根據(jù)麥肯錫的數(shù)據(jù)，從現(xiàn)在到2030年這十幾年間，人工智能將會(huì)為美國(guó)新創(chuàng)造大約13萬(wàn)億美元的國(guó)內(nèi)生產(chǎn)總值。相比之下，2017年整個(gè)美國(guó)的國(guó)內(nèi)生產(chǎn)總值約為19萬(wàn)億美元。

吳恩達(dá)等主要的人工智能科學(xué)家將人工智能描述為第四次工業(yè)革命或“新電力”。人工智能無(wú)疑是數(shù)字轉(zhuǎn)型的核心，它在整個(gè)行業(yè)的應(yīng)用將極大地改變世界和業(yè)務(wù)方式。

許多人想?yún)⒓舆@場(chǎng)人工智能革命，但人工智能的技術(shù)復(fù)雜性使他們不堪重負(fù)。他們不知道人工智能的功能，更不用說(shuō)如何將人工智能運(yùn)用于公司了。

這正是本文所要解決的問(wèn)題：讓沒(méi)有技術(shù)背景的人更理解人工智能，這樣他們自己就能夠評(píng)估人工智能在自己工作中的可能性。

[[269808]]

1. 對(duì)人工智能的誤解

人工智能有很多不必要的炒作，這主要是由于許多人都有一種常見(jiàn)的誤解。人工智能可以分為兩部分或存在兩種內(nèi)容：

(1) 弱人工智能(ANI)

這指人工智能擅長(zhǎng)某一特定任務(wù)，它們是針對(duì)這一任務(wù)訓(xùn)練和開(kāi)發(fā)的。例如，它可以是一個(gè)基于歷史數(shù)據(jù)預(yù)測(cè)房?jī)r(jià)的人工智能系統(tǒng)，或者是向你推薦YouTube視頻的算法。還比如是預(yù)測(cè)性維護(hù)、質(zhì)量控制等。

弱人工智能是一個(gè)非常強(qiáng)大的工具，它將在未來(lái)幾年為社會(huì)增加許多附加價(jià)值。近年來(lái)看到的所有成就，以及在新聞中經(jīng)常聽(tīng)到的內(nèi)容，都發(fā)生在弱人工智能領(lǐng)域。這些吸引人眼球的新聞讓人們錯(cuò)誤地認(rèn)為科學(xué)在人工綜合智能方面取得了很大的進(jìn)展，但實(shí)際上只在弱人工智能方面取得了進(jìn)步。

(2) 通用人工智能(AGI)

人工智能的最終目標(biāo)是一個(gè)跟人類一樣只能甚至比人類更智能的計(jì)算機(jī)系統(tǒng)。任一人工綜合智能都可成功地完成任何人可以完成的智力任務(wù)。這也是人工智能中最引起人們恐懼的部分。他們想象出一個(gè)計(jì)算機(jī)比人類聰明得多的世界，在這個(gè)世界里幾乎每一項(xiàng)工作都是自動(dòng)化的，甚至是像《終結(jié)者》一樣的場(chǎng)景。這就是不必要的炒作。它引起了對(duì)人類未來(lái)的非理性恐懼，而實(shí)際上，要想達(dá)到真正的通用人工綜智能水平，還需作出許多技術(shù)上的突破。

2. 什么是機(jī)器學(xué)習(xí)?

機(jī)器學(xué)習(xí)是人工智能的中堅(jiān)技術(shù)。它利用統(tǒng)計(jì)技術(shù)使計(jì)算機(jī)程序能夠從數(shù)據(jù)中學(xué)習(xí)(例如逐步提高其處理特定任務(wù)中的能力)，而無(wú)需進(jìn)行明確的編程。

機(jī)器學(xué)習(xí)是人工智能的工具，它引起了所有的過(guò)度關(guān)注，并使幾乎所有通過(guò)人工智能系統(tǒng)創(chuàng)造的價(jià)值都得以實(shí)現(xiàn)。它也可以分為不同的部分，但只有一個(gè)部分涵蓋80%通過(guò)機(jī)器學(xué)習(xí)創(chuàng)造的價(jià)值。那便是有監(jiān)督學(xué)習(xí)。

有監(jiān)督學(xué)習(xí)算法只需通過(guò)學(xué)習(xí)大量數(shù)據(jù)中的關(guān)系來(lái)學(xué)習(xí)輸入(A)到輸出(B)映射。想象一下建立一個(gè)系統(tǒng)，將電子郵件分為垃圾郵件和非垃圾郵件。需要收集大量電子郵件“被貼標(biāo)簽”的案例。這意味著每封電子郵件都有一個(gè)標(biāo)簽用來(lái)指示它是否是垃圾郵件。人們需要收集數(shù)千封帶有標(biāo)簽的電子郵件，然后將這些數(shù)據(jù)輸入到一個(gè)受監(jiān)督的機(jī)器學(xué)習(xí)算法中。

在訓(xùn)練過(guò)程中，該算法將分析所有輸入的電子郵件，并迭代地提高對(duì)垃圾郵件與非垃圾郵件間區(qū)別原因的理解。在本例中，系統(tǒng)必須將電子郵件(a)映射到一個(gè)標(biāo)簽，該標(biāo)簽要能指示郵件是否是垃圾郵件(b)。

可以通過(guò)輸入上千封貼有標(biāo)簽的電子郵件來(lái)訓(xùn)練算法。基于該數(shù)據(jù)進(jìn)行算法訓(xùn)練后，可以輸入一封全新的電子郵件(該算法以前從未見(jiàn)過(guò))，該算法將顯示它是否認(rèn)為該電子郵件是垃圾郵件。

比如在線廣告，其中輸入的是關(guān)于用戶的信息(A)，而系統(tǒng)輸出是一個(gè)標(biāo)簽，這個(gè)標(biāo)簽顯示用戶是否要單擊一個(gè)添加項(xiàng)(B)。又比如是語(yǔ)音識(shí)別，輸入是音頻文件(A)，輸出是音頻文件中所述內(nèi)容文本(B)。

再比如輸入一個(gè)鋼板的圖像(A)進(jìn)算法，它會(huì)判斷是否存在缺陷(B)。乍一看，這似乎是一種相當(dāng)有限的技術(shù)，但如果正確應(yīng)用，它將非常強(qiáng)大。它是人工智能為社會(huì)創(chuàng)造附加價(jià)值的唯一主要原因。這種技術(shù)似乎有無(wú)窮無(wú)盡的不同案例，并且人們每天還會(huì)發(fā)現(xiàn)新的案例。

3. 人工智能術(shù)語(yǔ)

人工智能是一個(gè)非常復(fù)雜的領(lǐng)域，許多術(shù)語(yǔ)在開(kāi)始時(shí)可能會(huì)使人非常混亂。你可能聽(tīng)說(shuō)過(guò)神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)或數(shù)據(jù)科學(xué)。我們將研究一些有關(guān)人工智能最重要的術(shù)語(yǔ)，并揭示其含義，以便你能夠與其他人討論人工智能，并思考如何在業(yè)務(wù)中應(yīng)用人工智能。

現(xiàn)在為你提供最常用的人工智能術(shù)語(yǔ)的定義，但請(qǐng)注意，人工智能是一個(gè)非常晦澀難懂的領(lǐng)域，許多術(shù)語(yǔ)可以互換使用，但有時(shí)卻不可以。

(1) 人工智能

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)領(lǐng)域，它強(qiáng)調(diào)創(chuàng)造像人類一樣工作和反應(yīng)的智能機(jī)器。正如之前所提到的，當(dāng)人們談?wù)撊斯ぶ悄軙r(shí)，他們大多是指通用人工智能(AGI)。應(yīng)該把人工智能視為整個(gè)智能領(lǐng)域，把機(jī)器學(xué)習(xí)和深度學(xué)習(xí)視為使計(jì)算機(jī)智能化的技術(shù)。

(2) 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支領(lǐng)域。不過(guò)，正是這個(gè)研究領(lǐng)域使計(jì)算機(jī)能夠在沒(méi)有明確編程的情況下從數(shù)據(jù)中學(xué)習(xí)。因此，通過(guò)機(jī)器學(xué)習(xí)，基本上可以制作程序來(lái)執(zhí)行特定任務(wù)。因此，機(jī)器學(xué)習(xí)經(jīng)常會(huì)運(yùn)行人工智能系統(tǒng)，從基本上來(lái)看，這個(gè)系統(tǒng)是一個(gè)軟件。

機(jī)器學(xué)習(xí)項(xiàng)目事例：假設(shè)一家有許多關(guān)于房子的數(shù)據(jù)的房地產(chǎn)公司，它和一家機(jī)器學(xué)習(xí)公司合作建立一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)來(lái)預(yù)測(cè)未來(lái)房?jī)r(jià)。這樣的系統(tǒng)可以讓人更好地決定投資哪棟房子，并找出合適的時(shí)間來(lái)清算投資。

(3) 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)組成部分，它包攬了人們近年來(lái)看到的，并且今天仍然看到的，所有的媒體炒作和人工狹義智能的大部分突破，這與機(jī)器學(xué)習(xí)基本上是一樣的：給算法貼上帶有標(biāo)簽的數(shù)據(jù)，它就會(huì)學(xué)會(huì)預(yù)測(cè)標(biāo)簽。與機(jī)器學(xué)習(xí)不同的是，深度學(xué)習(xí)使用了更現(xiàn)代和更復(fù)雜的算法，稱為神經(jīng)網(wǎng)絡(luò)。相反，在機(jī)器學(xué)習(xí)中使用的則是更為簡(jiǎn)單的傳統(tǒng)算法。

由于它們的復(fù)雜性，新的技術(shù)發(fā)現(xiàn)以及足夠的數(shù)據(jù)支持和計(jì)算能力，深度學(xué)習(xí)算法能夠打破許多任務(wù)的先前基準(zhǔn)，甚至在其中一些任務(wù)上超過(guò)人類(例如：組織病理學(xué)圖像分析，或者在Netflix上推薦電影)。

盡管神經(jīng)網(wǎng)絡(luò)(例如深度學(xué)習(xí)算法)幾乎總是比傳統(tǒng)算法表現(xiàn)更好，但它們具有某些缺點(diǎn)。

更多信息傳送門：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)(https://towardsdatascience.com/hype-disadvantages-of-neural-networks-6af04904ba5b)

你可能經(jīng)常聽(tīng)說(shuō)神經(jīng)網(wǎng)絡(luò)的構(gòu)建方式與人類大腦相似或受其啟發(fā)，但實(shí)際上，它們幾乎沒(méi)有關(guān)系。的確，它們最初受到大腦的啟發(fā)，但工作方式的細(xì)節(jié)與人類生物大腦的工作方式完全無(wú)關(guān)。

請(qǐng)注意，許多人可以互換地使用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)這兩個(gè)術(shù)語(yǔ)。

深度學(xué)習(xí)項(xiàng)目示例：高級(jí)視圖中審視它時(shí)，深度學(xué)習(xí)的項(xiàng)目與機(jī)器學(xué)習(xí)項(xiàng)目沒(méi)有太大差別，只需要更多數(shù)據(jù)，更多計(jì)算能力和高技能工程師。

(4) 數(shù)據(jù)科學(xué)

數(shù)據(jù)科學(xué)項(xiàng)目的輸出通常是一系列可幫助你做出更好的業(yè)務(wù)決策的見(jiàn)解，例如決定是否投資某些東西，是否應(yīng)該購(gòu)買某些設(shè)備，或者是否應(yīng)重新構(gòu)建你的網(wǎng)站?？梢哉f(shuō)，數(shù)據(jù)科學(xué)是通過(guò)統(tǒng)計(jì)方法、可視化等分析數(shù)據(jù)來(lái)提取數(shù)據(jù)知識(shí)和洞察力的科學(xué)。輸出通常是演示文稿或幻燈片，它們?yōu)楦吖?、領(lǐng)導(dǎo)者和產(chǎn)品團(tuán)隊(duì)做出某些決總結(jié)結(jié)論，以作出某些決策。

數(shù)據(jù)科學(xué)項(xiàng)目示例：

想象一下，你從事在線廣告業(yè)。通過(guò)分析所在公司的銷售數(shù)據(jù)，數(shù)據(jù)科學(xué)家發(fā)現(xiàn)旅游行業(yè)的公司不會(huì)從你那里購(gòu)買很多產(chǎn)品。因此，你可以將銷售團(tuán)隊(duì)的重心轉(zhuǎn)移到旅游行業(yè)的公司。

另一個(gè)例子：

想象一下，你正在經(jīng)營(yíng)電子商務(wù)，并且聘請(qǐng)了一些數(shù)據(jù)科學(xué)家以獲得更多與業(yè)務(wù)相關(guān)的見(jiàn)解。該項(xiàng)目的結(jié)果可能是一個(gè)幻燈片，介紹如何修改定價(jià)的計(jì)劃，以便提高整體銷售額或關(guān)于如何更有效地營(yíng)銷特定產(chǎn)品的見(jiàn)解。

有人說(shuō)人工智能是數(shù)據(jù)科學(xué)的一個(gè)子集，有些人說(shuō)它是另一種方式。所以，這取決于你與誰(shuí)交談，但數(shù)據(jù)科學(xué)是一個(gè)跨學(xué)科領(lǐng)域，涉及人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的許多工的，但它也有自己獨(dú)立的工具。其目標(biāo)主要是提升商業(yè)洞察力。

你可能還聽(tīng)說(shuō)過(guò)其他流行語(yǔ)，如強(qiáng)化學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)(GANs)等。這些只是使人工智能系統(tǒng)更智能化的其他工具，換句話說(shuō)，機(jī)器學(xué)習(xí)有時(shí)也是數(shù)據(jù)科學(xué)。

現(xiàn)在已經(jīng)了解了人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)科學(xué)和深度學(xué)習(xí)(例如神經(jīng)網(wǎng)絡(luò))。希望這能讓你了解人工智能中最常用的術(shù)語(yǔ)，并且可以開(kāi)始考慮這些事情如何應(yīng)用到業(yè)務(wù)當(dāng)中。

4. 什么是數(shù)據(jù)?

數(shù)據(jù)可以采用多種形式：電子表格、圖像、音頻、傳感器數(shù)據(jù)等。這些可分為兩大類：結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。

(1) 結(jié)構(gòu)化數(shù)據(jù)(“生活在巨型電子表格中的數(shù)據(jù)”)

結(jié)構(gòu)化數(shù)據(jù)，就像它的名稱所暗示的那樣，是按照預(yù)定義模式以結(jié)構(gòu)化格式存儲(chǔ)的數(shù)據(jù)。它指的是駐留在記錄或文件中的固定字段中的任何數(shù)據(jù)，可以是文本的也可以是非文本的。

下面是著名的泰坦尼克號(hào)數(shù)據(jù)集中的結(jié)構(gòu)化數(shù)據(jù)示例。它包含坦尼克號(hào)每位乘客的信息。

(2) 非結(jié)構(gòu)化數(shù)據(jù)

非結(jié)構(gòu)化數(shù)據(jù)本質(zhì)上是未通過(guò)預(yù)定義模型構(gòu)建的其他所有內(nèi)容。它可以是文本的或非文本的，但當(dāng)人們談?wù)摲墙Y(jié)構(gòu)化數(shù)據(jù)時(shí)，它們主要是指圖像、視頻、音頻文件、文檔等。

我們已經(jīng)解釋了什么是監(jiān)督學(xué)習(xí)。由于監(jiān)督學(xué)習(xí)是最常用的機(jī)器學(xué)習(xí)類型，當(dāng)人們說(shuō)“數(shù)據(jù)”時(shí)，它們主要是指標(biāo)記數(shù)據(jù)。示例：有一個(gè)數(shù)據(jù)集，其中包含100,000只狗和貓的照片，其中每張照片都有一個(gè)標(biāo)簽，“貓”或者“狗”。

另一個(gè)例子是包含房?jī)r(jià)信息的數(shù)據(jù)集。在這里，你將獲得有關(guān)房屋的信息(如面積，臥室數(shù)量，位置等)以及作為標(biāo)簽的價(jià)格。

5. 如何獲得數(shù)據(jù)?

可以在互聯(lián)網(wǎng)上找到許多問(wèn)題的數(shù)據(jù)集(一些是免費(fèi)的，一些要花點(diǎn)錢)，但大多數(shù)時(shí)候需要?jiǎng)?chuàng)建自己的數(shù)據(jù)集。

獲取數(shù)據(jù)有三種主要方式：

(1) 手動(dòng)標(biāo)簽

想象一下建立一個(gè)分類器，可以檢測(cè)給定圖片上是否有男人或女人。要訓(xùn)練這樣的分類器，需要?jiǎng)?chuàng)造或獲得許多男女形象。然后，你需要為每個(gè)圖像指定一個(gè)標(biāo)簽：男人(標(biāo)簽1)或女人(標(biāo)簽2)。你也可以向人們付費(fèi)為你做標(biāo)簽工作(例如：亞馬遜機(jī)械土耳其人：mturk.com)。

(2) 觀察行為

想象一下，你在經(jīng)營(yíng)一家電子商務(wù)公司并希望預(yù)測(cè)客戶何時(shí)會(huì)進(jìn)行購(gòu)買，從而使你能夠更好地管理股票等。你可以通過(guò)觀察用戶在網(wǎng)站上的行為以及購(gòu)買情況來(lái)創(chuàng)建數(shù)據(jù)集。這將有助于創(chuàng)建描述每個(gè)用戶的操作的數(shù)據(jù)集(由某些變量描述，例如：一天中的時(shí)間，他們點(diǎn)擊的位置等)，以及標(biāo)簽：購(gòu)買(標(biāo)簽1)或不購(gòu)買(標(biāo)簽2)。

另一個(gè)例子是觀察機(jī)器的行為，這可以使你預(yù)測(cè)它何時(shí)需要維護(hù)等。

(3) 使用免費(fèi)數(shù)據(jù)源，購(gòu)買數(shù)據(jù)或從合作伙伴處獲取數(shù)據(jù)

像Kaggle這樣的數(shù)據(jù)集有許多免費(fèi)資源。還可以使用Google數(shù)據(jù)搜索，其功能類似于Google，但僅適用于數(shù)據(jù)集。如果沒(méi)有找到任何內(nèi)容，可以在數(shù)據(jù)市場(chǎng)上查找數(shù)據(jù)集或從合作伙伴處獲取數(shù)據(jù)集。

6. 濫用數(shù)據(jù)

乍一看，獲取數(shù)據(jù)似乎很簡(jiǎn)單，但可能出現(xiàn)的問(wèn)題很多。在人工智能和機(jī)器學(xué)習(xí)中，我們說(shuō)：“垃圾中的垃圾”，這意味著你在培訓(xùn)期間將人工智能質(zhì)量從人工智能系統(tǒng)中提取出來(lái)。

想象一下，你想創(chuàng)建一個(gè)特定的人工智能應(yīng)用程序并開(kāi)始獲取數(shù)據(jù)。你的計(jì)劃是用兩年實(shí)踐累積數(shù)據(jù)，然后構(gòu)建人工智能系統(tǒng)。這是非常糟糕的做法。在這種情況下，正確的方法是獲取你能夠獲得的數(shù)據(jù)并盡快將其提供給人工智能專家。經(jīng)過(guò)一些評(píng)估后，他可以告訴你，哪些部分是有用的，哪些部分是完全無(wú)用的，以及你應(yīng)該添加哪些數(shù)據(jù)。為了節(jié)省金錢和時(shí)間：與專家一起快速評(píng)估數(shù)據(jù)質(zhì)量。

另一個(gè)大問(wèn)題是標(biāo)簽不正確。示例：貓的形象標(biāo)記成狗而狗被標(biāo)記成貓等等。這可以防止你的算法學(xué)習(xí)真正將貓與狗分開(kāi)的東西然后完全混淆它們。好消息是，數(shù)據(jù)總數(shù)越多，標(biāo)簽不正確的問(wèn)題就變得越來(lái)越不重要了。如果你有一個(gè)巨大的數(shù)據(jù)集，有超過(guò)200萬(wàn)個(gè)標(biāo)記的貓和狗圖像，一些不正確的標(biāo)簽不會(huì)影響其性能。

還有一個(gè)問(wèn)題，有些人認(rèn)為，因?yàn)樗麄兊墓緭碛写罅繑?shù)據(jù)，并且這些數(shù)據(jù)很有用，或者人工智能團(tuán)隊(duì)可以讓它們變得有用。那完全錯(cuò)了。雖然更多的數(shù)據(jù)通常更好，但你可以擁有數(shù)十億的數(shù)據(jù)條目，即使是世界上最好的人工智能工程師也無(wú)法從沒(méi)有價(jià)值的東西中創(chuàng)造價(jià)值。因此，請(qǐng)不要把數(shù)據(jù)丟給人工智能團(tuán)隊(duì)，并假設(shè)它在某種程度上是有價(jià)值的。你可能認(rèn)為這很稀松平常，但由于對(duì)數(shù)據(jù)和AI的誤解，很多創(chuàng)業(yè)公司認(rèn)為他們擁有有用的數(shù)據(jù)，而事實(shí)上他們沒(méi)有。還有其他問(wèn)題是價(jià)值缺失，多種類型的數(shù)據(jù)(可以解決 - 但成本高昂)等等。