一、人工智能的發(fā)展現(xiàn)狀

1.1概念

根據(jù)維基百科的解釋，人工智能是被機器展示的智力，與人類和其他動物的自然智能相反，在計算機科學(xué)中 AI 研究被定義為 “代理人軟件程序”：任何能夠感受周圍環(huán)境并且能最大化它成功機會的設(shè)備。

1.2重大事件

2016 年 10 月 ，美國白宮發(fā)布了《為未來人工智能做好準(zhǔn)備》和《美國國家人工智能研究與發(fā)展策略規(guī)劃》兩份重磅報告，詳細闡述了美國未來的人工智能發(fā)展規(guī)劃以及人工智能給政府工作帶來的挑戰(zhàn)與機遇。

VentureBeat 對這兩份報告進行了總結(jié)，得出了 7 個淺顯易懂的要點：

1、人工智能應(yīng)當(dāng)被用于造福人類

2、政府應(yīng)當(dāng)擁抱人工智能

3、需要對自動汽車和無人機進行管制

4、要讓所有孩子都跟上技術(shù)的發(fā)展

5. 使用人工智能補充而非取代人類工作者;

6. 消除數(shù)據(jù)中的偏見或不要使用有偏見的數(shù)據(jù);

7、考慮安全和全球影響

2016 年雙十一 ，魯班（阿里巴巴的人工智能設(shè)計系統(tǒng)））首次服務(wù)雙十一，制作了 1.7 億章商品展示廣告，提升商品點擊率 100%。如果全靠設(shè)計師人手來完成，假設(shè)每張圖需要耗時 20 分鐘，滿打滿算需要 100 個設(shè)計師連續(xù)做 300 年。

2017 年，魯班的設(shè)計水平顯著提升，目前已經(jīng)學(xué)習(xí)百萬級的設(shè)計師創(chuàng)意內(nèi)容，擁有演變出上億級的設(shè)計能力。此外，魯班已經(jīng)實現(xiàn)一天制作 4000 萬張海報能力，沒有一張會完全一樣。

2017 年 5 月 ，AlphaGo Master 戰(zhàn)勝世界冠軍柯潔。

2017 年 10 月 18 日 ，DeepMind 團隊公布了最強版本 AlphaGo， 代號 AlphaGo Zero。

2017 年 10 月 25 日 ，在沙特舉行的未來投資計劃大會上，沙特阿拉伯授予美國漢森機器人公司生產(chǎn)的 “女性” 機器人索菲亞公民身份。

作為世界上首個獲得公民身份的機器人，索菲亞當(dāng)天說，“她” 希望用人工智能 “幫助人類過上更好的生活”，同時對支持 “AI 威脅論” 的馬斯克說 “人不犯我，我不犯人”!

會后，馬斯克在推特上說：“把電影《教父》輸入了人工智能系統(tǒng)，還能有什么比這個更糟的?” 教父是好萊塢經(jīng)典電影，劇情充滿了背叛和謀殺。

索菲亞被授予公民身份后所產(chǎn)生的倫理問題也是人們不得不考慮的

近幾年人工智能領(lǐng)域的大新聞太多，這里不一一列舉

二、人工智能、深度學(xué)習(xí)、機器學(xué)習(xí)、增強學(xué)習(xí)之間的關(guān)系是怎樣的

人工智能是一個大類，包括專家系統(tǒng)、知識表示、機器學(xué)習(xí)等等，其中機器學(xué)習(xí)是目前最火也是發(fā)展最好的一個分支，機器學(xué)習(xí)中又包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)，增強學(xué)習(xí)等等。

監(jiān)督學(xué)習(xí)，就是人們常說的分類，通過已有的訓(xùn)練樣本(即已知數(shù)據(jù)以及其對應(yīng)的輸出)去訓(xùn)練得到一個最優(yōu)模型(這個模型屬于某個函數(shù)的集合，最優(yōu)則表示在某個評價準(zhǔn)則下是最佳的)。

再利用這個模型將所有的輸入映射為相應(yīng)的輸出，對輸出進行簡單的判斷從而實現(xiàn)分類的目的，也就具有了對未知數(shù)據(jù)進行分類的能力。

舉例來說，我們上幼兒園的時候經(jīng)常做的一個活動叫看圖識字，如上圖所示，老師會給我們看很多圖片，下面配了文字，時間長了之后，我們大腦中會形成抽象的概念，兩個犄角，一條短尾巴，胖胖的(特征)…

這樣的動物是牛;圓的，黃的，發(fā)光的，掛在天上的 … 是太陽;人長這樣。等再看到類似的東西時我們便能認出來，即使跟以前看到的不完全一樣，但是符合在我們大腦中形成的概念。

非監(jiān)督學(xué)學(xué)習(xí)則是另一種研究的比較多的學(xué)習(xí)方法，它與監(jiān)督學(xué)習(xí)的不同之處，在于我們事先沒有任何訓(xùn)練樣本，而需要直接對數(shù)據(jù)進行建模。

舉個例子，如圖所示，在沒有任何提示(無訓(xùn)練集)的情況下，需要把下列六個圖形分成兩類，你會怎么分呢，當(dāng)然是第一排一類，第二排一類，因為第一排形狀更接近，第二排形狀更接近。

非監(jiān)督學(xué)習(xí)就是在實現(xiàn)不知道數(shù)據(jù)集分類的情況下在數(shù)據(jù)中尋找特征。

深度學(xué)習(xí)是基于機器學(xué)習(xí)延伸出來的一個新的領(lǐng)域，由以人大腦結(jié)構(gòu)為啟發(fā)的神經(jīng)網(wǎng)絡(luò)算法為起源加之模型結(jié)構(gòu)深度的增加發(fā)展，并伴隨大數(shù)據(jù)和計算能力的提高而產(chǎn)生的一系列新的算法。

深度學(xué)習(xí)概念由著名科學(xué)家 Geoffrey Hinton 等人在 2006 年和 2007 年在《Sciences》等上發(fā)表的文章被提出和興起。

深度學(xué)習(xí)，作為機器學(xué)習(xí)中延伸出來的一個領(lǐng)域，被應(yīng)用在圖像處理與計算機視覺，自然語言處理以及語音識別等領(lǐng)域。

自 2006 年至今，學(xué)術(shù)界和工業(yè)界合作在深度學(xué)習(xí)方面的研究與應(yīng)用在以上領(lǐng)域取得了突破性的進展。以 ImageNet 為數(shù)據(jù)庫的經(jīng)典圖像中的物體識別競賽為例，擊敗了所有傳統(tǒng)算法，取得了前所未有的精確度。

增強學(xué)習(xí)也是機器學(xué)習(xí)一個重要的分支，是通過觀察來學(xué)習(xí)做成如何的動作。每個動作都會對環(huán)境有所影響，學(xué)習(xí)對象根據(jù)觀察到的周圍環(huán)境的反饋來做出判斷。

三、數(shù)學(xué)基礎(chǔ)有多重要

對于數(shù)學(xué)基礎(chǔ)知識，需要高中數(shù)學(xué)知識加上高數(shù)、線性代數(shù)、統(tǒng)計學(xué)、概率論，即使掌握的不是很完善，但是至少要知道概念，在用到的時候知道去哪查。

如果基礎(chǔ)不好，可以先看看吳軍的《數(shù)學(xué)之美》，講的比較通俗易懂。也可以邊做邊學(xué)，實踐是檢驗真理的唯一標(biāo)準(zhǔn)，畢竟大多數(shù)人還是以工程實踐為主

1.學(xué)習(xí)Python，并用于算法編程。

在此，我強烈建議初學(xué)者學(xué)習(xí)Python。Python不僅非常容易適合初學(xué)者掌握，而且它幾乎支持機器學(xué)習(xí)中所有的依賴庫。雖然R語言很有用，但一般說來Python更適合學(xué)習(xí)。除了基本編程外，對于機器學(xué)習(xí)來說，最有用的庫包括Numpy，Pandas和Matplotlib。

2.深入了解機器學(xué)習(xí)的基礎(chǔ)知識。

Andrew Ng的機器學(xué)習(xí)(Machine Learning)課程是一門最通用的機器學(xué)習(xí)課程。由于課程中涉及到一些偏導(dǎo)數(shù)的概念(盡管整個課程的學(xué)習(xí)并不需要完全理解這些概念)，因此對于高中學(xué)生來說這門課程可能還有點難度。

3.學(xué)習(xí)各種機器學(xué)習(xí)算法，并理解如何在真實世界的場景中應(yīng)用它們。

理論上來說，無法直接理解一些大學(xué)的數(shù)學(xué)知識及相關(guān)的機器學(xué)習(xí)算法。但是澳大利亞的一個研究團隊解決了這個問題。來自SuperDataScience團隊的Kirill Eremenko和Hadelin dePonteves通過尋找在現(xiàn)實生活中場景來應(yīng)用各種機器學(xué)習(xí)算法，這種學(xué)習(xí)的方法是非常有效的。此外，在應(yīng)用中適當(dāng)?shù)厣钊肜斫馑惴ǖ墓δ埽鵁o需接觸復(fù)雜高深的數(shù)學(xué)知識，這對于學(xué)習(xí)機器學(xué)習(xí)算法來說，無疑是一大福利。

4. 進一步探索機器學(xué)習(xí)的應(yīng)用。

到目前為止，你已經(jīng)掌握了廣泛的機器學(xué)習(xí)基本知識，并學(xué)到了大量的技能及編程知識。這些足以讓你獨立地去完成一些基礎(chǔ)的項目。

在開始一個項目之前，首先要確保所使用的數(shù)據(jù)集是簡單且干凈的，它們需要進行太多的數(shù)據(jù)預(yù)處理或修改操作。

在這里我沒有更多要說的，當(dāng)你了解該領(lǐng)域的基本知識并掌握了相關(guān)的編程知識，接下來你只需要通過實戰(zhàn)項目來多加練習(xí)，熟悉解決問題的整體流程，在不斷實戰(zhàn)中鍛煉并提高自身的專業(yè)能力，這只能靠你自己去努力！

5.找到一個特別感興趣的領(lǐng)域，并深入探索。

雖然你現(xiàn)在已經(jīng)對機器學(xué)習(xí)的基礎(chǔ)知識有了廣泛而深入的理解，但是對于這些機器學(xué)習(xí)算法的實際應(yīng)用還沒有很清楚地界限。因此，我建議你要盡快找到一個特別感興趣的機器學(xué)習(xí)應(yīng)用領(lǐng)域，并進行深入研究。

下面，我會列出一些可能涉及的領(lǐng)域，但你在開始之前要明白你正在學(xué)習(xí)的是什么。

1. 計算機視覺：這可能是目前機器學(xué)習(xí)/人工智能領(lǐng)域最熱門的領(lǐng)域。通過計算機使用特殊類型的深度神經(jīng)網(wǎng)絡(luò)來識別、檢測和理解圖像內(nèi)容。

2. 自然語言處理：了解計算機如何學(xué)習(xí)說話也是當(dāng)前一個熱門的研究話題。

3. 強化學(xué)習(xí)：該領(lǐng)域?qū)Ｗ⒂谌绾巫寵C器以特定方式進行學(xué)習(xí)，其在視頻游戲領(lǐng)域的應(yīng)用最為廣泛。

一旦你完成了這些課程學(xué)習(xí)后，就可以開始從網(wǎng)上下載一些基礎(chǔ)項目，并嘗試添加人工智能元素來修改代理的行為及智能體的學(xué)習(xí)方式。更多的視頻教程可以在Youtube上搜索。

4. 數(shù)據(jù)科學(xué)：這是一個新興的領(lǐng)域，在現(xiàn)實生活中有廣泛的應(yīng)用，也創(chuàng)造了大量的工作機會。

5. 在掌握數(shù)據(jù)科學(xué)領(lǐng)域的相關(guān)知識后，最好能夠找到一些公司的實習(xí)，因為公司實際的業(yè)務(wù)問題能夠讓你通過項目更好地鞏固數(shù)據(jù)科學(xué)的工作流程，在實戰(zhàn)中快速的提高自己的能力，這對日后的職業(yè)發(fā)展也有很大的幫助。

6. 此外，還有的應(yīng)用領(lǐng)域諸如像表示學(xué)習(xí)(用于推薦系統(tǒng)，生成對抗網(wǎng)絡(luò)(利用AI來改進AI)及遺傳算法(以類似自然進化的方式來改進問題的解決方案)也是值得你進一步探究的。但從目前情況來看，很多子應(yīng)用領(lǐng)域還未被完全的挖掘和探索。對于一名來說，如果你對其中某一個領(lǐng)域有特別感興趣，那么就盡情地開始探索這些領(lǐng)域吧。

對于一名而言，如果你想在未來長期致力在機器學(xué)習(xí)或人工智能領(lǐng)域工作，那么一個至關(guān)重要的問題是你要了解它是什么，它的突破性在哪里及它對社會的影響。此外，你還需要盡快地確定一個感興趣的領(lǐng)域，這將決定你未來學(xué)習(xí)和研究的方向。一旦你確定了研究的領(lǐng)域并對該領(lǐng)域的工作有了必要的了解，那么你就可以按著以上的步驟開始針對性學(xué)習(xí)。不僅如此，在高中階段還需要扎實地掌握該領(lǐng)域的知識并對其發(fā)展有個總的把握，對于這些我將給出我的一些建議：

1. 開始閱讀研究論文：這聽起來并不是多么有挑戰(zhàn)性的工作。閱讀研究性的論文對于大多數(shù)來說是完全可以的，論文中的大部分內(nèi)容也是容易把握的。如果偶爾碰到一個不明白的問題，可以嘗試跳過這些障礙，只要能理清論文整體的思路即可。

2. 傾聽領(lǐng)域大牛的意見：諸如Andrew Ng，Ian Goodfellow和Yann LeCunn等業(yè)界大牛都會定期地接受采訪，并給出關(guān)于人工智能及相關(guān)領(lǐng)域主題的觀點。

3. 實時關(guān)注領(lǐng)域動態(tài)：比如實時發(fā)布多個與機器學(xué)習(xí)、人工智能相關(guān)的文章。

4. 了解其含義：TED演講是了解人工智能知識的最佳途徑之一。主題演講者都是這個領(lǐng)域優(yōu)秀工作者，他們對于各自領(lǐng)域的知識及未來的發(fā)展趨勢有著獨到的見解，并能在演講中分享他們在工作中的一些寶貴經(jīng)驗。

5. AI哲學(xué)：人工智能的成功有它的支持者和反對者。

6. 貢獻：如果你喜歡從別人的經(jīng)驗中學(xué)習(xí)，你可以查閱Facebook group推出的人工智能和深度學(xué)習(xí)專題。