不知道是幸運還是不幸炸站，我們所處的時代出現(xiàn)了一種叫做“人工智能”的技術,創(chuàng)造它的初衷是為了幫助人類從繁復的計算和重復勞動中解放出來贡必，順便提供一點娛樂消遣某筐。但隨著技術的發(fā)展和大數(shù)據(jù)的支持，它變得越來越聰明啥酱，甚至在某些方面超過了人類爹凹。這讓人類開始有了危機感，害怕有朝一日被自己制造出來的智能體征服镶殷，就連霍金也發(fā)出了“完美人工智能的開發(fā)便意味著人類的終結”的警告禾酱。我把這種觀點稱之為“危機論”，秉持這種觀點的人比比皆是绘趋，但也有人提出不同的想法颤陶，比如今天提到的<人工智能狂潮-機器人會超越人類嗎？>這本書的作者陷遮，日本著名人工智能專家松尾豐先生滓走。他認為人工智能將會征服人類這種說法完全是無稽之談，人工智能必然會促進人類的發(fā)展帽馋。這種觀點我把它叫做“共存論”搅方。

上述觀點究竟孰是孰非，這要交給時間來證明绽族，現(xiàn)在我們能夠確定的是:人類已經(jīng)教會了計算機自我學習的方法姨涡，它的發(fā)展勢頭將無人可擋。這種方法就是近年來人工智能領域研究出來的深度學習技術吧慢。人工智能領域我連門外漢都算不上涛漂，因為門兒在哪我都不知道，可我偏偏對人工智能如何從小時候玩的俄羅斯方塊手掌機發(fā)展到可以戰(zhàn)勝職業(yè)棋手的ALPHAGO這個過程很感興趣检诗，于是找到了前面提到的<人工智能狂潮>來讀匈仗。合上書，我對人工智能的發(fā)展過程有了初步的了解逢慌，更重要的是悠轩，我覺得似乎可以從人工智能學習的方法上借鑒一點東西用在我們身上。

計算機的自我學習方法是人類研究出來的涕癣，反過來我們又從計算機身上學習學習方法哗蜈，有點怪是吧前标？那就讓我們從人工智能發(fā)展的歷史開始梳理吧。作者松尾豐先生作為日本人工智能學會的會長距潘，他把人工智能的發(fā)展分為四個階段炼列，分別是:

• 推理與搜索時代 1956年夏天，美國東部達特茅斯的一次學術會議上第一次提出了“人工智能”的概念音比，這一時期的人工智能主要是按照“前提條件—行動—結果”的流程進行推理與搜索俭尖。這一時期人工智能能夠解決的問題的范圍和能力都有局限性，只用于下棋洞翩、游戲等方面稽犁，這就造成研究激情于20世紀60年代逐漸退卻；

• 知識表示時代 在這一階段骚亿，人工智能依靠“知識”的支撐已亥，也就是大量數(shù)據(jù)的輸入，配合事先指定的規(guī)則来屠，可以實現(xiàn)不同的輸出結果虑椎，實現(xiàn)諸如診斷病情、智能對話之類的功能俱笛。這種人為輸入指示解決問題的方式就是所謂的專家系統(tǒng)捆姜。對于人工智能發(fā)展至關重要的一個概念”知識表示“浮出水面，即讓計算機理解人類掌握的知識的方式迎膜，它的發(fā)展程度決定了人工智能的進步速度泥技。該階段的知識表示還停留在人工輸入階段，人為將大量的通識知識磕仅、定理等輸入計算機珊豹，但由于信息量太大，且描述困難宽涌，進而延伸出“本體研究”的概念平夜，即概念化的明確的規(guī)范說明，就像說明書一樣卸亮。但知識是無窮盡的，如何提煉出抽象的概念讓計算機能夠理解玩裙，計算機如何根據(jù)情境選擇正確的知識解決問題兼贸，這些都是這個階段面臨的問題。

• 機器學習時代 1990年吃溅，網(wǎng)頁開始出現(xiàn)溶诞。隨之而來的是數(shù)據(jù)大量激增，計算機處理能力逐步提升决侈，計算機可以根據(jù)特征量自動找到區(qū)分各類知識的方法螺垢，進而可以對之前它從未接觸過的實物進行識別和判斷，甚至做出預測，這就是所謂的機器學習枉圃。特征量我們可以理解為標準功茴，是對象與其他事物不同點。比如西瓜和蘋果孽亲，兩者之間的區(qū)別就是各自的特征量坎穿，到了這個階段，人工智能的發(fā)展速度開始提升返劲，但特征量依靠人類設計造成精準度不高玲昧。可以說如果解決了計算機自行確定特征量的問題篮绿，人工智能將一飛沖天孵延。

• 深度學習時代 這就是我們現(xiàn)在所處的時代，2006年深度學習開始被研究亲配，十多年來已經(jīng)取得了非凡的成果隙袁，計算機已經(jīng)可以自主學習，分辨事物弃榨，解決問題菩收。深度學習指的是以數(shù)據(jù)為基礎，計算機自動獲取高層特征量鲸睛，生成數(shù)據(jù)庫娜饵，不再依靠人來設計特征量。谷歌2012年開始的“貓臉識別”就是典型的深度學習官辈，提供1000萬張貓臉照片給計算機箱舞，讓其自動提取特征量，作為今后識別貓這種動物的標準拳亿。是不是很神奇晴股？這究竟是怎么實現(xiàn)的呢？太深奧的原理我不懂肺魁，只能簡單說說我的理解电湘，還以“貓臉識別”作為例子：首先將輸入和輸出都提前給定，也就是說鹅经，我們把1000萬張貓臉照片輸入計算機寂呛，然后告訴計算機這些照片都是一種叫做“貓”的動物，由計算機自動提取貓的特征量瘾晃，假設計算機提取了一系列貓的特征贷痪，比如身上有毛，有尾巴蹦误，四條腿等等劫拢，然后為了提高準確度肉津，我們再加入一些噪音，比如狗的照片并告訴它舱沧，這不是貓妹沙，于是計算機又會進行修正，在其他特征都吻合的條件下狗唉，加入圓臉的才是貓初烘，長臉的不是等等類似的特征（舉例子啊，我并不確定是否存在長臉的貓）分俯，今后計算機就能夠根據(jù)自己建立的特征量數(shù)據(jù)庫識別出貓這種動物了肾筐。這一切都是建立在大數(shù)據(jù)基礎上的，就像羅胖說的“人工智能是用大數(shù)據(jù)喂養(yǎng)出來的怪獸”缸剪。當然吗铐，深度學習技術當然不會這么簡單，這只是我理解的一點皮毛而已杏节。

我們的時代不僅有人工智能唬渗，還有一個不同于此前所有時代的特征，就是知識迭代的周期不停的縮短奋渔。所以镊逝，處在這個時代的我們，無論是貧窮還是富有嫉鲸，疾病還是健康撑蒜，都會主動或被動獲得一個額外的職業(yè)—學生。終生學習是我們適應時代發(fā)展的必要條件玄渗，學習力的高低甚至可以決定你的人生高度座菠。從人工智能的發(fā)展歷程中，特別是深度學習技術里藤树，我總結了幾個提升學習力的要點浴滴，和大家做個分享：

• 學習目標要清晰 人工智能的產(chǎn)生和發(fā)展都是為了解決問題，可以引申到我們究竟為什么而學岁钓，這是最重要的問題升略。在我看來，學習分為兩類：以知識為導向的學習和以問題為導向的學習甜紫。前者指的是學院教育降宅，側重于知識的積累，適合學生囚霸，而后一種是指為解決某一問題而進行的有目的學習，適合成年人激才。兩種方法優(yōu)勢互補拓型，但對象不同额嘿，側重點就不同，就我個人而言劣挫，問題為導向的學習更適合我册养，當然，知識學習也是必須的压固，只不過排在第二位球拦；
• 輸入和輸出都很重要 前面提到的深度學習里輸入和輸出兩個方面，也可以應用在學習上帐我，輸入的重要性毋庸置疑坎炼，輸入量要盡可能的大，無論你是哪一種學習者拦键，大量的輸入才能有高質(zhì)量的輸出。輸入是手段，輸出才是目的抵代，輸出最重要的是從輸入中提煉出“特征量”攀唯，也就是獨特的觀點然后表達出來，才能取其精華媚朦，內(nèi)化于心氧敢；
• 善用抽象和類比 計算機利用深度學習技術提取特征量用的就是抽象和類比的方法。這兩種方法在學習中簡直是神器询张∷锕裕《如何高效學習》的作者斯科特.楊，一年學完MIT全部課程瑞侮，靠的就是這兩種方法的圆。抽象是總結，把總結出來的知識半火、方法活用到其他領域就是類比越妈，所謂“一通百通”就是這個意思了。推薦看一下coursera上的課程《Learning how to learn》（中文：學會如何學習-幫助你掌握復雜學科的強大智力工具）钮糖，絕對有幫助梅掠。

一本書看了一周，筆記拖了兩個月店归，我這拖延癥也是沒誰了阎抒。Facebook的小札說過“完成比完美更重要”，與拖延癥病友們共勉

用笑來老師的公眾號題目“學習學習再學習”作為結束消痛，第一個和第三個“學習”都是動詞且叁，第二個是名詞，懂了吧秩伞。