近年來，越來越多的高校開始專門設立人工智能學院，加上人工智能專業的就業風評水漲船高，大量的考生開始湧入人工智能領域方向，彷彿人工智能就是以後的前途明燈，每個人都能聊起人工智能領域的小分支，自然語言處理，語音識別，情感分析，圖像識別等等。
---Defunction量子考研，一群專注於計算機考研的同學
那問題來了
人工智能到底是什麼呢？
1955年，人工智能之父約翰.麥卡錫（John McCarthy）在達特矛斯會議上提出了“人工智能”一詞，並將數學邏輯應用到了人工智能的早期形成中。人工智能就是製造智能的機器，更特指製作人工智能的程序。人工智能模仿人類的思考方式使計算機能智能的思考問題，人工智能通過研究人類大腦的思考、學習和工作方式，然後將研究結果作為開發智能軟件和系統的基礎。
看到以上定義，一般人都會從生物學的角度去考慮，人工智能畢竟想模仿大腦思維方式，是不是需要大量的生物基礎知識，和計算機又有何關係呢？事實上，儘管我們的期望是讓機器達到人類的智慧，能夠自主學習，輔助人類從事相關工作任務，但是以目前的情況來說，人工智能並不算真正的智能，現有的人工智能和傳統生物學並無緊密聯繫。一般來說，我們認為飛機的發明是受到動物的飛行能力所啟發的，鳥類，昆蟲類的能夠飛翔的翅膀讓飛機也擁有相同的部位。但是鳥類和飛機的飛行的原理不盡相同，只有鳥類滑翔的時候才和飛機的飛行類似。所以鳥類只是一個飛機產生的啟發式原因，而不是必要條件，否則能讓人類個體自由飛翔的機器早已誕生。
既然人工智能和傳統生物學並無緊密聯繫，那人工智能的生物的啟發式原因是什麼呢？人工智能早期，也就是機器學習為主導的時代，並沒有受到生物啟發，相關研究人員一直都在研究哪些數學模型能夠支撐起自己研究的領域。
舉一些簡單例子：最小二乘法可以擬合某些點形成的直線，也可以擬合曲線，比如圓和橢圓。也就是說初期的人工智能就是建立多維座標系，然後尋找一個合適的擬合函數。這聽起來並沒有那麼玄妙，但是這個思路也是正確的，因為許多領域都是從數學發展的。隨著研究的推移，機器學習產生的擬合模型在複雜的領域下擬合很差，也就是說機器學習的方法已經不足以應付人工智能的所有領域了。
隨著計算機計算能力的飛速發展，神經網絡之父傑弗裡.辛頓（Geoffrey Hinton）的思想開始受到相關研究人員的廣泛關注。他意識到科學家們並沒有真正理解大腦——不能完全掌握數十億神經元之間的交互以及如何提升智力。這些科學家可以解釋電信號沿著一個軸突連接一個神經元到另一個，但他們無法解釋這些
神經元是如何學習或計算的。Hinton認為這些都是大問題，答案可能最終讓我們實現1950年代人工智能研究人員的夢想。於是新的數學模型概念誕生，設立多層的數學模型，前一層的輸入在通過一個模型之後，產生輸出，這時不是直接產生結果，而將產生的輸出作為下一層數學模型的輸入，繼續產生下一級輸出。在經過多層的迭代之後，最後產生結果，達到最終目標。這裡面的數學知識較多，不仔細進行講述，總的來說神經網絡是一類為了建立更好地數學模型以及獲取每一層數學模型的參數而產生的研究領域。
從神經元到神經網絡
當然神經網絡也不是人工智能的全部，沒有人知道未來的人工智能到底是不是神經網絡為雛形的學科，但是目前來說神經網絡在人工智能領域擬合的十分漂亮，是一個非常值得探索和研究的領域。以目前的人工智能水平來看，人工智能甚至沒有達到低級智能，現有的機器人打敗人類棋手的現象只不過是計算機的存儲能力大於人類的存儲能力的一種表象，其處理計算能力遠遠不如人類，擔心人工智能會帶來的社會危機還為時尚早。
既然人工智能的前景如此坦蕩
那就請
“用大力有餘，入細心愈研”
ヾ(◍°∇°◍)ﾉﾞ
閱讀更多 defunction小量子 的文章
