【Pconline 雜談】
當談到人工智慧的時候，各位小主很輕易便能想起科幻電影中天網統治人類、男豬腳穿梭時空摧毀主機跟女主嘿嘿嘿什麼的。前段時間鬧得沸沸揚揚的Google AlphaGo在人機圍棋比賽中4:1戰勝李世石，更是將人工智慧推上了風口浪尖。
最近大熱MWC大會上類似的科技成果屢見不鮮，智慧手機與人工智慧的契合、物聯網、5G通信等，都成為MWC上的大熱門。MWC向來是行業風向標，各家科技大佬都爭相亮出看門技術，力求一席之地。下面隨著小編來看看這些曾經出現在科幻電影中的黑科技吧！
人工智慧的小介紹
人工智慧的科學研究要研究人的智慧的內部結構，相當於研究心理學的原理，聽起來好像挺玄乎的，人工智慧的研究集中在其工程後階段——工程實現上。
人的智慧活動本質上就是獲得和運用知識。知識是智慧的基礎，為了實現人工智慧使機器具有智慧就必須使它具有知識。
說成人話就是：要採用適當的手段表達人的知識然後才能存儲到機器中去這就是用知識表達要解決的問題，對知識進行表達就是把知識表示成便於電腦存儲和利用的某種資料結構。知識表達方法又稱為知識表示技術，其表示形式稱為知識表示模式。
曾經是學霸的小編覺得可以用生物學來解剖人工智慧好像還不錯。對生物體而言，進化是一個多代累積的基因改變過程，在每一代的進化過程中會有基因的剔除和基因的增加。
在每一次的基因改變後，只有那些擁有適宜于生存環境基因的變異生物能夠存活，而那些擁有不適宜生存環境基因的變異生物則無情的被環境淘汰。這個過程就是一次自然選擇的過程。
機器學習演算法的反覆運算具有類似生物進化的功效，使得生物進化和工程設計過程的融合成為可能。我們可以把機器學習所需的資料（data）及其規格化處理類比為生物進化過程中的「環境」，把機器學習過程類比為「自然選擇」。
機器學習在訓練的時候分為監督式學習、非監督式學習、增強學習、聚類、決策樹以及深度學習的其他方法。學習的方法雖多，但結果只有一個便是計算出人類需要的且正確的結果。
在人工智慧領域，此類實驗現象屢見不鮮。例如：K-均值聚類演算法常被用來處理圖像分割問題，通過對原始無標籤的輸入資料（通常是圖像）進行聚類直至相似特徵的資料被合理的聚分至各族群內。
如果將同個任務交給 10 個機器學習工程師，並且是處理同樣輸入資料集，假如他們使用各不相同的演算法，但並不妨礙最終的聚類結果。
從這個維度來比較自然選擇和機器學習過程，兩者何其相似。以此類推，便能分辨那種演算法是最適合某類任務的，一些無用的演算法會被人工智慧拋棄，優勝劣汰如此來說倒也不無道理。
人工智慧的三大流派
人工智慧（AI）是最近非常火的一個領域，很多國內的手機廠商都想跟著蹭熱點。各大廠商都在沒了命地擴展的生態圈也可說是人工智慧，因為用戶生態圈的構成智慧家居是必不可少的，而智慧家居正是人工智慧索涉及的。
此類人工智慧的落地方案是通過積累大量的領域知識來讓機器的互聯更加聰明。一般將之稱為基礎人工智慧，只能與固定的智慧模組互動，其中對專家知識庫的精妙構造是主要門檻，不足地方主要有兩點：一是需要清楚要解決的問題能怎麼解決，二是系統不能“自主學習”。
榮耀推出了旗下新機榮耀Magic，一部依靠智慧系統與人工智慧作為亮點的手機，加之酷炫的外觀得到了業界的廣泛關注。網路上不乏好評，稱讚著這機器的內在，高喊著“人工智慧讓人們的生活方便不止一點點”；任正非還談及了AI的其他佈局。
在簡單神經網路面前基礎人工智慧就是一個學渣，它以來自身的演算法從（文字、圖像、音訊、視頻）資料中學習，所以其應用領域也十分廣泛。當下流行的深度學習框架多是基於簡單神經網路的實現，運用特定的演算法得出結果。
深度學習通過海量標記資料（labeled data）的訓練，已經成功應用在了圖像識別，文字翻譯，垃圾郵件處理等領域。
回到本質上，簡單神經網路依然是一個（高級）數學方法，其弱點就是不適用於小資料訓練集場景，另外也不適用於資料規律經常變化的場景。綜上所述簡單神經網路就是個書呆子。
魅族也在Flyme提出了OneMind的底層優化設計。One Mind 的能力劃分為分析、決策和進化這三部分。
在分析能力中，她的主要工作是觀察並記錄你的日常使用習慣，比如她會知道你平時最常用的應用是哪些，會知道你最喜歡哪些遊戲，知道你每天的作息時間，甚至還能夠瞭解什麼樣的資訊對你更重要。
第一步的分析資料為第二步的決策提供了前提。One Mind會自我學習，不僅學習你的APP的使用習慣，對常用應用進行預載入，提高應用的啟動速度。而且在晚上還會學習你的睡眠習慣判斷你的作息時間，通過限制網路，節省待機功耗，包括自我修復能力能全自動進行後臺整理，當你一覺醒來就會發現手機跟重生了一樣。
也就是說，One Mind從誕生的那一刻起，就會開始她的學習旅程。在持續的進化當中，她會越來越聰明，會有越來越多基於她所開發的功能，讓整個Flyme越來越懂你。
樓上所說的基礎人工智慧和簡單神經網路在生物神經面前還是啥都不懂的小師妹，生物網路是十足的老司機，其基礎是 SDR（Sparse distributed Representation），SDR對神經元的模擬與深度學習對神經元的模擬是完全不同的。
比如 HTM（Hierarchical Temporal Memory）就是生物神經網路的一個實現，這種神經網路擁有抽象泛化和想像的能力，它的優勢在於能夠從無標記資料中學習，不依賴于海量資料訓練集，這極有可能擴大了生物神經網路的應用場景，因為現實中很多待解決的長尾問題都是無標記資料和小數量級的。比如Vicarious公司當年通過小資料集破解Captcha。
不知各位看官對鋼鐵俠的助手是否有印象，沒錯，就是那個話多的賈維斯！這貨就是一個語音助手。如今的手機幾乎都預裝了語音助手，其實人工智慧這樣的黑科技就在我們的身邊。
當蘋果推出語音助手Siri時, 人們對這一新技術不僅充滿了好奇，還為以後漫漫長夜有伴而欣喜若狂。從按鍵到觸屏再到語音，人機交互的方式逐漸變得更為快捷智慧。
手機語音助手的工作模式一般為為本地語音辨識+雲計算服務。使用者對著手機說話後，這些語音將立即被編碼，並轉換成一個壓縮數位檔，該檔包含了使用者語音的相關資訊。
使用者的手機處於網路連接狀態，這些語音信號將被轉入使用者所使用移動運營商的基站當中，然後再通過一系列固定通道發送至使用者的互聯網服務供應商(ISP)，該ISP擁有雲計算伺服器。該伺服器中內置的人工智慧模組，將通過技術手段來識別使用者剛才說過的內容再進行回饋。
伺服器識別成功率取決於機器學習的累積與演算法的選擇，隨著科學技術的進步，手機語音辨識的準確率愈來愈高，相信在不遠的未來，無聊的時候就可以把語音助手拉出來聊聊最新的段子。
人工智慧的未來
略微瞭解網路通信的同學都知道資料庫是何其重要，人工智慧自然也不例外。資料庫相對于人工智慧來說等同于射雕英雄傳中的九陰真經，功法越多，習武之人則越厲害。網站上的文章、被珍藏在照片和電影都可以看做是一個個資料庫，但它不易被機器智慧或其他智慧所捕獲。
也就是說，缺乏資料庫的人工智慧就剛來地球的外星人，知道的事物知識太少。像 diffbot 和 deepdive 這樣的項目是利用半監督學習來找出非結構化資料中的結構，無論是大量的科學論文還是眾多網站的碎屑。一旦他們創建了一個資料庫，就能用更傳統的工具—— API、SQL語句或者桌面應用程式——訪問該資料庫。
人工智慧計算得出的結果是或否正確是其成功與否的標誌。AlphaGo可以利用280個GPU進行各種圍棋棋路的計算。那麼來一台有 280,000 個GPU的電腦怎麼樣？
然而，迄今為止我們所製造的最大電腦的計算能力只相當於一隻老鼠大腦的一小部分，更不要說與人類相提並論。再者說，人工智慧的演算法就擺在那，好比塑膠量筒不能裝硫酸，硬把計算圍棋的演算法運用在打LOL上這不是趕鴨子上架嗎。當一天人工智慧變得很聰明了，很顯然人類的智力也已經達到另一個層次，還怕老子還收拾不了兒子嗎？
道德並不是指所謂的機器人三大原則。不遠的未來當思考人工智慧真正到來的時候，我們的想像力會受到限制，這來源於人類的天性——懶。而且也很難想像人工智慧的應用到底會有哪些，如果我們想要讓人工智慧服務於人類，就必須公開進行研究，遵守相應的法律法規。
酷派CEO劉江峰也表示17年酷派會有全新的自主UI系統
作為人工智慧研究人員這一更大社區的一部分，作為更為廣泛的公眾討論（討論目標和宗旨）的一部分。我們必須加強監督，不要打造出人類自己的終結者，但是，也許需要認識到，終結者只不過是一個更強大的、真實的人類自身的版本。
小結
如今越來越多的人類智力活動將與智慧型機器一起進行。智慧作為人類的專利，是我們成為人的根本，人工智慧則是這種屬性的延伸。
在通往打造真正智慧型機器的道路上，我們正在發現新的理論、新的原則、新的方法和新的演算法，以上種種的成果，都將改善你我未來的日常生活，而這正是科技為人的初衷。