決策規(guī)則就復(fù)雜得 就變得有可能了。我可以把莫扎特已有的樂(lè)譜輸入給系統(tǒng)，告訴它這是好結(jié)果；再把海頓和貝多芬的給系統(tǒng)，告訴它這是壞結(jié)果。然后就期待這個(gè)系統(tǒng)能夠?qū)W到點(diǎn)什 么。當(dāng)然，真正實(shí)現(xiàn)起來(lái)設(shè)計(jì)這個(gè)學(xué)習(xí)框架是有難度的，不過(guò) ML 是正確的思路。 “解決問(wèn)題是關(guān)鍵，不關(guān)心系統(tǒng)在理論上是否最優(yōu)”。比如人臉識(shí)別、癌細(xì)胞識(shí) 別、語(yǔ)言識(shí)別、入侵檢測(cè)等等，拿各種分類(lèi)器(SVM、神經(jīng)網(wǎng)絡(luò)神

5、馬的)一個(gè)一個(gè) OK 了。然后是 DM 。DM 是一項(xiàng)應(yīng)運(yùn)而生的科學(xué)，正因?yàn)榛ヂ?lián)網(wǎng)蓬勃發(fā)展，才吸引那么 單詞組成的序列)，DM 算法可能發(fā)現(xiàn)“新聞”、“報(bào) 導(dǎo)” 、“記者”等詞語(yǔ)是具有關(guān)聯(lián)性的，于是用戶(hù)在搜索“新聞”這個(gè)關(guān)鍵詞時(shí)，與“新 再舉個(gè)我的例子。我前一段時(shí)間做了一個(gè)音樂(lè)結(jié)構(gòu)分段的算法，旨在將音樂(lè)中主 epIRIR網(wǎng)能夠變得更加人性化。比如你在搜索引 出有用的信息：是個(gè)地方，要可以玩桌游，便不便宜自己看著辦；另一方面從網(wǎng)絡(luò) 上取出(retrieve)合理的網(wǎng)頁(yè)給用戶(hù)。AIPRDMIR AI 的具 人失業(yè)，機(jī)器會(huì)代替會(huì)記、醫(yī)生、甚至程序員。也許，機(jī)器的智能會(huì)產(chǎn)生很多很多 否熟了，因?yàn)槿硕鷮?duì)于這種音色可以做決策，而機(jī)器目前還很難做到。監(jiān)測(cè)工作很 辛苦，比如核電站工作人員需要成天盯著很多很多數(shù)據(jù)，不停地做