学编程,来源栈;先学习,再交钱
当前系列: 编程语言 修改讲义

凡是被实现了的人工智能,就不再是智能。

安利:逸闻史话 > 啊!愚蠢的人类:AI进化之路


AlphaGo

2016年3月,阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战,以4比1的总比分获胜。

人工智能终于王者归来!并迅速掀起至今都未衰竭的热潮。

其实早在1997年5月11日:

美国IBM公司生产的深蓝(Deep Blue)击败国际象棋世界冠军加里·卡斯帕罗夫。

但为什么这一次AlphaGo的胜利能引起如此大的震撼呢?


决策树和剪枝

其实下棋的过程,就是一个决策的过程,下每一步棋都是在做一个决策:

  • 如果我走A,
  • 对手会有可能应B、C、D……
  • 针对于B,我又可以E、F、G……
  • 对手针对E,又可以H、I、J……
  • ……

这样就形成一个决策树

只要我把所有的路径都算完,将他们进行对比,就能找到一个最优解

这种方式就叫做:穷举,或者暴力破解

实际上,之前深蓝的胜利,大致上就是采用的这种方式,其关键在于:计算机的算力。深蓝证明的是:快看,我的计算机能够(至少是部分)穷举所有可能性哟。

如果依据这种方法,构建围棋决策树将是一个天文数字!(国际象棋只有64个黑白相间的格子组成,围棋有纵横各19条线段将棋盘分成361个交叉点)

理解:指数级增长,国际象棋上放麦子,2^64

其实哪怕是国际象棋,完整的决策树至今都没有构建完成,因为一些明显不需要考虑的招法,不用去计算,这被称之为剪枝。但围棋:

  • 剪哪些枝,太难(专家系统)
  • 即使剪掉一些枝,决策树还是太大太大!
一些科学家(真是科学家,不是程序员了……)开始思考一个问题:那人又是怎么学会下围棋,人又是怎么决策的呢?能不能让电脑像人脑一样学习?


机器学习

你怎么知道它是一只猫?

符号派

核心就是归纳推理。

  • 首先定义猫:两只尖尖的耳朵,一双圆圆的大眼睛,可以撸,毛茸茸的很可爱……
  • 然后对比这个物体:也有两只尖尖的耳朵,一双圆圆的大眼睛……
  • 最后得出结论:这就是只猫

这就是典型的苏格拉底三段论

  1. 人都会死
  2. 苏格拉底是人
  3. 所以苏格拉底也会死

但这种模式遭遇了重大挫折!@想一想@:为什么?

做这个定义太难了……(飞哥上课深有体会啊,o(╥﹏╥)o)

模拟派

从0开始,回到最迟的起点:你怎么知道人都会死呢?三段论你的前提是从哪里来的呢?你的前提是不是正确,有没有意义呢?……

为什么我们不模拟人的大脑,像教一个小孩那样教会计算机呢?

PS:反正飞哥了解到这里,汗毛都竖起来了……

其核心就是:

  • 指着一只猫,告诉你这就是猫;
  • 指着一只狗,告诉你这不是猫,这是狗;
  • 指着一只老虎,告诉你这不是猫,这是老虎;
  • ……

至于为什么它是猫,而不是狗,不是老虎,你不是有脑子么?自己琢磨,^_^

很长一段时间,模拟派也毫无进展,被嘲笑:

如果只是模仿鸟类,永远造不出飞机。


神经网络

科学家发现,我们的大脑通过无数的(现在普遍认为约860亿个)神经元连接而成的网络。

于是,这帮疯子开始在电脑里面构建

神经元

其实是一种很简单的东东。

比如,你在思考要不要到源栈飞哥这里学编程。你考虑了这几种因素:

  • 学费:不贵
  • 路程:远
  • 教学质量:未知
  • 对飞哥的爱和支持:应该的

然后你怎么决策?

你说你不知道,其实你的大脑会将上述几种因素当做输入向量,每一个向量都有一定的权重,计算权重的和,看是否超过一个阈值,最终形成决策。比如:

  • 学费:+2
  • 路程:-5
  • 教学质量:0
  • 对飞哥的爱和支持:+4

2+4-5=1,但你确定

  • 去的阈值是3:1<3,
  • 不去的的阈值是0:1>0

所以,你未能形成决策:焦虑……

为了形成决策,你需要:

  • 更多的输入向量,比如在源栈的学习时间;
  • 或者调整权重,路程减点,对飞哥的支持加点;
  • 甚至调整阈值,大于0就去!

计算机是不是也可以这样做决策?

但是,这些权重/阈值啥的,谁来定呢?

训练、遗传和进化

一开始,我们可以随便的设定权重和阈值,然后让机器开始干活。

给他一个样本,让它决策:

  1. 张三,觉得学费贵(权重10),……,根据现有模型,得出决策结果:不去。
  2. 这个时候,外部要告诉机器结果(给他反馈):不去很亏,不对!
  3. 于是机器对模型进行调整,直到得出决策:要去

再给一个样本,让它决策,告诉它结果,让它再自行调整……

对于复杂的决策,

  • 一个两个的样本是远远不够的,需要海量的样本(大数据):这就是为什么直到互联网兴起,机器学习才熬出头的原因。
  • 一个两个的神经元也是远远不够的,需要无数的神经元构成一层一层的神经网络!

体会:量变引起质变。

PS:更狠的是:模型和向量都由机器自己建立,-_-||,实际上,在很多领域就真是这么做的。

在训练的基础上,还可以搞遗传进化,可以简单的理解成养蛊

@想一想@:可怕的地方在哪里?


现状

AlphaGo成功之后,到目前为止,以下领域都取得了巨大突破:

  • 棋牌游戏:包括麻将、斗地主、德州扑克……这些概率影响的的游戏
  • 图像/语音识别:captcha(图片验证码)过时了……
  • 自然语音翻译:google翻译
  • 自动驾驶:地球人都知道
  • 预测分析:有人讲其应用于博彩(非概率类,比如赛马、足球……)

唯一的问题是大部分企业都亏损,(/▽╲)

对哲学/宗教/伦理都产生了巨大的冲击:

  • 理性是人类独有的么?
  • 情感又是什么?灵魂又是什么?
  • 存在真正的自由意志么?
  • 一个拥有强人工智能的机器人,算不算一种智慧生物?我们是应该奴役它,还是共处?


ChatGPT

在这个讲义制作完成过后不到一年的时间,ChatGPT横空出世,大火了一把。

和深蓝、AlphaGo的问世一样,我们(至少飞哥)可以清晰的我们正处在新技术、新概念在媒体曝光度随时间变化曲线过高期望的峰值(Peak of Inflated Expectations)部分:

早期公众的过分关注演绎出了一系列成功的故事

其实与其谈论ChatGPT技术部分,我更愿意谈论她背后的传播学理论(她为什么这么火?),^_^

语言模型

请牢记:ChatGPT是一个语言模型是一个语言模型,是一个语言模型!(重要的事情说三遍)

她最大的优势在于,她能够:

  1. 更准确理解人类语言
  2. 生成人类能够理解的语言

注意第2点,她输出的结果并一定正确 —— 这一点非常重要,完全可能是“一本正经的胡说八道”。

应用场景

代替老师:很难。因为她的回答本身就有可能是错的呀,更不用老师在教学过程中观察、引导、矫正、情感支持……

代替google:很难。除了答案可能有错以外,答案的唯一性也会把我们带坑里去。另外,太慢太啰嗦……

代替程序员:说这话的人,连编程真正的困难是什么都没搞明白。

代替前端:部分可能。以后APP说不定就一个界面,你说,你直接说你想要啥?^_^



未来

容易打脸,但还是瞎聊一会吧。

发展 vs 停滞

正方:科技的发展是一种加速度发展:

  • 1500000年前:学会用火
  • 12000年前:学会制作金属
  • 250年前:开始工业革命
  • 65年前:提出人工智能的概念(1956年达特茅斯会议)
  • 24年前:深蓝战胜国际象棋冠军
  • 5年前:AlphaGo战胜围棋世界冠军

所以,人工智能会以一种我们想不到(因为我们人类习惯线性思维)的速度飞速发展,直到奇点到来(2050年),诞生真正的强人工智能

反方:科技发展就像一棵树,不能一直往上涨,会有瓶颈的。过去几百年,我们在物理、化学、生物、航天……方面都曾经有过非常乐观的估计,但事实上除了新兴的计算机领域,我们几乎没有进步。

正方:那是因为我们之前还没有人工智能……

反方:淦……

悲观 vs 乐观

都同意:人工智能将变得非常强大。

悲观:所以它很危险,像核武器一样,可能因为一些疯子,或者一些人为失误,或者机器人永不为奴……人类被毁灭了

乐观:它会拓展我们的认知边界,让我们进入一种前所未有的领域,实现我们从不敢想的梦想,比如永生,知道宇宙的终极意义……人类成神了

学习笔记
源栈学历
键盘敲烂,月薪过万作业不做,等于没学

作业

觉得很 ,不要忘记分享哟!

任何问题,都可以直接加 QQ群:273534701

在当前系列 编程语言 中继续学习:

下一课: 已经是最后一课了……

多快好省!前端后端,线上线下,名师精讲

  • 先学习,后付费;
  • 不满意,不要钱。
  • 编程培训班,我就选源栈

更多了解 加:

QQ群:273534701

答疑解惑,远程debug……

B站 源栈-小九 的直播间

写代码要保持微笑 (๑•̀ㅂ•́)و✧

公众号:源栈一起帮

二维码