年秋天，上海，昔日繁华的街道上空无一人，马路上也没有汽车，高楼大厦在阳光下闪闪发光，城市干净整洁，空气清新，就是没有人味。
人都上哪儿去了？原来人工智能发展迅速，已经取代了所有人类的工作。人类不需要再工作，机器人掌管了整个城市的运营。为了减少人类行走带来的污染和麻烦，每个人都被戴上VR眼镜，躺在卧室里玩游戏。机器人提供一日三餐，照顾人类的生活。
这样的场景像不像《黑客帝国》中的？这算是比较美好的，在另一种幻想中，人类最终被机器人取代，成为了恐龙的追随者。
人工智能，在今天既是人类追求的新技术，又是人类对未来的恐惧。恐惧来自于年，
谷歌的阿尔法狗战胜了世界顶尖围棋棋士李世石，这表明人工智能已经超过了世界上最聪明的人类之一。那么未来会是怎样？霍金发出的警告是否会成真？
马云说未来已来，人工智能的发展是不可阻挡的，从IBM的深蓝战胜了国际象棋世界冠军卡斯巴罗夫开始，我们就已经感受到了这种压力。
科学家们普遍认为人工智能全面超过人类的时间在年，不要以为不可能，人工智能的发展是以指数级增长的。
无论人类是否会被人工智能所取代，毫无疑问，至少未来人工智能将伴随人类一起生存，所以，你想不想提前了解下人工智能的相关知识？作为人工智能的入门书，山本一成的《你一定爱读的人工智能简史》非常通俗易懂。
我不是理工男，对计算机编程之类的一窍不通，但山本一成的《你一定爱读的人工智能简史》很好读，没有什么艰深的专业词汇，配上简单的手绘，一看就懂。当然，这只是一本入门书，写给完全不了解人工智能的小白的。
山本一成是日本人工智能领域的代表人物，毕业于东京大学，现任爱知学院大学副教授、东京大学尖端科学技术研究中心客座研究员、株式会社HEROZ首席工程师。
他还是人工智能的历史上三大标志性事件“PONANZA”的开发者之一，这三大标志是——
年，IBM“深蓝”击败了俄罗斯顶尖棋手、国际象棋世界冠军卡斯巴罗夫，这是人类历史上电脑战胜人类的首例。
年，日本PONANZA战胜现役将棋代表佐藤慎一，且之后四年无一败绩。
年，谷歌“阿尔法狗”击败了世界顶尖围棋棋士李世石。
在《你一定爱读的人工智能简史》书中，三本一成主要以日本将棋电脑程序PONANZA的开发研究过程，来讲解人工智能的三大核心技术：机器学习、深度学习、强化学习。
一开始人们想的很简单，把人类的智慧输入电脑，加上电脑强大的计算和存储功能，不就实现人工智能了吗？
想法很简单，但实施起来确很困难，因为在输入的过程中，科学家才发现，人类的智慧是种说不清楚的东西。比如围棋，你是怎么思考的，为什么要下在那里，围棋高手都说不清。
就算把所有的棋谱都输入到电脑中，当有人走出不符合棋谱的走法时，电脑就会傻眼了，这根本还不如人类的初学者嘛。
所以电脑的学习方法和人类一样，也是要一步步往深了学的，山本一成在研发PONANZA时，发现了机器学习的奥秘：
一、什么是机器学习
机器学习的第一步，是向人类学习，模仿人类的智能。
人类的智能包含两大支柱，搜索和评估。
搜索就是从大量记忆中找出当前想搜索的内容，比如想要找“举头望明月”的下一句，电脑就会到数据库中寻找所有和“举头望明月”相关的句子。
如果它存了李白的《静夜思》，就会找到“低头思故乡”这句。这里用到的搜索功能，是建立在大量存储的数据库的基础上的。难怪有人说，大数据、统计就是人工智能的基础。
我们现在应用最广泛的人工智能就是仿真：从庞大的数据库中，搜索正确的答案。数据库越庞大，准确性越高。
比如你在头条上读了有关教育的文章，就会被智能推荐很多教育相关的资讯。
然而对于将棋、围棋来说，要搜索出每一个局面，是不可能的，如果1秒钟能搜索2亿个局面，亿年也搜索不完。
那么就要换一种方法了。人类在做判断前，不会把所有的结果都想明白，有时候只要考虑可能性比较大的方案就可以。这就叫评估。
比方，我们要从上海到北京，找时间最少的路线，不用考虑两地间所有的路线，只需要在高速公路之间做比较就好。
模拟技术就是搜索+评估。但模拟技术，有可能遗漏，因为没有对所有的可能性进行判断。
我们不懂将棋，拿象棋来比喻。
简单说就是从第一步落子开始，搜索电脑中存储的所有职业选手的棋谱，比如走“当头炮”的和没走“当头炮”的，哪一个胜率高，确认走“当头炮”胜率高，那么就落子“当头炮”。就这样每走一步都进行大量的搜索，按照胜率高低确定落子位置。
这种搜索+评估的模式，只有电脑存储大量的棋谱，再进行海量计算后，才能得出。在进行了大规模的试错后，电脑的出棋和职业棋手的相似度达到了45%。看起来百分比不高，但已经是飞跃式的进步。
所谓人工智能和一般电脑的区别在于：人工智能会自己思考，一般电脑只听从于人的具体命令。
在这里人工智能的思考方式就是：试错。
思考模式和人类相似：把问题在记忆库（数据库）中搜索，找到答案，再判断是否匹配；不匹配继续找，匹配就输出答案。
我们需要给到电脑的指令不再是具体的目标，而是最终目标。在棋类比赛中就是“战胜对手”，如何应战的具体步骤就由电脑自己操作。
原来机器学习和人类学习一样，也是在学会了学习方法后，靠自己去完成学习本身，并在学习过程中，不断调整学习方法，以便取得最好成绩。
和人类学习相比，婴儿阶段也是不断积累存储的过程，父母就是子女的程序员。
在机器学习阶段，将棋程序PONANZA，在年打败了现役将棋代表佐藤慎一。这时候的将棋程序PONANZA已经学会了自己编程完成搜索并评估的工作。
这就好比人类已经小学毕业，不需要父母把着手教了，只需要告诉孩子未来的目标，他就会自己学习。
这就是授人以鱼不如授人以渔，掌握了学习方法，人类就可以从学校毕业，人工智能也能从程序员毕业了。
我们目前使用的互联网检索功能和拍照的人脸识别功能，都是机器学习的结果。
二、深度学习中的黑魔法
但机器学习的缺点是，缺少教师，以将棋为例，就是职业选手的棋谱太少，不够学。
人类无法处理大量数据，因此学会了总结归纳，从极少的线索中寻找正确答案。但电脑不会，电脑需要大量数据，数据越多，判断才越准确。
没有棋谱怎么办？
山本一成的方法是，把PONANZA的程序略作修改，然后让它和修改前的自己对战局，判断胜率，赢面大，就采用修改后的版本。赢面小，就还用原来的版本。
不断地重复上面的动作，PONANZA的棋力就越来越强。
但这样的改进，通常有效率在2%，也就是说次改动中，只有2次赢面大。这样大量的试错方法，耗时耗电。
不过，这个时候出现了有趣的现象，它们称之为“黑魔法”：PONANZA的棋力为什么会增强，也没有人能说清了，三本一成也不知道原因。就跟人类的行为一样，变得无法解释了。
一部电脑的好坏主要看CPU，CPU就是电脑的大脑，运算能力越快，实力就越强。但CPU的发展已经碰到了技术天花板（集成电路的精细化），于是就出现了多核处理器，一个CPU下放2个、4个内核，就相当于本来是一个人工作，改为2个人、4个人共同工作。
但人多了就涉及到协调性，一个厨房两个人做一道菜，没问题，但如果是4个人、8个人、16个人做同一道菜，效率就会变低，厨房也会变拥挤。
于是新的方法出现了，让所有人同时做同一道菜，最快做好的那份菜提供给顾客。在做菜的过程中，要是某人发现了更有利的方法，就共享给大家，这被称为“懒散的并列化”。
这种方法为什么好用，只能说试了发现好用。没法解释的黑魔法也存在于深度学习中——一种机器学习的方法。它是模拟人的大脑神经网络构建的。
举个例子，学习英语要背单词，有人把整本英语词典都背了下来，遇到词典上有的词，就会很快认出来，但遇到词典上没有的，就傻眼了。电脑也是如此，它能记下所有的英文单词，但在做翻译时，就会显得语无伦次，因为它是按照词序挨个翻译单词的意思，而不是整句句子的意思。
这就是深度学习中的过度学习：即便你背下了所有的内容，你还是会遇到新的内容，生搬硬套是不行的，必须要学会举一反三、融会贯通。
为了防止电脑“过度学习”，解决办法就是“脱离”，简单说就是把全盘记忆改为特征记忆，做起来更简单：随机剪短几个神经元的连接。
当电脑没办法做到全部记住，就改为拼命记住特征了。这又是一个无法解释的黑魔法。
就好比一个拼命学习的孩子，考试成绩还是不好，就放他几天假，让他出去玩，放松一下，回来就考好了，很神奇吧？
故意设置障碍，反而能激发更大的潜力，对于人工智能非常有效。在引入深度学习技术后，阿尔法狗战胜了李世石，谷歌的翻译功能也能准确分析出省略的代词，图像、文字、声音可以自由转换的未来也快到来。
我有种人工智能正在生物化的感受，我们解释不了的、凭直觉判断的，现在人工智能也开始拥有了直觉、且无法用数学和逻辑解释。
三、强化学习中最有效的笨办法：大象解法
人工智能会不会超过人类？答案是肯定的，不管你愿不愿相信。
人类是人工智能的老师，按照人工智能的学习方法和学习态度，老师终将被超越。虽然指导人工智能学习的是人类，但人工智能的成长中的各种因素，人类已经无法解释清楚。
所谓的黑魔法，意味着在某种方面，人工智能已经超越了人类。
人工智能开始脱离人类，自主学习了。就像孩子长大，要独立生活了，依靠以往学得的知识，面对未知，做出选择。
强化学习，指的就是电脑对未知的环境进行随机搜索并反馈其结果，在不断地反馈结果的过程中，评估被不断强化了。
PONANZA在开始强化学习后，不再用职业棋手的棋谱做为模板，开始选取看起来对棋局有利的6-8步棋进行试验，并把结果是否好于预期，或是坏于预期，反馈给电脑，评估后进行微调。
按照这个方法，电脑需要搜80亿张棋谱，才能有所提高。山本一成用了数台机器共计个内核，连续数月不停地运转。每个月要数十万（日元）的电费。
人工智能的开发需要大量的数据作为支持，因此前期的积累是漫长的。从这个角度来说，人类比不上人工智能也没什么稀奇的，毕竟彼此之间的积累差距太大。
再回到阿尔法狗和李世石的世纪对战上，人工智能在围棋上的突破是相当惊人的。因为围棋的搜索结果是无法评估的，怎样才能判断围棋的某一个落子是有效的呢？
谷歌的程序员们运用到了一个比较笨的办法：蒙特卡洛法，一种大象解法。简单来说，就是掷骰子，通过随机选择一个点，然后往后推算0步，计算胜率；然后再随机选择另一个点，往后推算0步，计算胜率；比较两个点的胜率，选择胜率高的。
接着再重复上一步，运行的次数越多，获得的值就越接近正确答案。
就好比我们在做数学题时，计算从1一直加到的结果，优雅的做法就是找到简便的解题方法，然后迅速得出结果。而大象算法，就是硬加，虽然耗时，但也会得出正确答案。
阿尔法狗放弃了人类的学习模式，运用电脑自身的优点，选择了更适合自己的学习方法，也找到了破解围棋的通道，此后，它的胜算率达到了99%。
因此，联想到人类的学习，很多科学家都是在持久地积累，用看起来笨笨的大象算法，推动人类发展进步。陈景润满屋子的草稿纸，爱迪生0多次的发明失败，还有全世界各个实验室做的各种微小的实验，它们都在夯实科学的基础。
最笨的办法，也是最实用的、日常使用率最高的办法。这也是生活中，那些看起来很聪明的人，总是很难取得重大成果的原因吧。
年，东京，PONANZA静静地坐镇在没有对手的将棋棋盘前，成为了地球上唯一一个智慧体，因为它的目标是“绝不能输给人类”，为了达到这个目标，它消灭了所有的人类。
山本一成在《你一定爱读的人工智能简史》中，为我们描绘了如此一幕恐怖的未来世界，幸好，还未发生。但也提醒我们，对于人工智能要给出符合人类社会的伦理观和价值观，而不能任由它发展。
深度学习技术，是让电脑以人类为模板来理解世界，强化学习技术则是让电脑按照相同的逻辑模式去预测未知世界。电脑是否“学好”，取决于人类给了它什么样的榜样。
谷歌公司曾经发生了重大失误，在谷歌相册为照片提供自动添加标签时，把皮肤很黑的人错误标记为“大猩猩”，为此谷歌的管理层慌忙向大众赔礼道歉。
错误是电脑犯的，电脑学的对象却是人类。在电脑的搜索库中，一定有人把皮肤黑的人调侃为大猩猩，电脑记住了这一点，并直白地标注了出来。
倘若孩子超过了父母，父母是高兴，还是害怕？
扼杀是扼杀不了的，那么做一个好人，让孩子成年后，对我们保留敬意，才是最好的选择。
联系电话：