让机器像人一样思考

亚里士多德曾说，知识来自于实践。随着技术的飞速发展，现在的机器精准性大幅提升，并且已经拥有了很强的信息处理能力，AI计算机也可以从实践中获取知识、认知规律、作出决定，并且逐步具备以经验为基础的感知、理性、行动和适应能力。这使得无人驾驶车辆得以实现。

在对智能机器研究的60多年里，计算机科学家发现“做”与“说”对于机器学习有着重大意义。

首先讲“说”，人工智能（AI）发展初期，研究人员试图通过“说”的方式“告诉”计算机一切需要学习的事物，但结果不甚理想

后来研究人员尝试机器学习策略，让AI程序直接对数据进行分析和学习。

这就产生了“直接学习法”，也就是让机器直接分析、学习数据，这个方法实现的结果就是它从三个方面促成了AI智能学习技术快速发展。这三个方面是高效的计算机性能、访问更多线上数据以及对数据的注释或信息添加。这三者结合大幅度提升了AI系统的推理能力。

智能机器的学习模式

尽管还不能解决更复杂的问题，但目前AI智能已经能够处理大量数据，快速建立联系，并且在此基础上做出推断。因此AI智能机器的学习能大大提高人们的做事效率，这是机器学习的最大优势。当下许多产业，例如游戏、制造业、医疗保健行业都在使用AI智能。而这些机器学习技术是以计算机程序为依托，这些程序不需要通过编程就可以直接学习、分析数据，且分析能力在经验积累的过程中不断提升，形成良性循环。

在游戏当中，机器学习法能够分析对手，同时预测对手行动，营造更具挑战性的游戏氛围，比如前一阵火遍世界的Alpha狗。在制造业中，也能够帮助企业预测修理工作的发生，提高预防性维修能力。而在医疗保健领域，AI可以对多种疾病的医疗数据库进行分析，从而帮助信息提供者更快、更准确地做出诊断。

而这些学习型智能机的建立基础，就是人脑神经网络。人脑的神经网络是目前已知最强大的计算机器之一，也是机器学习的建立基础。人工神经元网络，简称ANN，可以模仿人脑的方式解决问题，并通过学习事物、认知规律、做出决定。

计算机程序通过机器学习辨识人体和物体

人造神经元在网络中相互连接，检测单个神经元对其他神经元的影响力。人们可以在某项训练中进行调整，并通过训练，教会神经元网络如何做出正确反应。而ANN也是同样原理。

目前深度学习技术会在很多地方运用到ANN，机器在进行深度学习中程序会进行多层计算层层分析，继而产生更为复杂的数据解读。举例来说，ANN在某一层进行建筑图像分析时可能会检测到边界，而这些边界构成了下一层的矩形命令。在接下来的计算层中，ANN会将矩形视为建筑物，并在最终层判断出该建筑物是摩天大楼还是谷仓。

自学型计算机

软件研发人员创造出了学习算法，使得人工智能使计算机能摆脱编程直接学习，这种算法又能使ANN在积累更多数据之后进行自我提升。

学习算法分为三个部分：监督式、半监督式以及无监督式学习。

前两者需要大量的训练数据才能得到理想结果。

例如，在前两种情况下，研发人员如果要建立面部识别算法，就必需持续向机器提供带有单独标签的风景、人物和动物图像，直到机器能够在无标签的条件下准确识别图像。最近苹果X的出现也把人像识别的关注度推了上去。

而人工神经元网络可以利用算法识别面部形状并进行匹配。因此第三部分的无监督式学习是机器学习工作的重头戏，也是最重要的一部分。

AI智能机建设所使用的工具

AI一直被赋予神秘的色彩，而实际上，建立智能系统的工具其实随处可见。现代发展已经不需要Lisp和Prolog这样的旧式AI专用语言，Python, Java和C++这样的通用语言才是当今AI研发人员的新宠。

在未来，机器将和人类一样，AI智能机通过实践不断学习、提高，其分析融合不同种类数据从而进行决策的能力越来越强。

人工智能越来越成熟的今天，各个领域都在积极发展本行业的人工智能应用，如今自动驾驶不但是未来汽车的主要发展方向，更是人工智能最主要的应用领域之一。

地图标注也将不断探索，在更好的服务人们出行的道路上继续努力着。

<谢谢观看>

部分内容资料来源：https://weibo.com/ttarticle/p/show?id=2309404153725781469179