原創(chuàng)：王穩(wěn)鉞
資料來源：單博

一玖像、真假元宇宙

最近元宇宙這個概念非匙瞎龋火，網上的資料也是鋪天蓋地捐寥。但個人認為元宇宙這個概念里蹭熱點的人非常的多笤昨，元宇宙還是處于概念為主的階段。很多人說自己在做元宇宙握恳，但其實都是真假難辨的狀態(tài)瞒窒。在元宇宙這個詞出現(xiàn)之前，其實有很多相關的概念乡洼，比如虛擬現(xiàn)實（ VR ）崇裁、數(shù)字孿生、自動化等束昵。數(shù)字孿生其實就是仿真建模拔稳，比如說我國的國產的飛機 919 等大型的機械化的電氣化的設備在生產的過程中，都會涉及到跟數(shù)字孿生相關的一些數(shù)字仿真锹雏。元宇宙這個概念巴比，其實應該更加理性去看待，關于元宇宙礁遵，人們達到了一個共識就是它一定是確定性的一個未來匿辩，但是它如何、何時能夠到來榛丢，還是一個未知數(shù)铲球。

關于一個技術的發(fā)展，經澄蓿可以用 Gartner 技術成熟度曲線來對它進行一個衡量稼病。在一個技術誕生初期會有一個爆發(fā)期选侨，但是往往會帶來一個過高的期望，來到一個峰值然走。峰值過后就會有一個下降的冷卻期援制。之后，在泡沫崩盤之后會有一個緩慢爬升的過程芍瑞，最后才能投入到真實的生產科研這些應用當中晨仑。

如果要實現(xiàn)能夠在一個虛擬的世界里面生活、互聯(lián)拆檬、人際交往洪己，其實還需要大量的基礎設施，軟硬件的發(fā)展竟贯、市場的培育答捕、內容的建設，需要這幾點甚至更多的協(xié)同才能實現(xiàn)屑那。所以元宇宙現(xiàn)在有真有假拱镐，眾說紛紜，所以一定要用相對冷靜和務實的態(tài)度來看待元宇宙持际。

二沃琅、人工智能現(xiàn)在在哪里？

人們普遍認為AI是離元宇宙相對較近的方向蜘欲，我們可以通過 AI 和元宇宙之間的關聯(lián)來了解一下 AI 技術現(xiàn)在發(fā)展到了什么程度益眉，未來還有哪些發(fā)展。元宇宙中一個重要的方面就是人機交互和信息的傳遞芒填，這在 AI 當中也有很多應用。例如抖音空繁，有沒有發(fā)現(xiàn)抖音越刷越愛看呢殿衰？每天推薦的都是感興趣的內容。還有淘寶盛泡，即使最近不太想買東西闷祥，偶爾也會打開淘寶看一看。淘寶就會根據(jù)最近瀏覽過的商品來推薦可能感興趣的商品傲诵，比如最近瀏覽過手機耳機凯砍，就有可能會推薦其他電子產品；搜索過衣服拴竹，就會推薦很多符合審美悟衩，符合價位的服裝。除此以外栓拜，包括很多音樂軟件也有猜你喜歡等等歌單的推薦座泳。這些都是屬于推薦系統(tǒng)在日常生活中的應用惠昔。

計算機視覺在日常生活中也有廣泛的應用。比如說手機解鎖挑势，上下班刷臉打卡镇防、高鐵站機場等需要通過人證比對來做身份的檢驗、自動駕駛等等潮饱。自然語言處理同樣如此来氧，人們的生活也都離不開有道詞典等翻譯軟件。

三香拉、認識人工智能

很多書啦扬、教材中都會說人工智能沒有一個明確的定義。但是我們可以將它定義為——為機器賦予人的智能缕溉，即像人一樣感知考传，像人一樣思考，像人一樣行為证鸥。其實感知僚楞、決策控制這三點就是機器要具有的人的智能。感知枉层，就像人的視覺泉褐、聽覺；思考鸟蜡，像人一樣在不同的情況下要做出決策膜赃；做出決策，還要執(zhí)行揉忘，這就屬于像人一樣行為跳座。

在人工智能誕生之初，人工智能這個詞是怎么來的呢泣矛？其實它最早和控制論是非常相關的疲眷。其實控制論和人工智能是一個相輔相成的概念∧啵控制論這個詞出現(xiàn)得更早狂丝，其實它就是早期的人工智能概念。隨著學術界出現(xiàn)了爭執(zhí)和風波哗总，一群 AI 的學者几颜，為了脫離原本維納的控制論，所以起了一個新詞叫人工智能讯屈。所以如果在谷歌的詞頻里面搜索一下的話蛋哭，也可以看出來，早期的時候涮母，在五六十年代的時候具壮，控制論這個詞迎來了一波高峰准颓，但后來就衰落了。

那現(xiàn)在這個時代棺妓，當談論到人工智能的時候攘已，其實是在談兩個概念，即算法工具和智能硬件怜跑。因為人工智能其實是在硬件的促進下發(fā)展的样勃，三駕馬車指的就是算法、算力和數(shù)據(jù)性芬。關于算法工具峡眶，其實就是深度學習和強化學習。AlphaGo 就是將深度學習和強化學習相結合產生的植锉。硬件系統(tǒng)主要的就是指移動端的芯片辫樱，比如手機里的芯片。

今天人工智能算法中最火的名詞就是深度學習了俊庇。但是人工智能有許多流派狮暑，符號主義、連接主義辉饱、統(tǒng)計主義搬男、行為主義等等，在這些流派下面會誕生不同的算法的門類彭沼，不同的算法門類里面細節(jié)還有很多算法缔逛，人工智能的算法非常多，比如說知識圖譜姓惑、專家系統(tǒng)褐奴、遺傳算法等，他們都屬于 AI的算法于毙。但最近十年是深度學習比較流行敦冬，但是如果真的想扎根于人工智能的話，不要放棄其他算法望众，因為人工智能的發(fā)展匪补，一直都是三十年河東伞辛，三十年河西烂翰。在最早的時候符號主義和專家系統(tǒng)特別流行，現(xiàn)在就不流行了蚤氏，但沒人知道十年之后他不會再次流行甘耿。

在人工智能誕生之初，科學家會想怎么實現(xiàn)人工智能呢竿滨，然后就誕生了不同的流派佳恬。在最早符號主義比較占上風捏境，科學家們都認為通過這種基于規(guī)則的數(shù)理邏輯、數(shù)學邏輯（加減乘除毁葱、與或非）就可以實現(xiàn)人的智能垫言。因為計算機剛剛誕生的時候，就是利用這些進行計算的倾剿。但是即使到了現(xiàn)在人腦的原理筷频，人們也沒有完全的理解，現(xiàn)在的電腦也還是不能代替人腦前痘，所以符號主義沒有走得很遠凛捏，逐漸沒落了。

其實在人工智能誕生的早期芹缔，還有另外一個流派就叫做連接主義坯癣，或者叫連接流派。它是模擬大腦的連接結構最欠。該流派主要是模擬人腦的結構示罗。人腦由神經元組成，那機器腦就由人工神經元構成窒所；人的大腦皮層是一層一層連接起來的鹉勒，那機器里面的大腦就由一層一層的人工神經元連成。這就是連接主義這一派的思路吵取，所以這也是神經網絡和深度學習所屬的流派禽额。所以從最早人工神經元發(fā)展到多層感知機，然后發(fā)展發(fā)展到神經網絡皮官，這些學習算法發(fā)展到現(xiàn)在就成為了深度學習脯倒。

其實行為主義也一直在流行。行為主義的代表算法就是遺傳算法捺氢。遺傳算法是強化學習的一個特例藻丢，這一類的算法是模擬人的行動和決策的，人類看到什么事情摄乒，會做出什么樣的行動悠反。比如，當人類看到前方有障礙物會躲避馍佑，那這個從感知到行動的行為斋否，科學家認為如果機器也能像人一樣有從感知到行為的映射，那機器就具有了人類的智能拭荤，所以叫行為主義茵臭。

最后一個流派叫統(tǒng)計主義，這個非常像數(shù)理統(tǒng)計這一派的舅世，它其實就是機器學習旦委，因為機器學習的全稱叫做統(tǒng)計機器學習奇徒。那這一類的流派的科學家就希望系統(tǒng)可以自動地從數(shù)據(jù)中獲得知識，而不需要人告訴他缨硝，也就是在數(shù)據(jù)摩钙，也可以叫經驗中學習。在經驗中學習查辩，其實跟人的學習的過程是很像的腺律。比如監(jiān)督學習和無監(jiān)督學習，就很像人類的學習的過程宜肉。機器學習通常被劃分為監(jiān)督學習匀钧、無監(jiān)督學習和強化學習。監(jiān)督學習就類似于老師在說谬返，哪個是正確的哪個是錯誤的之斯。在這種標簽或者老師的監(jiān)督下，在數(shù)據(jù)中產生算法遣铝，產生模型佑刷。監(jiān)督學習非常適合解決分類或者回歸類問題。監(jiān)督學習就沒有老師了酿炸，相當于完全自習的狀態(tài)瘫絮，所以無監(jiān)督或者無老師學習，它很適合解決一些聚類的問題填硕，沒有明顯的標簽或者是沒有明顯的好壞麦萤，甚至沒有明確的對錯的一些問題。比如社交網絡里面的一些輿情的信息等等扁眯，都可以用聚類來做分析壮莹。另外一個就是強化學習，它適合解決的是決策問題姻檀，比如說機器人的控制命满、自動駕駛、下圍棋绣版、下國際象棋等等胶台。當然圍棋因為它的難度比較高，在 2016 年的時候才被 AlphaGo 解決杂抽，但也并不能叫完全解決诈唬。

機器學習之后就發(fā)展到了神經網絡。神經網絡根據(jù)網絡結構可以分為兩類默怨，即卷積神經網絡和遞歸神經網絡（或循環(huán)神經網絡）讯榕。卷積神經網絡更適合于解決空間相關的信號骤素，比如照片匙睹。遞歸神經網絡愚屁，或者循環(huán)神經網絡，它適合解決與時間相關的信號痕檬，比如語音信號霎槐。

深度學習是什么時候得到發(fā)展的呢？在 2012 ImageNet 挑戰(zhàn)賽里梦谜，Alex 提出了一個網絡丘跌，把深度學習變成了一個參數(shù)可調可學習的狀態(tài)。所以從 2013 年開始唁桩，深度學習就蓬勃發(fā)展了闭树。但這一個挑戰(zhàn)賽最早只在學術界有一定的影響力。什么時候工業(yè)界和大眾都開始關注到深度學習呢荒澡？其實是 AlphaGo 戰(zhàn)勝人類之后报辱，但戰(zhàn)勝人類的是深度強化學習，但反倒讓深度學習火了单山，這也是非常有意思的情況碍现。

四、像人一樣感知——以人臉識別為例

如果讓機器實現(xiàn)人臉識別米奸，總共分幾步呢昼接？其實有三步就夠了。如果要求高的話悴晰，就需要有四步慢睡。第一步就是做一個人臉檢測，先要檢測出人臉區(qū)域铡溪，再去識別一睁。但在檢測和識別中間還需要檢測關鍵點。什么叫人臉的關鍵點呢佃却？比如鼻子者吁、嘴巴、眼睛饲帅、眼角复凳、鼻翼、嘴角等等灶泵。關鍵點的作用是因為人臉識別不一定是正對鏡頭育八，有可能是側面，通過關鍵點就能把偏的人臉矯正赦邻，然后通過正的人臉去比對髓棋。

解決人臉的檢測問題又分幾步呢？人臉檢測其實最早分為三步，在深度學習的發(fā)展之后按声，人臉檢測流程就變簡單了膳犹。雖然算法變復雜了，但流程呢變簡單了签则，速度也變得越來越快了⌒氪玻現(xiàn)在有一些目標檢測叫兩階段檢測，例如 RCNN 系列算法渐裂。還有一階段的算法豺旬，比如 YOLO，SSD 系列柒凉。在深度學習的驅動下族阅，目標檢測算法兵分兩路，分為一階段和兩階段膝捞。

五耘分、像人一樣決策&行動——以自動駕駛為例

就一輛車來說，讓 AI 代替駕駛員的過程就是完全代替人的過程绑警。那什么來代替人的眼睛呢求泰？可以是激光雷達，但激光雷達的價格非常高计盒；還有可能是攝像頭渴频，比如特斯拉，就不使用激光雷達北启，只基于視覺的障礙物檢測卜朗；還可以是毫米波雷達。因為毫米波雷達它測距比較遠咕村，價格便宜场钉，所以可以在汽車上裝很多個。一般自動駕駛的計算設備就在車的后備箱中懈涛，由工控機逛万、GPU 等組成。還包括一些執(zhí)行單元批钠，比如方向盤宇植、油門等。

那要實現(xiàn)無人駕駛埋心，要解決幾個問題呢指郁？第一要解決這種感知問題，比如車道線拷呆、障礙物等等闲坎。第二還要認知它疫粥，克服一些不確定性，增強檢測的魯棒性等等腰懂。第三就是決策梗逮，看到了障礙物，還要思考該如何規(guī)劃軌跡悯恍。第四就是控制，最后就是執(zhí)行了伙狐。另外涮毫，比如說高精度地圖、定位感知和 GPS贷屎、北斗等等罢防，這些也都是非常重要的環(huán)節(jié)。

在自動駕駛中唉侄，因為獲取數(shù)據(jù)的傳感器很多咒吐，比如有單目相機、雙目相機属划、毫米波雷達恬叹、激光雷達等，這就會涉及到傳感器的融合了同眯。其實傳感器融合是一個非常傳統(tǒng)的科研方向绽昼。早期的時候都叫數(shù)據(jù)融合，但隨著科研領域流行詞匯的改變须蜗，現(xiàn)在更多的稱為多模態(tài)融合硅确。

其實學習人工智能并不難，想要實現(xiàn)前面提到的目標檢測任務明肮，其實只需要十幾行代碼菱农。元宇宙是未來下一代互聯(lián)網，是人類未來的數(shù)字化生存柿估。元宇宙是一系列技術的“連點成線”循未，能夠帶來超越想象的潛力，驅動產品創(chuàng)新和商業(yè)模式創(chuàng)新秫舌。終極的元宇宙將包含：互聯(lián)網只厘、物聯(lián)網、AR / VR舅巷、3D 圖形渲染羔味、AI 人工智能、高性能計算钠右、云計算等技術赋元，具有改變世界的潛力。如果對元宇宙感興趣，而又不知道從哪入門搁凸，那么從 AI 這個大家公認與元宇宙最相近的方向開始學習是很好的選擇媚值。