《AI30》读书笔记(人工智能 流派)
导读人工智能有很多流派，有人支持数学逻辑作为理性思维的语言（其实就还是朴素的逻辑编程思想），有人支持程序从数据中提取特征，还有人则认为计算机应该模仿人脑，从生物学和2023年上半年人工智能浪潮席卷全球，各类媒体频频报道相关新闻，各种AI工具层出不穷。而我对AI本身其实缺乏更系统的理解。熟悉一些概念，但又不太了解这些概念之间的联系，我很想弄清楚人工智能令人兴奋的背后是什么？这种兴奋能持续吗？这种认知和好奇心驱使我阅读这本书。
先说一下阅读这本书的感受。
本书不涉及深奥难懂的物理原理。作者从人工智能的发展开始，介绍了人工智能学习的不同流派，然后重点介绍了当今推动人工智能发展的深度学习领域。在书的最后，作者还强调了当前人工智能领域的困境。我们离通用人工智能的目标还很远。
虽然书中内容不涉及特别低级的物理知识，但并不意味着这本书特别好读。作者介绍了目前最流行的几种机器学习背后的原理。可以感觉到，作者已经尝试用通俗的语言去描述了，但我还是看不懂。
第1部分
人工智能的发展是伴随着计算机的发展而来的。如今已经过去快半个世纪了，人工智能之初定义的很多领域仍然是现代人工智能重点关注的领域。
人工智能的流派有很多。有人支持物理逻辑作为理性思维的语言（当然，还是简单的逻辑编程思想），有人支持程序从数据中提取特征，有人认为计算机应该模仿人脑，从生物学和心理学。从学习的角度寻找灵感，从而实现人工智能。这场争论一直持续到今天。
我们需要澄清的是，深度学习并不等同于人工智能。正如前面提到的，人工智能是一个非常广泛的概念。它的目标是创造智能机器，而深度学习只是实现人工智能的一种技术。深度学习本身是机器学习领域下的一项技术。
这部分主要介绍基本感知器和多层神经网络的一些工作原理和发展历史。随着一些关键算法的引入，机器学习已经成为人工智能的一个独立分支。
然而，机器学习只能完成一些明确定义的领域任务。例如，AlphaGo只能下国际象棋。如果是Go的话，这个程序就无能为力了。这也引出了通用人工智能的概念。
就目前人工智能的技术发展来看，关于人工智能发展是否存在奇点存在着相当大的争议。虽然ChatGPT现在很流行，但它确实可以解决一些问题，而且我不认为这是通用人工智能的起点。
Part2视觉识别
视觉识别使用前馈神经网络。前馈神经网络的灵感来自于人眼识别系统。作者比较详细地介绍了前馈神经网络进行图像识别的原理。这里还有特色学习理念。
认识深度神经网络和前馈神经网络之间的关系。
前馈神经网络（ConvNets）是一种深度神经网络。频域是提取输入内容进行特征学习。在持续训练过程中，通过反向传播算法不断调整网络中神经元的权重和阈值。，经过大量训练生成稳定的权值阈值，是一个成熟的模型。
所谓模型就是经过训练的神经网络，比如大型语言模型，而ChatGPT本身也是通过海量数据训练出来的模型。
图像识别领域机器学习发展面临的问题之一是缺乏大量标记数据。李飞飞解决了这个问题。她的团队制作了大量带标签的基准数据集ImageNet，用于对图像识别比赛的参与者进行训练。
2012年，基于前馈神经网络的算法在图像识别比赛中表现非常出色，识别准确率极高。基于神经网络的人工智能很快将成为主流研究方向。这是一个重要的时间节点。
深度学习的兴起很大程度上得益于互联网上的海量数据和计算机硬件的快速处理能力。
关于机器很难自己学习的问题，我想到的是为什么不需要写脚本什么的把数据爬出来喂给机器。然后我想到机器学习的数据需要手动标记，所以没有办法直接喂给机器。学习。
关于mocking机器学习调优这件事，虽然调优神经网络参数是一件非常复杂的事情，但具体参数包括网络层数、经验场大小、学习率等等……各有利弊调整对于神经网络来说非常重要。它运行良好非常重要……所以我们不应该低估神经网络中的参数调整。
目前所有深度学习都是监督学习，没有无监督学习算法。无监督学习主要是一种在没有标记数据的情况下学习样本类别的方法。监督学习最大的问题是不可能给世界上的一切都贴上标签，然后告诉计算机这个信息。
与人类学习不同，机器学习无法解释其自身的决策过程。整个机器学习过程是不透明的，人类很难理解。因此，很多时候我们没有办法信任机器学习，就像人们无法完全信任手动驾驶一样。。
机器学习学到的内容很容易受到攻击。如果你有针对性地改变一张正确的图像，人们根本看不出有什么不同，但机器会把它识别为完全不同的东西。而且你不知道机器学到了什么。当今最热门的领域之一是对抗性学习，即与机器学习的结果进行对抗。可以看作是机器学习领域的一场攻防战。
Part3游戏与推理
这部分主要介绍强化学习的概念。
强化学习和监督学习是两种不同的机器学习技术。监督学习需要输入特征和输出标签，而强化学习主要根据环境对机器的反馈，主要是奖励，来决定机器下一步的行为。
强化学习需要模拟环境（监督学习需要标记数据），最终在现实世界中的表现是由模拟环境的表现决定的。
强化学习和监督学习最终的应用场景是不同的。监督学习更适合识别和分类，而强化学习更适合持续学习和决策问题，例如机器人控制和游戏AI。
强化学习还使用神经网络“神经网络负责学习在给定状态下应该将哪些值分配给动作。具体来说，神经网络将当前状态作为输入，其输出是所有可能动作的恐惧值”可以采取”
神经网络只是工具，强化学习和监督学习是不同的学习方法。
强化学习只适用于某个领域。无论是强化学习方法还是深度学习，几乎没有人工智能能够同时做到这一点。事实上，计算机并不知道它在这个领域“学到”了什么。
第四部分自然语言
微软的人工翻译需要训练，图文转换也需要数据进行训练。我觉得现在使用的大量人工智能工具都需要培训。
翻译目前还没有办法完全取代人类。有的地方表现好，有的地方表现不好。最根本的问题是机器翻译无法完全理解它要翻译的内容。
自然语言处理的目的之一就是问答机器人，就像今天的ChatGPT。作者在本章中的反例是IBM的Watson。笔者觉得沃森有点过度营销了。
关于机器是否可以做阅读理解，这个和我之前发的ChatPDF很相似。基本上，也是给它一段文字，然后向机器询问相关问题，看看它是否能得到正确的答案。这种问答机也是通过特殊的数据集进行训练的。
自然语言也面临样本攻击的风险，事实上，只要机器没有完全理解它所处理的信息，就有可能受到对抗性样本攻击。
Part5常识
这部分内容主要介绍人脑如何构建世界模型，并介绍人类认识世界的形式和具体概念。
人工智能要想长远发展，变得更加通用，就必须像人类一样理解世界。
这部分的内容基本上和《千脑智能》这本书的内容有联系。构建通用人工智能的任务可能最终需要了解人脑是如何工作的，然后以模拟人脑的形式来实现。如今的深度神经网络或许已经到了发展的末期？
终于
我认为人工智能和人类在认知的某些方面还是很相似的，比如迁移学习的能力。人工智能在某一领域学到的东西不能转移到其他领域。我们说它并没有真正“理解”这个东西，而对于人来说，如果不能触类旁通、触类旁通，那么当然可以说他没有真正理解一些东西。在这种认知特征上，人类和机器没有区别。
当我们说我真正理解某件事时，我们会说“哦，我明白了”，然后露出恍然大悟的表情，这个过程中发生了什么？我自己的理解是，他把新学到的东西和自己现有的知识体系结合起来人工智能流派，或者说，从自己现有的知识体系中推断和感知与新知识的联系。
之前我所知道的过程，如果更具体的话人工智能流派，可以用认路的方式来描述。您对自己所在街区的道路非常熟悉。当你走出这个街区时，你会将新的道路与你所知道的街区的方向和街道结合起来。当你从另一个角度看到你熟悉的路时，你也会说，哦，原来你在这里。这个过程看起来和你学习新知识的过程非常相似。
《千脑智能》的作者似乎有一种与深度学习不同的开发人工智能的方式。他的想法就是将前面提到的人工智能流派中的人脑进行逆转，然后创造出一个与人类思维方式相同的智能机器。
免责声明：本文由用户上传，如有侵权请联系删除！