人工智能入门基础之一代宗师

　　这几天被人工智能刷屏刷得眼花缭乱了吧？最要紧的是，刷完了人工智能的了解还是像个毛线球？某某专家鼻祖发明的某某技术奠定了机器视觉、深度学习、语音识别……的基础，他们都是谁？都做了什么？所谓万变不离其宗，通常来说技术、知识体系都由一代宗师开始而代代相传，并且推陈出新。人工智能作为一个诞生了六十年的研究领域，也有其“宗”可溯。

　　较早进行人工智能研究的麻省理工学院(mit)人工智能实验室、斯坦福人工智能实验室等。事实上，正规教育体系的学科分类中，人工智能下分计算机视觉和机器学习两个二级学科，领域中诸多种技术彼此都相互关联。

　　计算机视觉从特征描述符到深度学习，计算机视觉走过蓬勃发展的二十年。近两年来，尤其是最近facebook、微软、google在人工智能领域取得的成绩，我们都知道深度卷积神经网络的神奇之处。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更优的结果。那么，在此之前，物体识别技术是什么样子？计算机视觉技术的进步，离不开他们的工作：

　　计算机视觉大牛族谱

　　计算机视觉的鼻祖要数伟大的david marr，他从计算机科学的观点出发，熔数学、心理物理学、神经生理学于一炉，首创人的视觉计算理论，从而使视觉研究的面貌为之一新。他的同事，将其理论传承了下来。现在，计算机视觉，计算机图形图像与机器学习趋于融合，极大技术相互联系，密不可分。而当下最流行的机器学习，它又是怎样诞生出千奇百怪的机器人或人工智能程序的呢？

　　机器学习

　　一般来说，机器学习领域的代表人物有geoffrey hinton、？yann lecun、tom mitchell等。他们如今虽然任职于不同的机构组织，然而也秉承着严谨的师承关系(包括phd和post-doc，co-supervise关系)，如图：

　　最初，机器学习分为联结主义和符号主义两大学派，后来华盛顿大学教授pedro domingos在去年的acm webminar上提出了机器学习五大流派及其代表人物的划分：符号主义、联结主义、进化主义、行为主义还有贝叶斯派。

　　符号主义(symbolists)代表人物：

　　符号主义是一种基于逻辑推理的智能模拟方法，又称为逻辑主义，其算法起源于逻辑学和哲学，通过对符号的演绎和逆演绎来进行结果预测。举个例子：根据 2+2=？ 来预测 2+？=4中的未知项。

　　早期的人工智能研究者绝大多数属于此类。该学派认为：人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统，计算机也是一个物理符号系统，因此我们就能够用计算机来模拟人的智能行为,即用计算机的符号操作来模拟人的认知过程。

　　总的来说，可以把符号主义的思想简单的归结为“认知即计算”。

　　联结主义代表人物：

　　据维基百科介绍，联结主义是统合了认知心理学、人工智能和心理哲学领域的一种理论。联结主义建立了心理或行为现象模型的显现模型单纯元件的互相连结网络。联结主义有许多不同的形式，但最常见的形式利用了神经网络模型。

　　人造神经元

　　联结主义的中心原则是用简单单位的互联网络描述心理现象。联结的形式和单位可以从模型到模型修改。例如，网络的单位可以描述神经元，联结可以描述突触。另一个模型网络中每个单位用一个词表示，每个联结用一个语义类似的词表示。

　　反向传播算法演示

　　神经网络是今天联结主义模型的主导形式，如今流行的深度学习也是此学派的一个延伸。

　　google那个识别出猫的神经网络

　　进化主义代表人物：

　　据airbnb工程师朱介绍，进化主义起源于生物进化学，该学派擅长于使用遗传算法和遗传编程。例如佛蒙特大学的josh bongard研发的基于生物进化理论的“海星机器人”，它能够通过内部模拟来“感知”身体各个部分，并进行连续建模。因此，即使没有外部编程，它也可以自己学会走路。

　　遗传算法

　　遗传编程

　　海星机器人

　　贝叶斯派代表人物

　　贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。其基本思想是：已知类条件概率密度参数表达式和先验概率，利用贝叶斯公式转换成后验概率，根据后验概率大小进行决策分类。基于概率统计的贝叶斯算法最常见的应用就是反垃圾邮件功能。

　　概率推理

　　行为类比主义(analogizer)代表人物：

　　剑桥大学计算机科学家felix hill认为，近来人工智能系统在深度学习上取得的进展可以概括为行为主义和认知主义。所谓行为主义，顾名思义，关注行为表现而忽略大脑和神经的作用；认知主义则着眼于构成行为的心理过程。

　　pedro domingos最后表示，五大流派虽然各有所长，但是，目前我们真正需要的是一个能够统一解决所有这些问题的算法。

　　以上图片来源：slideshare.net