人工智能及其應用簡介
劉以棟
當今世界，人工智能是一個熱門話題，有人甚至預言以後可以娶一個機器人做老婆，這無異於天方夜譚。
出於對人工智能的興趣，我自己也去讀了一些人工智能的入門書。這是我人工智能讀書報告第一篇，以後會有人工智能不同領域的讀書報告。我自己不是做人工智能方面工作，所以只是編譯了這篇科普文章，不到之處請諒解。
人工智能本身不是一個新概念。早在1956年夏天，一幫科學家就在達特茅斯大學提出了計算機的推理能力功能。距今已經60多年。
人工智能簡單的來說包括三個部分，接受信息，處理信息和做出行動。當然，這其中任何一部分都可以是人工智能的一個研究領域。接受信息包括語音識別，模式識別，計算機視覺等。處理信息就是計算機的推理能力，最有名的例子就是下圍棋的阿法狗（AlphaGo）。 行動部分的例子包括機器人和自動駕駛車。
在討論人工智能以前，讓我們先複習一下人的七種智能。
視覺空間智能（Visual-Spatial Intelligence）
周圍環境辨別能力是任何運動機器人都需要掌握的能力。自動駕駛車和自動吸塵器都需要看到周圍的情況。吸塵器要求精度低。人工智能在這方面只能達到中等水平。
身體運動智能 (Bodily Kinesthetic Intelligence)
外科醫生和舞蹈演員需要調整身體姿勢來完成動作。人工智能可以輔助醫生做手術。機器人需要在人的指令下操作。這方面人工智能可以達到中高水平。
創造智能 (Creative Intelligence)
創造智能包括新的想法，新的音樂篇章，發現新的模式，新的發明等。人工智能可以模仿人的行為，但是它自己不能有發明創造。人工智能在這方面的潛力是零。
人際交往智能 (Interpersonal Intelligence)
人和人之間的相互交流，譬如會議上或者電話上交流信息等，不是人工智能所長。人工智能可以根據關鍵詞回答簡單問題，但是人工智能不能理解整個句子。這個方面人工智能只能達到低中水平。
內心自省智能 (Intrapersonal Intelligence)
一個人通過反省，發現自己的興趣和專長，然後設定自己的奮鬥目標，是人類特有的能力。人工智能在這方面的潛力是零。
語言智能 (Linguistic Intelligence)
語言交流能力，包括聽懂對方講話，或者讀懂對方的信函，然後通過思考，作出回答。人工智能一般不能聽懂對方講話，也不能讀懂書信，更不要說根據對方要求做出回答了。人工智能在語言交流方面只能達到初等水平。
邏輯數學智能 (Logical - Mathematical Intelligence)
進行數學運算，探索模式，尋找規律是人工智能所長。人工智能在這方面可以達到高級水平。
不管我們是否喜歡人工智能，人工智能已經進入了我們生活中的方方面面。
我們打字時，人工智能經常給我們改錯。有的時候，人工智能提出改正要求，等我們確認。有的時候，人工智能來不及等我們確認，自己做決定。譬如，如果我們開車時，前面有障礙，人工智能可以緊急剎車。人工智能反應比人快。
人工智能也可以使我們工作中的許多事情自動化。自動取款機應該算人工智能的一種形式。
自動化可以取代我們工作中的無聊重複部分，使得我們的工作更有趣。我們去工作，掙錢是一部分原因，從工作中取得的滿足感是另一部分原因。自動化還可以提高工作效率，增加工作環境的安全性。
人工智能在醫療方面也有許多應用。人工智能醫療儀器可以戴在身上，這樣可以收集長期數據，監督病人情況。人工儀器也可以增加人的體能，人可以通過穿着一種機器人（Exoskeleton， 外骨骼），這樣可以跑得更快，負重更多 …..
機器人護理有它的兩面性。一方面，機器人做事可能更客觀，另一方面，人是有感情的。機器人不會提供同情和理解。
人工智能在人和人之間的交流方面也有幫助。機器人在文字以外，又增加了表情包。機器人可以做自動翻譯，Google 的翻譯就不錯。
機器人在交流領域的新的突破是身體語言。人跟人交流時，除了語言表達以外，還有身體語言。機器人可以捕捉到人的身體語言，譬如姿勢，頭的動作，面部表情，眼睛接觸和手勢等，幫助理解人的意圖。我個人認為，身體語言在中國不是很重視，但是我們確實不可忽視身體語言。
人工智能的發展包括兩個大的領域：軟件方面發展起來的人工智能和硬件方面發展起來的人工智能。
大數據，機器學習都屬於人工智能在軟件方面的發展。
我們這個時代被稱為信息時代並不僅僅是我們有很多數據，而是因為我們在分析數據方面達到了一定的成熟度，從而使得我們可以從數據中提取有用的信息。 谷歌 （Google), 亞馬遜（Amazon），蘋果，臉書和微軟是美國5個市值最高的公司，其主要原因是它們的商業模式都是建立在數據上面。
數據是新時代的石油。石油不能被直接被用來做化工製品，它必須先經過提煉。同樣，數據在使用前，必須做相應的處理。
數據處理可以包括下面的相關步驟：
數據變換（Transforming)。改變數據的面貌。數據變換可以指不同的形式，但是其主要形式就是把數據按矩陣形式排列。譬如，你去商店購物，商店把每個顧客歸在一行，然後每列是購買的物品數量和價格。
數據淨化(Cleansing)。改正不完美的數據。不同的數據收集方法會有不同的數據問題，譬如數據缺失，數據值不合理和錯誤數據等。譬如，網上有的物品和服務評論可能是假的，或者是朋友寫的，或者是競爭對手寫的。根據這些不可靠的數據，可能會得出錯誤的結論。數據淨化就是要把不可靠數據去掉。
數據檢查(Inspecting)。驗證數據。雖然計算機可以在數據分析中起很大作用，但是數據分析很大程度上仍然是人的工作。人很容易識別模式，並發現異常數值，譬如客戶年齡小於10歲或者大於90歲。
數據造型(Modeling)。掌握數據里不同因素的關係。通過統計方法，發現客戶購買不同物品之間的關係。譬如，我們去亞馬遜買東西時，它會推薦相關產品。
數據分析在人工智能領域至關重要。業內人士認為，人工智能直到現在才開始騰飛，其主要原因是數據質量和數據來源的提高。
數據分析的最高層次是機器學習。機器學習的中心思想是，在事先沒有已知算法的情況下，機器通過分析數據，用數學公式表達現實世界。機器學習讓我們可以用未知的數學函數來表達複雜的現實世界。而這個複雜的數學函數，是機器的內部算法通過數據自己學會的。
機器學習過程完全是一個數學邏輯過程。它通過數學形式把輸入和輸出聯繫起來。機器學習完全沒有理解算法學到了什麼東西，而僅僅是內部算法把輸入和輸出建立起一個函數關係。所以，機器學習過程也是一個機器訓練過程。
想象一下我們教孩子學習。我們教孩子認識什麼是樹，然後告訴孩子樹的結構，形狀，並讓孩子看很多樹的圖片，這樣孩子就知道樹是什麼樣的。
機器學習是一個類似的過程。它通過數學公式形式，建立機器的感知能力。機器內部算法記住各種物體的特徵，然後產生辨別物體的能力。
機器的學習能力和人的智力是不一樣的。人們不能期待機器有人的智力並完全具有人的智能。
機器學習的三個主要缺陷：
表述能力(Representation)。用數學語言表述一個複雜問題是一件困難的事情，特別是要模擬人腦。到目前為此，機器學習只能回答簡單問題，這是什麼?這個多少錢？下一個是什麼？ 過度擬合(overfitting)。機器學習似乎可以學習我們關心的事情，事實上它們不能。機器學習系統只是記住了數據，其實它並沒有理解數據。過度擬合指的是算法從數據中學到了太多關係，而這些關係在現實中是不存在的。經濟學上說，如果一個少胳膊的人跑得快，你不能得出結論，少胳膊可以使人跑得快。 在數據有限的情況下，機器學習缺少舉一反三的能力(Lack of effective generation because of limited data)。機器只能學會你教它的東西。如果你給機器提供不好的數據，那麼它產生的結果就難以預料。微軟搞了一個對話機器人（Taylor）， 它很快就學會了許多髒話。
機器學習的三種主要算法（Machine Learning Algorithms)：:
監督學習 (Supervised Learning)。 監督學習就像我們人類在老師指導下學習。老師給學生舉出有用的例子，學生記住例子並推導出一般規律。統計回歸，數據分類，圖像識別，語音識別，機器翻譯，自動駕駛車等，都是監督學習。 無監督學習 (Unsupervised Learning)。無監督學習是讓機器從數據中尋找規律，把數據或者物品分類，給人提供意想不到的內在聯繫。我們在網上購物時，有些廣告會彈出來，這就是機器學習的結果，它認為，你對其它相關物品也會感興趣。 加強學習 (Reinforcement Learning)。加強學習就是給算法提供沒有結論的例子，但是給機器提供正面或者負面的反饋。這跟人類的反覆試驗學習方法一樣。簡單的例子就是計算機學習玩電子遊戲。 Google 的 DeepMind 就是一個加強學習的例子，它剛開始遊戲玩得不好，但是後來變成冠軍。
機器學習的三種主要方法（Three most promising AI learning approaches):
樸素的貝葉斯 (Naive Bayes)。 這種算法可以比醫生做出更精確的診斷結果。它也可以探測垃圾郵件和文字裡的情緒。這種方法也經常被用來跟蹤互聯網上的大數據傳運。 貝葉斯網絡 (Bayesian Networks, Graph Form)。 這種圖像可以用概率的形式表示複雜的世界。 決策樹 (Decision Trees) 。決策樹表現符號最佳。決策樹歷史悠久，它表示了人工智能的決策過程並因此而得名。
人工智能的深度學習。機器學習是人工智能的一部分，深度學習是機器學習的一部分，所以深度學習在人工智能里是一個很小的領域，但是媒體好像特別喜歡關注深度學習。
深度學習是人工智能模仿人的大腦神經系統的學習方法。人的大腦有神經網絡，所以深度學習是用電腦模仿人的神經網絡。
想象一下我們要過濾水，讓水經過一層一層的過濾系統，最後得到乾淨的水。 同樣，深度學習是把輸入數據經過一層一層的信息網，通過一層一層的演算，最後得出結論。我自己的理解，最簡單的神經網絡就是線性回歸，或者邏輯回歸，用戶輸入數據，電腦做回歸，建立輸入和輸出之間的關係。複雜一些的神經網絡，每一層對數據做不同的處理和變換，調整變換的係數和權重，最後產生結果。
我自己的理解，深度學習是一個迭代過程（Backpropagation），每個迭代過程的專業名稱是時代（Epoch)。已知數據被輸入到神經網絡里，網絡調整內部參數，然後擬合最佳結果。過度擬合也容易在這個過程中產生。深度學習的具體過程，我將會另文介紹。
前面我們提到，人工智能包括兩個大的領域，軟件方面的人工智能和硬件方面的人工智能。我們剛介紹了軟件方面的人工智能的發展，下面我們介紹硬件方面人工智能的發展。
很多人把人工智能和機器人混為一談，但是機器人和人工智能是兩回事，雖然這兩者有很多重疊部分。
人工智能是為了像人一樣解決複雜問題，而機器人是在現實世界裡把人的想法自動化。
介紹機器人以前，我們先了解一下機器人的三個規則：
機器人不可以傷害人，或者通過不作為而使得人遭到傷害（First Law – A robot may not injure a human being or, through inaction, allow a human being to come to harm） 機器人必須服從人的指令，除非人的指令違背前面的第一條規則（Second Law – A robot must obey the orders given it by human beings except where such orders would conflict with the First Law） 機器人必須保護它自己的存在，除非這種保護跟前面的第一條或者第二條相衝突（Third Law – A robot must protect its own existence as long as such protection does not conflict with the First or Second Laws）。
現在各種各樣的機器人已經很多，但是大家關心的主要機器人包括無人駕駛飛機和自動行駛的汽車。限於篇幅，這裡只介紹一下自動駕駛汽車。
在神話自動駕駛車以前，我們先看一下自動駕駛車的自動化程度分類。
給駕駛員提供幫助。車的控制仍然在人手中，但是車可以提供一些簡單的幫助，譬如控制車的速度。其實我們的巡航控制（Cruise Control），和預設剎車系統就是這個功能。 部分自動駕駛。車更多的時候不需要人的干預。車可以根據路況調整速度，這樣駕駛員只需要保持警惕就可以。自動巡航控制就是這種功能。 有條件自動駕駛。目前生產中的自動駕駛車基本在這個水平。車可以在特定的路況下自動駕駛，譬如高速公路或者單向行駛的公路。車可以根據路況剎車，人只要關注並在緊急情況下接管駕駛。 高度自動駕駛。車可以像人一樣轉方向盤，踩油門，剎車，並根據路況從出發點到終點做路況駕駛調整。車的駕駛不需要人的干預，只是在特定的情況下才需要人的操作。人只需要隨車監督就行。預計2020年這樣的車可以上路。 完全自動駕駛。車可以完全自動駕駛，從出發點到終點，車都不需要人的干預。這樣的車已經沒有方向盤，根本不需要駕駛員。預計2025年這樣的車可以上路。
自動駕駛車可以提供下面的幾個好處。
很少發生交通事故。因為自動駕駛車嚴格遵從交通規則，所以事故很少發生。因為沒有人駕駛，車的安全保護措施就沒有必要，所以未來的車會很輕，甚至可以用塑料製造車。因為事故少了，車的保險費用也會下降。汽車保險業會受影響。 人工駕駛的工作減少。自動駕駛車就減少了專職駕駛員的需求。現在美國有300萬人做駕駛工作。 大家可以節省時間。自動駕駛車可以給大家節省很多駕駛時間。大家可以把開車的時間去做別的事情。
生產自動駕駛車需要很多技術上的突破。
全球定位系統跟蹤監視車在哪裡並規划行車路線。
雷達，超聲和光測儀（Lidar, Light Detection and Ranging) 發現周圍物體和它們的運動情況。
車載相機告訴車周圍的路況，指導車的行動。
不管我們是否喜歡，自動駕駛車會進入我們的生活。未來要麼我們使用自動駕駛車，要麼我們跟自動駕駛車共享馬路。
在結束此文以前，讓我簡單歸納一下人工智能的未來。
人工智能的缺陷是它沒有創造性，不能想象未來，也不會有原創性的想法。人工智能不會有情緒，也不會有內疚感。
人工智能的發展，要考慮下面現實世界的要求：
經濟合算。人們在購買人工智能的應用以前，要看它是否比現在的現有應用合算。沒有經濟效益的應用就沒有前途。譬如，炒菜機器人是不是比人工炒菜便宜。 可重複性。人們期待人工智能的結果是可以重複的。這對現有的步驟性方法很容易，但是對有塑造性的人工智能應用卻是一個挑戰。每次機器人炒出來的菜質量是不是可靠。 高效。經濟規律要求在最少資源的情況下取得最好的結果。機器人削蘋果時，是不是浪費太多。 有效。人工智能應用要提供人們需要的結果。送貨機器人是否確實把物品送到。 實用。所有的人工智能應用必須給人們提供實質性幫助。機器人護理是不是確實給病人提供幫助。
現在人工智能很熱，但是我們要警惕人工智能的冬天（AI Winter）。人們在開發人工智能的應用時，容易承諾過度，到時候卻實現不了。這種過度樂觀，最後會讓投資者失望。人工智能的冬天以前發生過，以後仍然會發生。
| 
