读《认识AI》

1、最近 ChatGPT 越来越热，都已经到了马斯克等千人签署公开信，呼吁暂停开发更强大的 AI 系统，担心人工智能开发危及「文明控制权」，而我这个 AI 小白决定要系统性的学习下 AI 相关知识了。

2、我之前说过，看书是系统化学习比较有效的一种方式，于是我找到了《认识 AI》这本书，这本书非常适合入门，整本书只有 200 页，涉及了 AI 的方方面面，很多地方都以生活中实际的例子进行类比，即便是非技术人员也能很好理解。

3、AI 是 Artificial Intelligence 的缩写，中文名是人工智能，这个现在耳熟能详的名字，居然在 1955 就被创造了，1956 年的达特茅斯会议上由约翰·麦卡锡提出，讨论了要让计算机能像人一样具有智能。约翰·麦卡锡也被称为人工智能之父。

4、人工智能的一个分支是符号和模式匹配，通过符号和模式匹配的方式对信息进行处理然后输出结果，当不能匹配时就没有结果返回，这种方式适合垂直领域，像客户机器人、天猫精灵等都属于这种。

5、另一个分支就是机器学习，就是让机器能像人一样进行学习，这就突破了符号模式匹配的限制。例如在符号系统中，数据中有 10 个小狗的照片，如果你提供的的照片在这个范围内，就能识别，否则就不能匹配，而在机器学习中，可以提取海量小狗照片进行特征提取，当提供一个范围外的小狗照片，只要特征符合，就能识别。

6、机器学习分为有监督和无监督，就像小朋友学习一样，找一个好的老师带着学，这就是有监督；让小朋友自己不断试错和观察，找到规律的学习方式就是无监督。对应到机器学习中，有监督就需要对数据足够了解，知道什么样的输入能产生什么样的输出，就像老师对所有知识都了如指掌一样；无监督我们只需要提供数据和算法，让机器自己去寻找内在联系和规律，数据量越大，结果越好。2015 年名震一时的 AlphaGo 就是通过无监督来进行学习的。

7、思考：我们现在做的低代码产品，在项目实施过程中，不同经验的人达到同样的业务目的，采用的方式可能完全不同，那是否能将这些经验让机器进行学习，通过自然语言进行场景描述，就能给出一个最优解呢？而对于相对确定的内容，比如特定故障的处理方式，就可以使用模式匹配的方式给出明确答案。

8、上面提到的有监督、无监督是学习的方式，在具体学习时还是需要根据不同场景使用不同的算法，常见的算法有下面这些：

• 决策树：是一系列指引帮助你做决定的流程，如游戏中的选项。例如：外出玩要穿什么衣服？如果天气热就穿T恤短裤,如果下雨就穿雨衣雨鞋，天气凉快就穿件夹克。这就是一个简单的决策树。常用于数据挖掘、机器学习中的分类和回归问题。
• k最近邻：找到最相似的 k 个同伴,然后看看他们的决定，你也做同样的决定。例如：不知道周末去玩什么，找 k 个最好的朋友问问他们周末的计划，然后你也去做类似的活动。主要用于分类问题。
• k均值聚类：把相似的项划分到同一个组中。例如：小朋友有 10 个糖果，可以通过观察糖果的颜色、形状等属性，将相似的糖果放在一组中，最终将10个糖果分成多组。它用于无监督学习的聚类问题。
• 回归分析：找到两件事之间的对应关系。例如：通过测量小学生的身高和年龄：建立年龄与身高的对应模型，可以预测某个年龄的孩子大概的身高。它适用于回归和预测问题。
• 朴素贝叶斯：通过统计学计算，对未知事物进行概率预测。例如，对于一篇文章，如果出现了与体育相关的单词，那么朴素贝叶斯算法就会认为这篇文章属于体育类别的概率更高。

9、书中还提到一个重要的机器学习算法：人工神经网络，它模拟了人类神经系统的结构和工作原理，能够学习和处理复杂的数据。人工神经网络分为三层，下面用一个例子来解释下这三个层级：

假设我们要训练一个人工神经网络来识别手写数字。

• 输入层：将数字图片输入到神经网络的输入层，输入层会将每个像素的值作为输入，传递给下一层隐藏层。
• 隐藏层：在隐藏层中，每个神经元都会对输入的像素进行各种处理和计算，提取特征。通过调整权重和偏置，隐藏层可以学习如何提取数字图片的特征，比如边缘、线条、圆弧等。
• 输出层：最后，神经网络会将隐藏层的输出传递到输出层，输出层会计算每个数字的概率，并输出概率最高的数字作为识别结果。

10、机器能够通过学习解决很多的问题，但要让人可以方便地和机器进行沟通，这就需要用到自然语言处理技术（NLP），NLP 是自然语言理解（NLU）和自然语言生成（NLG）的结合，一个输入，一个输出，结合起来就是 NLP 了。关于 NLP 书中提到了很多的挑战，现在 ChatGPT 都解决得很好，ChatGPT 可以很轻松地理解我们要表达的意思。

11、总的来说，这本书可以让我们了解到很多人工智能相关的很多概念，通俗易懂，也不需要有很强的背景知识，可以为后面进一步学习打下基础。