演算法邏輯電路

Ⅰ 人工智慧的原理是什麼

人工智慧的原理，簡單的形容就是：

人工智慧=數學計算。

機器的智能程度，取決於「演算法」。最初，人們發現用電路的開和關，可以表示1和0。那麼很多個電路組織在一起，不同的排列變化，就可以表示很多的事情，比如顏色、形狀、字母。再加上邏輯元件（三極體），就形成了「輸入（按開關按鈕）——計算（電流通過線路）——輸出（燈亮了）」

但是到了圍棋這里，沒法再這樣窮舉了。力量再大，終有極限。圍棋的可能性走法，遠超宇宙中全部原子之和（已知），即使用目前最牛逼的超算，也要算幾萬年。在量子計算機成熟之前，電子計算機幾無可能。

所以，程序員給阿爾法狗多加了一層演算法：

A、先計算：哪裡需要計算，哪裡需要忽略。

B、然後，有針對性地計算。

——本質上，還是計算。哪有什麼「感知」！

在A步，它該如何判斷「哪裡需要計算」呢？

這就是「人工智慧」的核心問題了：「學習」的過程。

仔細想一下，人類是怎樣學習的？

人類的所有認知，都來源於對觀察到的現象進行總結，並根據總結的規律，預測未來。

當你見過一隻四條腿、短毛、個子中等、嘴巴長、汪汪叫的動物，名之為狗，你就會把以後見到的所有類似物體，歸為狗類。

不過，機器的學習方式，和人類有著質的不同：

人通過觀察少數特徵，就能推及多數未知。舉一隅而反三隅。

機器必須觀察好多好多條狗，才能知道跑來的這條，是不是狗。

這么笨的機器，能指望它來統治人類嗎。

它就是仗著算力蠻干而已！力氣活。

具體來講，它「學習」的演算法，術語叫「神經網路」（比較唬人）。

（特徵提取器，總結對象的特徵，然後把特徵放進一個池子里整合，全連接神經網路輸出最終結論）

它需要兩個前提條件：

1、吃進大量的數據來試錯，逐漸調整自己的准確度；

2、神經網路層數越多，計算越准確（有極限），需要的算力也越大。

所以，神經網路這種方法，雖然多年前就有了（那時還叫做「感知機」）。但是受限於數據量和計算力，沒有發展起來。

神經網路聽起來比感知機不知道高端到哪裡去了！這再次告訴我們起一個好聽的名字對於研（zhuang）究（bi）有多重要！

現在，這兩個條件都已具備——大數據和雲計算。誰擁有數據，誰才有可能做AI。

目前AI常見的應用領域：

圖像識別（安防識別、指紋、美顏、圖片搜索、醫療圖像診斷），用的是「卷積神經網路（CNN）」，主要提取空間維度的特徵，來識別圖像。

自然語言處理（人機對話、翻譯），用的是」循環神經網路（RNN）「，主要提取時間維度的特徵。因為說話是有前後順序的，單詞出現的時間決定了語義。

神經網路演算法的設計水平，決定了它對現實的刻畫能力。頂級大牛吳恩達就曾經設計過高達100多層的卷積層（層數過多容易出現過擬合問題）。

當我們深入理解了計算的涵義：有明確的數學規律。那麼，

這個世界是是有量子（隨機）特徵的，就決定了計算機的理論局限性。——事實上，計算機連真正的隨機數都產生不了。

——機器仍然是笨笨的。

更多神佑深度的人工智慧知識，想要了解，可以私信詢問。