为大众科普一下当下的人工智能到底是什么?

　　2016年，AI系统阿尔法go横空出世，打败人类顶级职业棋手李世石。一时间人工智能被推上了媒体的风口浪尖。资本开始大量进入相关行业进行布局，AI+安防，AI+教育，AI+金融，AI+制造。。。。仿佛突然，人工智能成为了各行各业的宠儿。

　　本文较长主要有以下几个方面：

　　一是：为大众科普一下当下的人工智能到底是什么?

　　二是：人工智能在当下有哪些应用场景和前景?

　　三是：人工智能对于个人有着怎样的发展机遇?

　　一、人工智能：机器学习与深度学习

　　深度学习 ⊂ 机器学习 ⊂ AI

　　1.1 AI的出世

　　让我们把时间拉回到上个世纪50年代。1956年，在达特茅斯会议(Dartmouth Conferences)上，在一群先驱们的思想碰撞中，首次提出了"AI"术语，AI由此诞生。AI代表了人类的一种愿景，即由人工生产出智能!

　　在后面的几十年中，这样的愿景让无数的研究者前赴后继，也让无数的研究者处处碰壁。人们多么的期望能有像《终结者》里面那样的智能机器人。但理想很丰满，现实很骨感。他们发现强人工智能是如此的遥不可及，于是先驱们开始退而求其次，开始大力的研究弱人工智能，虽然机器不能完全像人一样思考，但是在某些特定的任务上也许他能做得比人好，比如识别图片，比如垃圾邮件辨别。

　　1.2 机器学习的战争

　　又是跌跌撞撞是十几年，机器学习成为了弱人工智能实现的一个主要方向，期间还爆发了一场"战争"。一场统计学习和符号学习的"战争"，这场战场持续了很久，双方都有着完善的数学理论作为"心法"。"既然大家各执一词，那咱们就看谁实战更厉害吧"统计学习如是说道。

　　最终符号学习败下阵来，大量例子表明在效果上，统计学习优势更大。于是统计学习几乎成为了机器学习的代言者。似乎一切都欣欣向荣，直到2012年的"华山论剑"(Imagenet：ILSVRC比赛)，一位"老者"从中脱颖而出。

　　1.3 深度学习的崛起

　　一年一度的ILSVRC比赛是一个面向全世界的比赛，主要内容是通过人工智能对图像进行识别分类。这时的机器学习已经有了很完善的数学理论做支撑。有PAC理论来支撑机器学习的"合法性"，有凸优化理论支撑着SVM这类分类器的"有效性"。似乎一切都欣欣向荣。但是在一些比较抽象的任务上，却迟迟没什么进展。比如上面提到的ILSVRC比赛。

　　传统的机器学习，即使通过使用SIFT这种精心设计的特征抽取方法，也迟迟没法提高ILSVRC比赛上正确率，似乎机器学习在这种比较抽象的任务上遇到了一些麻烦，且迟迟没有进展。

　　直到2012年，一位"老者"从中脱颖而出，他的名字叫做"深度学习"。之所以叫他"老者"，是因为他出现的时间几乎和AI一同出现，只是那个时候他的名字叫"神经网络"。

　　这位老者没有复杂的数学心法做"支撑"，但是他招式的威力之大，几乎称霸了所有的弱人工智能的比赛。从计算视觉，到语音处理，从自然语言处理到推荐系统，一次又一次的刷新着榜单。

　　1.4 深度学习的困境

　　虽然"深度学习"已经在很多的任务上超越了传统机器学习，在近几年也有了长足的发展，但是其本身仍然存在一些问题。

　　一是非常依赖于大量的标记数据。

　　有的场景下，数据的标记成本非常的高，甚至有的场景下注定没法拥有大量的标记数据，比如风控中的黑样本。所以很多场景，特别是结构化数据的建模仍然是传统机器学习的天下。

　　二是暂时没有完善的理论做支撑。

　　深度学习不像机器学习(统计学习)，它暂时没有完善的数学理论做支撑。一是导致深度学习的发展如同摸着石头过河。二是其不可解释性，注定在某些安全攸关的领域上，存在系统落地困难的问题。

　　1.5 到底在学习什么?

　　机器学习，深度学习，他们到底在学什么?

　　让我们把时间轴再拉远一些，拉到亿万年前，生命进化的初期。

　　生命的进化依托于基因，基因变异，然后交叉，最终选择，然后进行下一轮的迭代。基因的变异

　　和交叉是一种妥协，其目的是为了选择最优的最合适的基因以适应环境。既然没法一次选到最优的基因(因为组合数近乎无穷多种)，那我就通过变异和交叉的方法慢慢逼近最优。经过一次一次的迭代，最终进化出了生命和智慧。所以生命和智慧的核心在于选择和变异

　　机器学习和深度学习也是一个道理，每一个任务，我们都可以看成是一个函数。我们想找到最优的函数。但是这个函数所在的函数空间有无穷多个函数，于是先驱们通过不同的方法设计了不同的算法，使得我们可以慢慢迭代去趋近于这个最优的函数，以此进化出"智慧"。

　　从无穷的基因组合中，逼近最优的基因组合，以适应环境

　　从无穷的函数空间中，逼近最优的模型参数，以适应任务

　　所以从某种本质上来说，深度学习可以认为是机器学习的一个子集。

　　1.6 总结

　　机器学习是弱人工智能的一种实现途径。机器学习目前的方法主要是统计学习。深度学习(又名深度神经网络)是机器学习中一个非常重要的子方向。两者相辅相成，分别适应于不同的业务场景。下文将介绍一下机器学习和深度学习的一些具体业务场景。

　　二、机器学习和深度学习的应用场景

　　人工智能就像是奶油，他必须依托于面包，没有面包只卖奶油是卖不出去的

　　机器学习和深度学习作为人工智能的一种实现途径，在某些业务场景下，他们能给这些业务"赋能"，大幅度的增加"生产效率"，所以说机器学习和深度学习是奶油，他能使得已有的面包(业务)变得更加的"可口"。下面就大致描述一下人工智能所应用的一些场景：

　　2.1 AI+安防：

　　弱人工智能非常大的一类方向是计算机视觉。基于深度学习的图像识别，目标检测，目标跟踪，人脸识别等技术已经越趋成熟。通过这些技术，结合城市的摄像头可以落地非常多的AI+安防的场景。

　　2.2 AI+教育：

　　线上教育的市场越来越大，除了传统的K12教育以外，职业技术培训，知识付费等也可以看作是"线上教育"的衍生。依托于AI进行自适应教育，通过AI语音识别纠正口语发音，通过AI对知识付费群体进行知识推荐等等将越来越普及。除此以外，以好未来为代表的新一代教育机构也在探索线上线下结合的"AI教学法"。

　　人工智能就像是奶油，他必须依托于面包，没有面包只卖奶油是卖不出去的

　　2.3 AI+金融：

　　金融领域不缺数据，对于AI的应用落地有着天然的优势(但是数据有大量的噪声)。在金融交易方面，强化学习在慢慢侵蚀普通交易员的饭碗，AI类的算法也在为传统的阿尔法等交易策略添加战力，甚至使用NLP领域的方法增加交易出入的数据维度(引入舆论信息等)。在金融风控方面，基于大量的用户行为和交易数据，通过AI可以轻易的对单个用户进行风险控制。

　　2.4 AI+制造：

　　智能制造是以后制造业的趋势。通过对设备检测数据的挖掘，我们可以建立系统对设备进行健康管理。通过机器人的使用，我们可以大幅度减少人工劳作。而这些和AI都息息相关。

　　2.5 总结

　　机器学习和深度学习在工业界的不同场景下都用很多的应用。有的任务适应于使用机器学习，有的应用适应于使用深度学习。还有的任务是机器学习和深度学习相结合。所以两者没有孰优孰劣。

　　三、学习规划和建议

　　3.1 把握技术的发展趋势

　　从时间先后顺序上来说：

　　科学 快于 技术 快于 资本 快于 媒体 快于 政策

　　人工智能(AI)就是完美的复合上面的发展趋势。

　　科学：

　　AI的一些科学理论基础，也就是我前面提到的数学心法，实际上已经出现了几十年，甚至一百年，几百年。只是那个时候这些数学家并不知道他能有什么实际的用处而已。(再比如费马小定理在RSA公钥系统上的应用等等)

　　技术：

　　之后由这些心法，发展出了AI技术，比如近几年的发展。但为什么恰是这几年，AI技术有了很进一步的发展?因为这些技术的产生和时机以及环境息息相关。

　　海量的数据

　　算力的提升

　　框架的推广

　　资本：

　　当技术稍有成果之后，资本开始蠢蠢欲动，大量的进入市场。

　　媒体：

　　当市场略有成效之后，媒体介入，之后则是大量的宣传，报道。

　　政策：

　　之后在经过了大量的验证之后，政府在政策上开始对相关技术的企业进行政策扶持。甚至将此方向作为以后大力发展的方向。

　　所以机器学习和深度学习暂时过了技术的红利期，已经进入了政策期。为什么说暂时，是因为随时有可能由引发一场新的技术革命。因为科学方面已经遥遥的走在了技术的前面。

　　3.2 定位好学习的境界

　　作为一个AI算法工程师(机器学习和深度学习)，主要有四种境界。

　　科学家境界

　　工程师境界

　　应用者境界

　　知其然境界

　　科学家境界：科学家境界是很少很少一部分人能达到的境界，主要是那些从事AI研究的科学家，他们能原创出很多的算法和理论，解决一些难题。比如hinton,Ian goodfellow。

　　工程师境界：工程师境界也是很难的一种境界，需要用很强的理论背景和工程实现能力，能独立复现最新的论文，深刻理解论文的实现原理，并能在上面做一些小创新。

　　应用者境界：应用者境界是大部分算法工程师所在的境界，主要就是明白原理，知道如何实现，核心在于知道如何把他应用在一个实际的业务场景之中。

　　知其然境界：最后一个是知其然，也知其所以然境界，知道机器学习和深度学习大概是个什么东西，不会过分的去神话他，知道他们的优势，更知道他们的局限。

　　不同的境界对应不同的要求，简单点概括就是：

　　工程能力决定你的下界，理论能力与业务理解决定你的天花板。

　　3.3 定位好职业的岗位

　　目前来说，与机器学习和深度学习相关的岗位主要有如下几个岗位：

　　ETL工程师

　　BI分析师

　　数据分析师

　　数据挖掘工程师

　　AI算法工程师

　　AI平台工程师

　　ETL工程师：主要是做数仓相关的工作，可以粗浅理解为数据处理的一线员工。

　　BI：智能商务决策分析师，利用大数据工具做一些商业数据分析和数据的可视化。

　　数据分析师：通过大数据工作做一些数据的分析和可视化，业务更广泛。

　　数据挖掘工程师：对大数据进行建模工作，完成某些特定的业务场景。

　　AI算法工程师：开发机器学习，深度学习相关算法和模型组件，也可能会承担部分的建模工作。

　　AI平台工程师：主要对机器学习，深度学习的平台和组件进行开发工作，也包括模型优化工作(如使用CUDA进行模型改写)

　　实际上上面的几个职位并没有严格的界限，只能说有的更偏向于业务能力，有的更偏向于工程能力，有的更偏向于算法能力。