人工智能入门基础之一代宗师

1955年，斯坦福大学计算机科学家约翰·麦卡锡（John McCarthy）在达特矛斯会议上第一次提出了“人工智能”这个概念。

AlphaGo之后，这几天都被人工智能刷屏刷得眼花缭乱了吧？最要紧的是，刷完了人工智能的了解还是像个毛线球？某某专家鼻祖发明的某某技术奠定了机器视觉、深度学习、语音识别……的基础，他们都是谁？都做了什么？所谓万变不离其宗，通常来说技术、知识体系都由一代宗师开始而代代相传，并且推陈出新。人工智能作为一个诞生了六十年的研究领域，也有其“宗”可溯。

较早进行人工智能研究的麻省理工学院（MIT）人工智能实验室、斯坦福人工智能实验室等。事实上，正规教育体系的学科分类中，人工智能下分计算机视觉和机器学习两个二级学科，领域中诸多种技术彼此都相互关联。

计算机视觉

从特征描述符到深度学习，计算机视觉走过蓬勃发展的二十年。近两年来，尤其是最近Facebook、微软、Google在人工智能领域取得的成绩，我们都知道深度卷积神经网络的神奇之处。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更优的结果。那么，在此之前，物体识别技术是什么样子？计算机视觉技术的进步，离不开他们的工作：

计算机视觉大牛族谱

计算机视觉的鼻祖要数伟大的David Marr，他从计算机科学的观点出发，熔数学、心理物理学、神经生理学于一炉，首创人的视觉计算理论，从而使视觉研究的面貌为之一新。他的同事，将其理论传承了下来。现在，计算机视觉，计算机图形图像与机器学习趋于融合，极大技术相互联系，密不可分。而当下最流行的机器学习，它又是怎样诞生出千奇百怪的机器人或人工智能程序的呢？

机器学习

一般来说，机器学习领域的代表人物有Geoffrey Hinton、 Yann Lecun、Tom Mitchell等。他们如今虽然任职于不同的机构组织，然而也秉承着严谨的师承关系（包括Phd和Post-doc，co-supervise关系），如图：

最初，机器学习分为联结主义和符号主义两大学派，后来华盛顿大学教授Pedro Domingos在去年的ACM Webminar上提出了机器学习五大流派及其代表人物的划分：符号主义、联结主义、进化主义、行为主义还有贝叶斯派。

符号主义（Symbolists）

代表人物：

符号主义是一种基于逻辑推理的智能模拟方法，又称为逻辑主义，其算法起源于逻辑学和哲学，通过对符号的演绎和逆演绎来进行结果预测。举个例子：根据 2+2=? 来预测 2+?=4中的未知项。

早期的人工智能研究者绝大多数属于此类。该学派认为：人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统，计算机也是一个物理符号系统，因此我们就能够用计算机来模拟人的智能行为,即用计算机的符号操作来模拟人的认知过程。

总的来说，可以把符号主义的思想简单的归结为“认知即计算”。

联结主义

代表人物：

据维基百科介绍，联结主义是统合了认知心理学、人工智能和心理哲学领域的一种理论。联结主义建立了心理或行为现象模型的显现模型—单纯元件的互相连结网络。联结主义有许多不同的形式，但最常见的形式利用了神经网络模型。

人造神经元

联结主义的中心原则是用简单单位的互联网络描述心理现象。联结的形式和单位可以从模型到模型修改。例如，网络的单位可以描述神经元，联结可以描述突触。另一个模型网络中每个单位用一个词表示，每个联结用一个语义类似的词表示。

反向传播算法演示

神经网络是今天联结主义模型的主导形式，如今流行的深度学习也是此学派的一个延伸。

Google那个识别出猫的神经网络

进化主义

代表人物：

据Airbnb工程师朱赟介绍，进化主义起源于生物进化学，该学派擅长于使用遗传算法和遗传编程。例如佛蒙特大学的Josh Bongard研发的基于生物进化理论的“海星机器人”，它能够通过内部模拟来“感知”身体各个部分，并进行连续建模。因此，即使没有外部编程，它也可以自己学会走路。

遗传算法

遗传编程

海星机器人

贝叶斯派

代表人物

贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。其基本思想是：已知类条件概率密度参数表达式和先验概率，利用贝叶斯公式转换成后验概率，根据后验概率大小进行决策分类。基于概率统计的贝叶斯算法最常见的应用就是反垃圾邮件功能。