從鍋爐工到AI專家(1)

序言

標題來自一個很著名的梗，原由是知乎上一個問題：《鍋爐設計轉行 AI，可行嗎？》，後來就延展出了不少相似的問句，什麼「快遞轉行AI可行嗎？」、「xxx轉行AI在線等挺急的」諸如此類。
其實知乎原文是個很嚴肅的問題，不少回答都詳盡、切題的給出了可行的方案。AI的門檻沒有不少人想象的那麼高，關鍵在於你是知足於只是看幾個概念就驚呼「人工智能將顛覆xxxx行業，xxxx人將失去工做」、「人工智能將會毀滅人類」，仍是你真的打算沉下心來學一些人工智能的知識，學習用另一種方法和視角瞭解這個世界。
因此本文其實也是一篇很嚴肅的文章，標題的本意只是想說本文從最基礎的概念講起，即便是非IT技術人員，也應當能看懂。至於網上氾濫的所謂0基礎學AI，我敢說，你也不該當相信纔對。
咱們都知道自從行業意識到人工智能的重要性以來，各大IT巨頭都紛紛發佈了本身的人工智能技術框架，其中Google發佈的TensorFlow算是發表比較早、通過屢次迭代也比較成熟的一個框架。目前碰到的問題是，不少人學習了TensorFlow，翻完了全部文檔，演練了全部的示例代碼，仍然感受對AI一頭霧水，不知道如何入手具體的工做。本文就試圖從最初講起，一開始徹底不涉及技術，逐漸在提出問題和解決問題的過程當中，將TensorFlow導入，讓讀者知道前因後果，從而能夠把人工智能應用到工做中，而且從思路上幫助非IT專業人士，優化本身的工做。

人工智能

人工智能並非新事物，只是這兩年，特別是「阿爾法狗打敗人類」這個熱點事件以後才格外的火起來。IT行業和資本領域都屬於特別愛炒做概念的行業，隨着時間的流逝，有些概念保留了下來，有些則變得無人問津，但大多數，都是在喧囂事後，才逐漸的迴歸到本源。等待迴歸本源的時候，真正抓住核心和本質的人，纔能有機會走的更遠。
計算機最先發明出來，就有人給它起了一個名字叫「電腦」，實際上從那天開始人們就意識到，計算機是人腦的一個延伸，人們已經試圖用計算機實現原有人類智能才能解決的工做，這應當看作「人工智能」實踐的標誌性起源。
通過幾十年的發展，在人工智能方面的技術和理論發展愈來愈成熟，技術人員已經有了一整套系統和規範的方法來應對此類問題。這些方法，基本是對大量的數據集進行處理，總結和發現規律，並將這些規律應用到新的數據集上。前半部分相似於人的學習過程，後半部分相似於人使用學到的知識解決問題的過程。因此這個過程也被稱做「機器學習」，以及延伸而來的「深度學習」、「增強學習」、「遷移學習」等。因此「機器學習」，纔是當前「人工智能」熱之中的基本研究方向之一。

現狀

試圖解釋AI領域的現狀實際上是一個比較不討好的事情，特別是在信息快餐化的時代，真假新聞都已經夠讓人崩潰了。聊天的時候，常常碰到說不了幾句就會被人打斷，隨後引用幾個聽起來很神奇，實際上漏洞百出的新聞標題來證實你不過是一無所知。
爲了簡化問題，這裏引用兩個概念來作一個澄清:

• 一個概念是「強人工智能」，是指人工智能可能具備人類完整的認知能力，能夠推理、感知，而且由於速度和容量方面的優點，未來必將超越人類達到無所不知、無所不能的「類神」的境地，這也是科幻小說的的主要模式之一。
  
• 另外一個概念是「弱人工智能」，這也是當前業界主要的研究方向，弱人工智能不須要具備人類完整的認知能力，甚至是徹底不具備人類所擁有的感官認知能力，只須要在某個特定領域具有特定的能力就能夠。咱們當前所見到的「阿爾法狗」、「人臉識別」、「機器翻譯」等，都屬於這個領域。

這兩個概念，其實最先開始的時候是兩個互相爭執不下的觀點，一派認爲人工智能未來必將遠勝於人類，甚至取代人類，也就是「強人工智能」派；對應的則是認爲人工智能不可能取代人類，人工智能只能在某些領域發揮做用，最終依然會從屬和輔助人類，也就是「弱人工智能」派。咱們在這裏並沒打算涉及這兩派觀點的爭論，只是借用這兩個概念來講明當前人工智能的現狀。
那就是，在當前的技術狀況下，「弱人工智能」的發展興旺蓬勃，在不少領域已經遠遠的超過了人類，而且的確對該領域的從業人員產生了重大的影響，從技術、理念的革新，到人力資源的崗位轉移。
「強人工智能」的發展則應當說仍在探索中，離達到一個正常人基本智力水平的基本目標尚有很大差距，且遠遠尚未看獲得的、使人信服的技術出現。
關於「人工智能最終超過人類」的說法，我我的的觀點是比較悲觀的，即使從時間跨度上給出一個至關寬鬆的計劃表，人工智能想超過人類的難度也很是大。主要緣由來自於咱們都知道的《物種起源》，咱們知道人類生理方面的進化的主要模式是遺傳和變異，在精神方面中則是「傳承」和「發展」。這些「變異」或者「發展」其實主要的來源都是「犯錯」。有些犯錯是好的，加上環境的容許，這些犯過的「錯」保留下來，成爲新的知識。而有些錯則是致命的，即使其中有可取之處，但可能個體都沒法存續，更沒法發展和傳承。
而「機器」則很難或者說遠遠低於正常人類可能有的「犯錯」水平，從某種角度說，這正是人們喜歡用電腦的緣由之一，電腦不多犯錯，但也就此失去了不少「進化」的機會。
關於現狀，最後一個要說的是，如今人工智能這麼火，裏面有泡沫嗎？這一點我想引用比爾蓋茨在1999年達沃斯世界經濟論壇期間一個著名的回答，當時正是高科技泡沫的巔峯時期。蓋茨一次又一次地被記者們問到類似的問題：「蓋茨先生，如今的網絡股是泡沫股，對嗎？它們難道不是泡沫嗎？」最後，有點被激怒得蓋茨對記者們說：「他們固然是泡沫，但大家沒有問到點子上。泡沫給網絡行業帶來了不少新資本，這必將更快地推進創新。」

因此，其實我也認爲如今的「人工智能」以及「機器人」領域充斥着泡沫，但這同時也引起了全社會的關注和重視，從而推進了這個領域的快速進步，並持續的帶來新的人才、新的創新。可是對於有意願投資在這一行的人來講，你願不肯意踏踏實實的作事。即使不成功，也在技術上或者經驗上留下一些痕跡，纔是值得考慮的事情。

機器學習基本假設

好了，下面到了咱們的正課時間。
目前的機器學習已經有了多種被證實行之有效的算法，而這些算法都基於一個很重要的假設，那就是這個世界上全部的問題，都是能夠用數學來描述的。小到用電腦識別的一副照片，大到用11維空間來描述整個宇宙的弦論，都是有與之對應的數學模型的。經過數學模型來解決問題，大概是這樣一個流程：數據輸入 -> 數學公式 -> 結果 。
而在機器學習理論以前，咱們依賴電腦解決問題，則是經過： 數據輸入 -> 計算機程序 -> 結果。
咱們都知道，全部數學公式，最終都是能夠對應轉化成計算機程序的，那這兩種方式區別在哪？咱們舉一個例子：
好比咱們能夠在屏幕上，顯示出 LOVE 這樣幾個字母，對電腦最簡單不過，高級語言就是一行命令。固然背後隱藏的就複雜了，要把這幾個字母經過光柵矢量化，而後經過顯卡的驅動，把字母的矢量點陣化，而後再繪製到屏幕上去。剛纔敘述的這個複雜的過程，都是由程序完成的，程序的主要組成部分是邏輯，雖然「邏輯」也是高等數學重要的一部分，但這裏說的「邏輯」更多的則是由人的思惟產生，至少首先要由程序員在大腦中先造成並幾經反覆、修正，而後仿照這個過程造成計算機的程序，這個過程更多的人自己的學習，而不是「機器學習」。
那麼這麼複雜的「字符」，用數學公式可能描述出來嗎？固然是能夠的，幾乎一切你想的到的東西，都是能夠用數學來描述的，這也是這一節開頭那個概念的由來。

更復雜一點，三維的圖形，也是同樣的：

你可能會說，不對啊，怎麼感受用數學的方式來畫出幾個字符，比原來在屏幕上顯示這幾個字符的方法麻煩多了？先別急，這裏的重點只是想告訴你，用數學方法解決問題同用單純程序解決問題的區別。機器學習不是萬能的，在不少領域，用傳統的程序解決會更容易。千萬不要成爲「只要手裏有個錘子，看全世界的問題都像是釘子」。但也有不少領域，用傳統的程序，可能根本作不到。

總結一下，咱們假設一切問題都是能夠用數學來描述的，在不少大神已經發明的公式中找出適合這個問題的那一個，甚至本身改善或者從新研究、發現一個，而後把公式用計算機程序的方式描述出來，也就是算法，就能夠解決這個問題。引用某個演講中的一句話：音樂是感情的語言，數學是科學的語言。

一個最簡單的例子

咱們都知道，解決一個複雜的問題的方法，是把複雜的問題分解成一連串的簡單問題。一個高維數學問題若是想不明白，每每也是下降維度來思考。咱們下面先從一個最簡單的問題入手，來逐步導入機器學習的算法。
假設你在一個房屋中介工做，你手頭有不少房屋租售價格的信息，天天都會有不少客戶來諮詢你租房或者買房的事情，咱們假設是買房，常見的問題會是：在甲地，x平米的房子，多少錢能買下來？
根據需求咱們能夠列出一個公式：y = a * x + b（僅做示例，請忽略一些不合常理的地方）
這個公式裏，y表明咱們預測的房價，a是每平米的價格，x是平米數，b是稅、手續費等基本的固定費用。
我心中有些忐忑，我以爲會不會不少人都在笑，小學問題是吧？不要急，耐心看下去，「降維」思考，原本就是把複雜的問題簡單化。
好比在某個地區，咱們手頭有多套房屋信息，售價、面積咱們都知道，簡單把公式變換一下， a = (y-b)/x，把咱們手頭的信息代入進去，很容易就能算出來該地區每平米的單價。之後碰到客戶諮詢的時候，利用這個公式，咱們就能預測出來用戶想要的房子，大概須要多少錢買到。
太簡單了是吧？好像看不到什麼「機器學習」的東西在裏面啊？就是簡單的解方程嘛，雖然要求解的變量從「x」變成了「a」。
的確是這樣的， 機器學習根本的目的，就是解方程 。對於簡單的方程，好比剛纔的方程，由於只有兩個要求得的變量a和b，根據解方程的知識，咱們只要有兩組已知的x和y，就能夠準確的求出這個方程的解。彆扭一點的無非是咱們上學的時候習慣用x/y/z表明未知數，a/b/c表明常數。
如今反了過來，咱們手頭的數據集給出了x/y的值，原來的常數反而成了未知數。緣由是，求得這些常數並非目的，目的是利用這些常數，補全了公式，在之後咱們就能夠利用這個完整的公式和給定的x，去預測y的值。

總結這一節：利用已知數據求解這些常數的過程，就是「機器學習」的過程；利用補全的公式，對新數據預測結果的過程，則是「人工智能」。這個公式則是咱們「機器學習」的工做重點：數學模型。

解方程

最簡單的方程能夠手工求解，就像上一節中房價的例子，只有兩個變量。並且房價嘛，常見的不過幾十平米、1、二百平米的數量級，小學畢業以後的水平，心算足夠了。
再複雜一點，有多個變量，就須要一些解方程的公式，或者也能夠叫算法。爲何會有多個變量？咱們上一節爲了簡化問題，只考慮了面積、稅費這些基本要素，一套房子，朝向、樓層、物業、學區等等，顯然都會成爲影響房價的因素。真得嚴謹考慮，這裏面可變的因素真的不少的。關於這些變量的問題，咱們留給下一節，這裏繼續說解方程的問題。
咱們知道，一般狀況下，多元方程，須要方程組來求解。有n個未知數，就要列出n個方程構成的方程組，而且利用n組已知的數據來解方程組得到答案。恐怕當未知數達到了四、5個，心算已經不夠了。好在當前已經有不少數學工具幫助咱們作這樣的事情。好比在斯坦福《機器學習》課程中，吳恩達教授使用Octave來全程講解機器學習。Octave是著名數學軟件MatLab的社區開源版本，若是沒有接觸過的讀者，你能夠把它理解成一個比較專業的大計算器，Octave長於數值計算（對應的還有Mathematica,長於符號計算），內置有本身的編程語言，在不少的機器學習場景中，研究人員都是利用這樣的軟件進行算法原型的研究和設計。驗證成功後，才由計算機方面的專家把公式轉換成計算機的編程語言，成爲算法。
下面舉一個五元一次方程組的例子：
（備註，這些內容，不須要你動手實驗，只是但願你延續並加深理解這個思路，明白是什麼和爲何就好，最終咱們確定會迴歸到TensorFlow的學習上。）

2a+b+c+d+e=6
a+2b+c+d+e=12
a+b+2c+d+e=24
a+b+c+2d+e=48
a+b+c+d+2e=96

僅是一個例子，這樣的方程你用手工解估計也很快啦，這裏用Octave演示一個有限元的方程組解法，大概這樣幾步：

1. 首先規範化方程，讓每一行的方程左側，具備相同的變量數，沒有的變量用「0*變量」的形式來替代；右側，則是統一隻有1個常數，不是單一常數的，則要經過簡化，成爲僅有一個常數。好在咱們舉的例子很規範，沒有這樣的狀況。
   
2. 在Octave中，把式子左側的全部係數提取出來，每一個方程式佔獨立一行，全部方程式造成一個「矩陣」，假設矩陣叫A。
   
3. 在Octave中，把式子右側的常數輸入成爲另一個矩陣,由於只有一列，實際也能夠稱爲「向量」，咱們假設這個向量叫B。
4. 使用Octave內置函數求解：ans=pinv(A)*B,此時獲得一個1維矩陣，也就是向量，每一行是一個未知數的解。a=-25;b=-19;c=-7;d=17;e=65。
   
   其實Octave對於解方程還提供了一個簡寫的方式：在Octave命令行直接鍵入 A \ B，也能夠獲得答案。
   （python也有對應的矩陣運算庫，也提供一樣的方程求解的功能，咱們到後面再說，就讓這第一部分保持一個寫給非IT專業人員的狀態吧。）
   注：在咱們後面將要學習的TensorFlow中，「矩陣」也稱爲張量(tensor)。處理過程是數據的流動(flow)，這也是TensorFlow名稱的由來。但爲了描述語言更通用，之後咱們仍然稱爲矩陣。

總結一下這一節：

• 簡單的方程有成熟的公式或者工具幫你解，但重點你確定意識到了，複雜方程這些方法就不靈了，這引出了機器學習的重點之一，就是如何解複雜的方程，咱們後續會講到。
  
• 爲了應對新的AI問題，咱們可能須要研究新的機器學習算法。研究這些算法的工具是數學公式，研究數學公式的工具，Octave算一個，可能常常會用在新算法的原型研究。這只是指出一個學習的方向，至少如今，會走以前，先不用考慮跑的事情。固然也有不少數學專家，只研究公式和算法，歷來不進行TensorFlow編程和應用，Octave用的很熟練，這類用戶不是本文的重點。
  
• 咱們手工計算一些方程，一般都是一組一組的數據逐個代入，這很容易理解。可是在大規模計算的時候，相似剛纔Octave這樣的作法，把數據集矩陣化纔是一般的模式，這樣能夠充分的利用計算機規模化和並行的優點，因此搞機器學習，矩陣運算不熟悉的，最好抽時間去補一下。

（待續...）

引文及參考

強人工智能
物種起源
弦論
octave
矩陣運算參考資料
斯坦福機器學習課程

(原創博文，謝絕一切商業轉載，我的轉載請註明出處。)