每日一發小視頻
人工智能，就是讓機器可以像人一樣思考問題。典型的場景有：圖像識別、自然語言處理、語音處理、動態物體跟蹤、可運動的機器人，等等。
智能，就是人類可以很容易作出判斷，但是卻根本描述不清楚為什麼是這樣。比方說，一張人臉，人類盯上不超過一秒鐘，然後幾乎不需要思考，就立刻認出這是誰。但是人類卻根本無法用文字作出該臉特徵的描述。讀文章，有“語感”，聽音樂，有“樂感”。為什麼某首樂曲聽上去悲傷？感覺，樂感，真的說不清楚悲傷的原因。開車，也是講“感覺”。只有學駕照的時候，教練才教很多公式，教很多特殊點(雨刷鉚釘，右邊玻璃的右下角等等)。AlphaGo為什麼是人工智能？對了，就是“棋感”。
而早期的深藍下國際象棋，勝過人類，就不能叫智能。因為它基本上是以窮舉為主，深藍的每一步操作都是精確可描述的，是“可知”的，是機器思維而不是人類思維。相反，AlphaGo就連開發者都搞不清楚這機器是怎麼運作的。它就是個“黑匣子”。它模擬的是人的“感覺”而不是一堆人類發明的精確圍棋算法公式。感覺是無法用語言描述的。
簡單算術運算也不是智能，因為人類列算式計算的每一步都是可精確描述的。同樣電子計算器在算術運算時的每一個步驟同樣也是如此(雖然它用的是二進制計算，數字電路，泰勒級數展開等與人類不太一樣的方法)。
人工智能要模擬人的“感覺”，就必須訓練，也可以叫做“學習”。比如讓它區分貓和狗，就給它幾萬張貓和狗的圖片，讓它自己去慢慢學習。在學習前，人類只需要告訴它某張圖是貓或是狗，其他信息一概不用多說。比如完全沒有必要提醒它有鬍子的就是貓。
從目前的技術來看，訓練是非常考驗技術和花費時間的。以致於大家一提到人工智能，就是以為在說機器訓練(機器學習)。
訓練是個反覆迭代的過程，就是說需要不斷地探索，此路不通，就換一條路，非常艱辛。現實中，往往是不斷地調整神經網絡的參數，不斷地對比訓練結果。多數時候還要數據預處理，以及輔助傳統的機器學習、傳統圖像處理、模式識別等技術。
那麼，上述過程，誰最擅長？現在公認的就是Python。
Python是解釋性語言而，弱類型，用起來很方便，開發效率大大高過C++、JAVA等語言，而且有很多現成的機器學習、深度學習、科學計算庫，這些都是它作為人工智能語言的優勢。AlphaGo的頂層代碼大部分是用的Python，AlphaGo的成功，也對Python起了很大的推動作用。
數據的訓練還可以細分為兩類。一是前期的算法探索和小樣本數據訓練，二是後期正式的大規模數據訓練。比如實驗的1萬個樣本，可能要訓練1個小時才能得到理想的網絡。而最終的100萬個樣本時，可能就需要100個小時。這已經很長了。這時候，C++的作用就體現出來了。可以用C++花很多的人力成本投入去優化算法。概括說來就是，前期用Python進行算法探索，待算法和相關參數確定，後期用C++重寫算法實現生產環境的真實的正式的訓練。
訓練是人工智能的很難的一部分，但是絕對不是人工智能的全部。人工智能還包括前期的數據獲取、數據預處理和後期的實際應用。
訓練得到的只是一個巨大的神經網絡，有了它以後就可以預測了。預測所需要花的時間遠遠短於訓練。比如訓練花100個小時，而用訓練好後的網絡預測可能只需要5秒。可別小看這5秒的短時間。我們仍然有必要優化，比如是否可以1秒就完成，0.1秒完成？試想，設計一個無人駕駛系統，那可是分秒必爭啊！稍微反應遲緩就可能釀成事故。
這時候，C++的作用又一次體現出來了！
這還沒完。人工智能的載體可能會很精簡。比方說嵌入到人體，嵌入到汽車，這麼小的系統，不是Python的天下。還有機器人，是可以運動的，如何驅動機器動，這不還是C++的強項嘛。
另外，還涉及到前期的數據採集和預處理。比如圖像、音頻、視頻，需要實時感知，包括必要的預處理(比如灰度化、關鍵部位快速定位)。這就要用到音頻視頻的高效處理，數據通信，物聯網等技術。這不還是C++的強項嗎？
總之，在人工智能開發的整個過程中，Python主要處理算法模型部分，而具體的前期數據獲取和後期與外部設備部分的交互則可以用C++來實現。
說個最誇張的例子。假如我們已知X要預測Y，Python做的工作就是找到Y=aX+b這測關係式，特別是a和b的具體數值最值錢。而除此之外的所有工作，從數據採集，軟件架構設計，數據庫設計與讀寫，後臺運作，分佈式處理一直到前端展示可能都是用的Python以外的技術(比如C++)來實現。Python的工作僅僅是得到a和b，僅此而已！
不過，從目前來看，人工智能最主要和最難的部分依然是由Python來實現的。
犍為真人
早起人工智能概念還很模糊的時候，很多人也很不解，為什麼莫名其妙的，Python怎麼就成了開發人工智能的第一語言呢？
人工智能為什麼不用C++
事實上，用什麼編程語言跟人工智能完全沒有關係，只要你願意，用C++也沒有問題。至於為什麼Python成為了人工智能的編程語言，原因有很多，這裡簡單說一下。
01
谷歌的搜索引擎源自Page和Brin的博士論文，當時他們的程序就是用Python寫的，當日他們兩就決定讓谷歌投入做AI時，首選的語言就是Python。在收購DeepMind之後，谷歌開始發佈大量的論文，放出的代碼也基本上是基於Python的，所以自然而然……
02
這是由於Python的優點決定的，它具有多平臺兼容性，代碼簡潔、可讀性強，豐富的開源庫等等。
C++在人工智能方面毫無用處？
恰恰相反，C++在人工智能方面的用處很大。目前機器學習的底層框架和所以來的支持庫，幾乎都是在使用C++。只是相比之下，Python的需求量更大，並不代表C++就沒有市場了。
如果你寫的是底層的庫，那麼C語言是最佳的選擇，如果是代碼量巨大，且有大量底層庫支持，保證速度不至於慢到不能接受的程度，Python還是最佳的選擇。
為什麼招聘的需求不同？
再看一個例子，你就明白了。來自騰訊人工智能職位的招聘。
招聘崗位有：語言識別/合成研究員，機器學習研究員、自然語言處理研究員、計算機視覺研究員、語音識別開發工程師……
閱讀一下這些崗位要求，你會發現一條几乎通用：至少精通一種技術語言，包括但不限於Java、C/C++、C#、Python等。
另外，要麼就是要求你同時精通C++和Python。
結合上面對C++和Python的闡述，你應該知道為什麼有些企業會招聘C++，有些企業會招Python了吧。
編程語言，誰是核心？
不妨再舉個例子，下圖是TIOBE編程語言排行榜：
這個榜單被很多人解讀為“誰才是編程語言的老大”。這可能是最大的誤讀了，其實這個榜單更多的是反應各類編程語言的熱門程度，亦或是市場需求，僅此而已。
每種編程語言，都有他們的優勢和劣勢，他們可能因為市場的需求而有了冷熱之分。如果你非得分出誰才是最重要的編程語言，我只能告訴你：
“PHP是世界上最好的語言”
——摘自W3Cshool學員的回答
W3Cschool
這個問題我有答案，頂我上去。
因為這兩個崗位要乾的活完全不一樣。
第一個要求python和tensorflow說明整個工作主要在設計模型，訓練模型，最後可能的輸出形式是用模型離線算一批數據或者用GPU在服務器部署；所以不需要太多的C/C++工程能力。
第二個工作要求C/C++，特別有一條要在手機客戶端部署，這個要求就高很多了，不只是模型訓練，你還需要在手機上實現模型，手機上可沒有CUDA生態的GPU，主要是一些協處理器，沒法直接上tensorflow。所以此時，比較好的方案就是用C/C++來進行CPU編程實現模型。
工程學之美
其實人工智能可以用到很多種語言，不只是Python和C/C++，還有Java，以及lisp，prolog.不過目前來看，還是Python和C++用得更多。
而Python其實是人工智能的首選語言，而且想要入門Python比其他語言都會容易些。當然了，不是說C++在人工智能中就毫無用處了，而是相比Python，它更不適合用在人工智能上。為什麼？
看看它的缺點：1.遵循自上而下的方法，語言比較複雜；2.僅僅是更適合實現特定系統或者是算法核心/基礎。
而Python呢？優勢更多：1.開發速度明顯比C++更快；2.有各種各樣的庫和工具；3.它面向對象；4.它還支持算法測試。
小碼哥Code
這麼說吧，C++學精了，上手其他編程語言會簡單許多，有很多優勢，python主要是上手簡單，但是精通也不容易。程序語言也沒有哪個更重要，只有哪個更適合。人工智能的開發的核心庫一般都也是C++寫的，只是提供了python程序語言接口，因為它更便捷。在開發過程中遇到性能調優的問題時還是會繞回到C++的。
吳大爺的日常
舉個例子吧，以caffe為例，layer就是用c++寫的，底層用C++實現起來快，對於caffemodel來說，一般大家都會選擇用python接口去解析它，畢竟方便。所以python和c++我認為是必須具備的兩個技能吧
