从实用的不雅观点来说，人工智能之梦可以说与当代打算机的发展同步，理论上也是起始于几位数学家的构想和研究，从1900年大卫·希尔伯特提出23个未解数学难题后，继而有哥德尔的不完备性定理、冯·诺依曼的数字打算机构形、图灵的图灵机等等，都推动着打算技能的发达发展。

（图片来自网络）

不过，企图将打算机的经典数理逻辑方法用于仿照人脑，使人总觉得有某种先天不敷的毛病，由于人脑的思维过程中有太多“模糊”的直不雅观意识和不愿定性，彷佛与严密的数字打算扞格难入！
因此，几十年来打算技能突飞年夜进长足发展，人工智能却三起三落广受诟病。

英国数学家艾伦·图灵（Alan Turing，又译阿兰·图灵，1912-1954），对打算机及人工智能之贡献，在科学技能界众人皆知有目共睹。

（艾伦·图灵。
图片来自网络）

1950年10月，图灵揭橥了一篇题为《打算机器与智能》的论文，设计了著名的图灵试验，通过回答一些问题来测试打算机的智力，从而剖断到底是台机器，还是一个正常思维的真人？别鄙视这个你也想得出来的大略观点，该论文当时引起了人们的极大关注，奠定了人工智能理论的根本。

图7-2-1：图灵测试

图灵测试在互联网上有诸多运用，比如，可举一个你常常能碰到的实例：当你注册了一个社交网站成为一个用户后，如果你要再次登录，常常会被哀求看一个图像，就像在图7-2-1右图所示的那种字母或数字被变形歪曲了图像。
网站放上这种图像的目的也就类似一种最大略的图灵测试，看看你到底是机器还是人？从而预防有人编写程序来登录网站干出各类坏事来。

上世纪的60-70年代，人工智能经历了一段黄金期间，得到了井喷式的发展，有关机器推理、机器定理证明等好纷至沓来。
然而，这方面的进展也很快地遭遇瓶颈，还有更为令人丧气的环境发生在机器翻译等领域，可举一个大略笑话为例。
打算机将下面这个英语句子：The spirit is willing but the flesh is weak. （心有余而力不敷。
）翻译成俄语再翻译回英语后，得到的结果是：The wine is good but the meet is spoiled.（酒是好的，肉变质了。
）

（图片来自网络）

诸如此类的笑话让人们当年对人工智能领域的科学家们嗤之以鼻，继之而来的是人工智能方面的项目经费大缩减，打算机技能仍旧发展，人工智能领域却彷佛进入了寒冷的冬天。

之后，又有专家系统、知识工程等人工智能方法相继问世，传统的人工智能研究者们奋力挣扎，但都未办理根本问题，其缘故原由是什么呢？

由于人们原来总是企图利用打算机的超级打算能力来实现“智能”，以为智能是即是知识加打算，对电脑而言便是CPU的速率加硬盘容量。
但事实上，人脑的运行和准确而快速的打算完备是两码事，聪慧并不是来自于精准的逻辑运算，而是参杂了许多不愿定的随机成分。
也便是说，人工智能的实现须要概率和统计的加盟。
但是，这种“随机”的成分如何才能渗透个中呢？这些想法末了匆匆使某些研究者回到“小孩子是如何学习的？”这一类人类认知面对的最基本问题。

（图片来自网络）

是啊，为什么不模拟人类大脑的最基本事情办法，即学习过程呢？于是，所谓人工神经网络模型，以及“机器学习”的各种算法便应运而生。
众所周知的基本教诲模式有两大类：一是从上到下的贯注灌注式，二是自下而上的启示式，两者各有利害，相互补充。
利用当代启示式的教诲方法，让孩子自己学习，远远赛过传统教诲中仅仅将知识进行贯注灌注的办法。
那么，对待机器，我们是否也该当思考这一点呢？

传统的、图灵等大师们发展起来的人工智能之路，总是希望机器要比人类更长于思考繁芜的问题，办理数学难题，在某种程度上类似于采纳贯注灌注式的教诲办法。
而之后研究的神经网络和机器学习，便是企图让机器模拟孩子们学习的过程。
话虽这么说，但事实上，最早的神经网络研究可以追溯到1943年打算机发明之前，那时候就已经有了类似于当前利用的单个神经元打算模型。
只管如此，神经网络研究几十年却一贯没有得到好的结果，个中有多种缘故原由。

（图片来自网络）

从上世纪80年代开始，逐渐形成了人工智能三大学派，分别企图从软件、硬件和身体这三个角度来仿照和理解智能：第一个是传统的、继续自图灵的符号学派；其二是研究神经网络、试图从构造的角度来仿照智能的连接学派；第三是模拟更低级智能行为的行为学派。

三大学派有同有异，时分时合，引领着坎坷的人工智能研究迈进了新的世纪，直到比来10年令人惊奇的大爆发。
这个中，几位领军人物的坚持不懈起了极大的浸染。

一是人称深度学习的鼻祖杰夫•辛顿（Geoffrey Hinton）。
可以说没有他就没有如今如此茂盛发达的人工智能。

图7-2-2：当代人工智能奠基人

辛顿是打算机界和数学界赫赫有名的逻辑大师乔治·布尔的玄孙，他出生于英国，后为加拿大多伦多大学教授，最近几年任职谷歌，致力于工业界的人工智能研究开拓。
辛顿从70、80年代开始，就决心探索神经网络，并在这个冷门的领域里坚持耕耘三十余年无怨无悔。

他研究了神经网络的反向传播算法、波尔兹曼机等等，末了于2009年，他利用深度学习技能研究语音识别取得重大打破。
目前，辛顿和任职脸书的卷积网络之父燕乐存（Yann LeCun）、及加拿大蒙特利尔大学教授、机器学习大神本吉奥（ Yoshua Bengio），被誉为当代人工智能三位紧张的奠基人。

可以说，近年来人工智能研究重新茂盛发达起来，复兴的关键之一是来自于经典打算技能和概率统计的“联姻”。
如今仍旧难以剖断这是否便是人工智能该当走的精确的阳关大道，但从目前几年景长趋势看来，总算是已经开始驱散笼罩在漫长隆冬上的迷雾，带来了人工智能的春天。

（图片来自网络）

美国加州大学伯克利分校的迈克尔·乔丹（Michael Jordan, 1956年－），以促进机器学习与统计学之间的联系而有名，他推动人工智能界研究者广泛认识到贝叶斯思考方法的主要性，使得贝叶斯统计剖析成为人们关注的焦点。

神经网络实际上只不过是对大脑的一种仿照，但迄今为止，我们对大脑的构造以及动力学的认识还相称低级，尤其是神经元活动与生物体行为之间的关系还远未建立。
像乔丹一类研究深度学习的学者认为，贝叶斯公式概括了人们的学习过程，合营上大数据的演习能使得网络性能大大改进，由于人脑很可能便是这样一种多层次的深度神经网络。

综上所述，当今人工智能打破的关键是在“机器学习”。
人类的聪慧来自于“学习”，想用机器仿照人之聪慧，也得教会它们如何“学习”。
学习什么呢？实际上便是要学会如何处理数据。
实际上，这也是大人教孩子学会的东西：从感官得到的大量数据中挖掘出有用的信息来。
如果用数学的措辞来阐述，便是从数据中建模，抽象出模型的参数。

（图片来自网络）

现今机器学习的任务，包括了“回归”、“分类”、“聚类”三大紧张功能。
在以下几节中，将通过一些详细实例对此作大略先容。

回归是统计中常用的方法，目的是求解模型的参数，以便“回归”事物的本来面孔，其基本事理可用图7-2-3大略解释。

图7-2-3a是大略线性回归，以直线为数学模型，根据数据来估算两个参数a0和a1之值。
更为繁芜的回归方法中，用更为繁芜的曲线来进行模型预测，因而模型利用的参数更多，比如图7-2-3b的立方多项式回归中，有4个参数。

图7-2-3：回归的两个大略例子

除了回归之外，分类和聚类是机器学习中的主要内容。
将事物“分门别类”，也是人类从婴儿开始，对天下认知的第一步。
妈妈教给孩子：这是狗，那是猫。
这种学习方法属于“分类”，是在妈妈的辅导下进行的“监督”学习。
学习也可以是“无监督”的，比如说，孩子们看到了“天上飞的鸟、飞机”等，也看到了“水中游的鱼、潜艇”等，很自然地自己就能将这些事物分成“飞物”和“游物”两大类，这种方法被称为“聚类”。

深度学习技能，最初是在语音识别领域中取获胜利的。
语音识别中的关键模型：隐马尔可夫模型，是我们第三章中先容的范例随机过程--马尔可夫链的延拓和扩展。

（摘自《从掷骰子到阿尔法狗：趣谈概率》，作者：张天蓉）