九章算法人工智能集训营

项目全面升级，零基础掌握16+2工业级项目，通过实战深入学习人工智能算法及工业化流程，快速提升简历，斩获心仪offer

今天午休时间，同事讲他的一位在阿里的同学做了一个智能垃圾桶，咦，又是智能，忍不住问“智能在哪里”，同事说该垃圾桶可以判断是干垃圾还是湿垃圾，然后通过传送带送到对应的垃圾桶里。第一反应是和我大学做的能够自动分类的鞋柜，备考同济交互研究生做的虚拟项目——能够将书自动分类的书架，这两个思维很类似，但那时我们是称之为自动化（笔者的专业是机械设计及自动化），这里并不是说他的创意或者产品怎么样，而是说现在做什么都要冠以“智能”二字，所以借此研究一下到底智能是什么，怎么样才算智能

“人工智能”一词的来源，1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，众多计算机科学家，信息学家，认知学家聚在一起，讨论着不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能，会议开了两个月，虽然没有达成共识，却为会议讨论的内容起了一个名字：人工智能。因此，1956年也就成为了人工智能的元年

在七八十年代，人工智能发展迅速，属于鼎盛时代，随后遇到瓶颈，直到2010年，人工智能又再次惹人注目，重新燃起了人们对人工智能的渴望。在这个过程中，人工智能衍生出三个学派：符号学派，连接学派，行为学派

符号学派

符号学派的代表，人工智能创始人之一约翰.麦卡锡在自己的网站上挂了一篇文章《什么是人工智能》，按符号学派的理解为大家阐明什么是人工智能：
人工智能是关于如何制造智能机器，特别是智能的计算机程序的科学和工程。它与使用机器来理解人类智能密切相关，但人工智能但研究并不需要局限于生物学上可观察到的那些方法
他认为，智能是一种特殊的软件，与实现它的硬件并没有太大的关系。纽厄尔和西蒙把这种观点概括为“物理符号系统假说”，该假说认为，任何能够将物理的某些模式或符号进行操作并转化为另外一种模式或符号的系统，就有可能产生智能的行为，这种物理符号可以高低点位，灯泡的亮灭，也可以是人脑的电脉冲符号。在物理符号系统假说的支持下，符号学派把焦点集中在人类智能的高级行为，如推理，规划，知识表示等方面，这些工作在人机大战领域获得来空前的成功。

连接学派

人类的智慧主要来源于大脑，于是人们很自然想到，我们是否可以通过模拟大量神经元的集体活动来模拟大脑的智力。将智力活动比喻成一款软件，那么支撑这些活动的的大脑神经网络就是相应的硬件。于是主张神经网络的科学家实际上在强调硬件的作用，认为高级的智能行为是大量神经网络的连接中自发出现的，所以成为连接派

1957年，弗兰克.罗森布拉特对麦卡洛克和匹兹的神经元模型上加入来学习算法，更名为感知机，感知机可以根据模型的输出Y与我们希望的输出Y*之间的误差调整各个输入的权重来完成学习。可以形象的把感知机模型理解为一个装满了大大小小水龙的水管网络，学习算法可以调节这些水龙头来控制最终输出的水流，并让它达到我们想要的流量，这就是学习的过程。这样无论什么问题，只要明确了我们想要的输入和输出的关系，都可能通过学习得以解决，至少它的用户者是这样认为的。但是1969年敏斯基提出的XOR问题给予这个理论致命打击。后来辛顿提出“多则不同”：只要把多个感知机连接成一个分层网络，那么它就圆满的解决敏斯基的问题。

多个感知机连接成一个四层网络。最左边是输入层，最右边是输出层，中间的那些神经元位于隐含层，右侧神经元接受左侧神经元的输出。
但是那么多神经元，有几百上千个参数需要调节，怎么训练呢？后来采用了布赖森等人提出的反向传播算法有效解决了训练问题。

2000年左右，俄罗斯科学家提出一套新理论：统计学习理论，大意是：我们的模型一定要与待解决的问题相匹配，如果模型过于简单，而问题本身的复杂度很高，就无法得到预期的精度。反过来，若问题本身简单，而模型过于复杂，那么模型就会比较僵死，不能举一反三，即“过拟合”。很类似于哲学界的奥卡姆剃刀原理：如果对于同一个问题有不同的解决方案，那么我们应该挑选其中最简单的一个。神经网络模型或者其他机器学习模型也应该遵循类似的原理，只有当模型的复杂度与所解决的问题相符匹配的时候，才能让模型更好的发挥作用。
然而统计学理论也有很大局限性，理论的严格分析仅仅限于一类特殊的神经网络模型：支持向量机，而对于更一般的神经网络，人们还未找到统一的分析方法。所以说连接学派的科学家们虽然会向大脑学习如何构造神经网络模型，但实际上他们自己也不清楚这些神经网络究竟是如何工作的。

行为学派（仿生学）

行为学派没有把目光聚焦在有高级智能的人类身上，而是关注比人类低级的多的昆虫。他们模仿昆虫日常行为，做出机器昆虫，如美国波士顿公司的“大狗”；用计算机模拟生物进化，作出遗传算法；用计算的手段模拟生命的涌现过程，即人工生命

遗传算法对大自然中的生物进化进行了大胆的抽象，提出了两个主要环节；变异和选择，将进化过程抽象成一个简单的适应度函数。与神经网络不同，遗传算法不需要把学习区分成训练和执行两个阶段，它完全可以指导机器在执行中学习，遗传算法比神经网络具有更方便的表达性和简单性。

模拟群体行为是人工生命的典型应用之一，例如模拟鸟群的行动，蚁群算法，免疫算法

三大学派间的关系

符号学派模拟智能软件，连接学派模拟大脑硬件，行为学派模拟身体，这只是一个粗糙比喻，其实三者之间有很多微妙的差异和联系。

符号学派的思想和观点直接继承图灵，直接从功能的角度理解智能，把智能理解为一个黑箱，只关心黑箱的输入和输出，不关心黑箱的内部构造。因此，符号学派利用知识表示和搜索来真实人脑的神经网络结构。符号学派假设知识是先验地存储与黑箱之中的，因此，它很擅长解决利用现有知识做比较复杂的推理，规划，逻辑运算和判断等问题。

连接学派要把智能系统的黑箱打开，从结构的角度模拟智能系统的运作，而不单单重现功能。看待智能比符号学派更加底层，这样可以很好解决机器学习的问题，并自动获取知识，但弱点是对知识对表述是隐含晦涩的，因为所有学习到的知识都变成了连接权重的数值。只有让这个网络运作起来才能读取神经网络中的知识。连接学派擅长解决模式识别，聚类，联想等非结构化的问题，但却很难解决高层次的智能问题（如机器定理证明）

行为学派则研究更低级的智能行为，模拟身体运作，进化，群体活动。行为学派擅长解决适应性，学习，快熟行为反应等问题，也可以解决一定的识别，聚类，联想等问题，但在高级智能行为（如问题求解，逻辑计算）上则相形见绌。

符号学派遵从自上而下的设计，连接学派和行为学派都相信智能是自下而上涌现出来的，但怎么涌现，涌现机制是什么，这些深层次问题尚未给出很好解释。

（ 2000年以后很多人工智能研究者开始对理论问题不闻不问，一心向“应用”看齐，在这样背景下，人工智能开始分化很多原本隶属于人工智能领域逐渐独立成为面向具体应用的新兴学科，简单罗列如下：自动定理证明，模式识别，机器学习，自然语言理解，计算机视觉，自动程序设计。然而贝叶斯学派试图重新构建统一的模式，贝叶斯学派的核心是贝叶斯公式，它表达了智能主体如何根据搜集到的信息改变对外在事物的看法。
此外深度学习，“人工”人工智能相继出现，其中深度学习也是利用连接学派的神经网络模型，只不过隐含层更多）