《神经网络与PyTorch实战》——1.2　神经网络与人工智能等概念的关系

1.2　神经网络与人工智能等概念的关系

　　到目前为止，我们已经初步了解了AlphaGo的核心技术——神经网络。在新闻报道中，AlphaGo更常被称为一种人工智能。另外，我们还常常听到机器学习、深度学习、数据挖掘、模式识别这些名词。本节就来介绍这些名词都是什么意思，以及它们之间有何区别和联系。

1.2.1　人工智能和数据挖掘

　　人工智能（Artificial Intelligence，AI）是让机器体现出生物的智能，进而完成各种应用。从广义上说，人工智能可以分为强人工智能和弱人工智能。强人工智能能够全面模拟人类智能，有自己的知觉和意识。许多科幻片中出现的机器人（如电影《大都会》（Metropolis，1927）中的机器人）具有强人工智能。虽然学术界对强人工智能有研究，但是短期内不大可能实现强人工智能。弱人工智能专注于某些特定的应用，使机器在该特定应用上表现出解决问题的能力。西周时代的偃师制作的木偶伶人、AlphaGo下围棋都属于弱人工智能。本书涉及的技术内容都是弱人工智能。

　　人工智能的智能可以体现在以下方面。

* 理解智能：例如机器视觉、语音识别。

* 推理智能和决策智能：例如AlphaGo等棋类程序、自动推理系统、自动规划系统。

* 表现智能：例如文本转语音、演奏乐器。

　　一个应用可以同时具有以上多种智能。例如语音聊天机器人可以听懂人类说的话，并进行逻辑分析，再用语音做应答。

　　人工智能的实现方法有以下发展脉络。

* 大脑模拟（brain simulation）：综合利用神经学、信息论和控制论，试图用机器精确模仿生物大脑的计算机制。20世纪40年代至50年代，此方法非常热门，但是后来发现实现起来过于困难。

* 逻辑与符号计算（logic and symbolic computation）：不使用数值，在符号级别和逻辑进行各种运算，并依此来完成许多应用。20世纪60年代，该方法曾在小型证明程序上模拟高级思考获得较大的成就。著名的A* 算法也属于此类。

* 基于知识的专家系统（knowledge-based expert system）：收集外部知识，再利用预定策略对存储的知识做运算得到应答。在20世纪80年代，专家系统在商业上获得了巨大的成功。

* 次符号学习（sub-symbolic learning）：不依靠于符号，而依赖于具体的数据。模糊计算、常见的机器学习等都属于此类。目前基于学习的人工智能应用最为热门。

　　在人工智能发展的上述4个阶段中，人工智能解决问题的范围越来越小，但在特定应用中的表现越来越好。目前人工智能的发展已经进入学习主导的阶段。

　　以学习为主的人工智能应用主要关注以下任务。

* 聚类（cluster）：在不知道数据的分类数、分类方法、分类结果的情况下，试图发现数据的类别及分类方法。例如，通过分析很多蚂蚁的行为，发现蚂蚁存在不同的分工，并且根据分工将蚂蚁分为若干类。聚类还可以进一步细分为硬聚类（hard cluster）和模糊聚类（soft cluster）。硬聚类把每个数据都划分到一个确切的类；模糊聚类可以把数据归属到多个类，并显示数据点和某个类之间的关系有多强。

* 分类（classification）：在已经知道数据的分类数和某种结构的情况下，对新的数据推广已知的结构。例如将电子邮件分为“垃圾邮件”和“正常邮件”。异常检测（abnormally detection）旨在识别出不寻常的数据记录。

* 回归（regression）：探索变量之间的关系，特别是因变量和自变量之间的关系。例如，有一些变量，其中两两独立，由决定。通过分析数据，了解是如何由决定的，就是回归研究的问题。

* 关联规则学习（associate rule learning）：分析事件之间的关联规则。关联规则指的是这样的一种规则：如果某些事件发生了，那么某个事件也会发生。这些事件往往是对等的关系，可以互换位置。例如，通过分析超市中顾客的购买习惯，发现哪些商品常常被一起购买。

* 压缩表示（compressed representation）：将比较长的数据压缩表示为比较短的数据，包括汇总（automatic summarization）和降维（dimensionality reduction）。汇总的例子：为一篇文章写摘要、起标题。降维的例子：将高维数据在二维的平面上进行可视化。

* 密度估计（density estimation）：估计变量的概率分布。这个变量可能独立存在，也可能受其他因素影响。

　　数据挖掘（Data Mining，DL）是另外一个从应用效果定义的概念。

　　数据挖掘并不是希望“挖掘”新的数据或试图得到新的数据，而是希望通过有效管理和分析数据，来发现原本不知道的新知识、新方法。数据挖掘中对数据进行逻辑分析的算法可以发现新知识和新方法，体现出一定的智能，所以数据挖掘应用往往都可以认为是人工智能应用。但是数据挖掘不仅仅只考虑数据处理的算法，还关注数据的有效存储、读取和更新。因此数据库、数据管理等内容也是数据挖掘的主要研究内容。AlphaGo分析大量人类棋谱后发现了某些下棋的新策略，这也算是一种数据挖掘。

　　当然，并不是所有数据挖掘应用都是人工智能应用。比如，某人通过观察各个股票的走势发现了股票涨跌的某种规律，这个和机器没什么关系，自然不是人工智能应用。