智能模型机械化的思考可以工程化对智慧的探索，通常都是以人作为主体来定义。那么，我们能不能够用一种人工的制造方法，来代替人的一些功能？于是，基于这个问题，产生了两大基础假设：①人类的思考过程可以机械化；②机械化的思考可以用工程实现。正是沿着这样的路径，人工智能开始诞生了。这不是一个突发性事件，它经过了上百年的理论和实践准备，包括心理学、信息学、数学、哲学、生物学等各方面的准备工作，最后达到一个收敛，并形成了现代计算机科学的方法论基础。值得注意的是，这一次（第三次）人工智能的复兴，体现的是一种技术上的胜利，背后的理论形式，其实并没有变化。而且，我们应该放弃仿生学的角度，改从工程的角度发展人工智能，只有完成这种思维的转变，才能这波浪潮中获得有力的抓手。（戳此阅读原文笔记）
机器学习
AI认知进阶手册（创业者必读）人在学习什么东西呢？其实包含了对环境变化所做的预测，甚至是预测后面的规则，是人所感兴趣并希望学到的。比如说我们对自然科学知识的学习，就包括了学习它的法则、流程或者语法这些不同的规则，这些都是我们从数据或者从知识环境里面，可以获得的一些学习的套路。学多了以后，你就会发现，有时候就变成机械化，你不想，就可以反应了。同样的道理，机器学习也是类似的过程 ——它关注的是怎么能够建立一个通过体验，自动提升自己功能的计算体系或者计算系统。这个计算系统能够通过跟环境交互的体验，自动提升自己的能力。事实上，深度学习整个的设计，大致是模仿了很多人、动物，或者是一个能够想象的、靠谱的神经系统对于物体的认知过程。所以，好的机器学习，它得是一个能被全面分析和表达的东西，它需要能够被人类理解和感知。（戳此阅读原文笔记）
AI工程
从模块出发，构建复杂系统未来的AI应用大概会是这样的一个场景：它会融合不同领域里面的很多基础知识或者先验知识，把不同的学习内容和算法整合起来。对于实际的开发和生产环境，我们其实不是在谈某一个算法或是某一套数据，而是一个相当综合的体系。现在，很多公司都面临着这样一个瓶颈：如果用封闭式的黑匣子来打造一个系统，它的延展能力很弱。一旦面对新任务，就会面临着开发周期的困境，或者进行部署的困境。该怎么办？我的建议是，机器学习未来路径和前景应该是：从模块出发，构建一个复杂系统。这个复杂系统的方向不能是手工作坊的方法，从造一个小船变成造一个大船，而是要转变到更加工程化和科学化的方向——模块化和标准化。同一个算法应该有标准的实现途径，同一个数据应该有单一的供应源进行处理方法。只有这样做，你的AI研发，才能更稳健，更靠谱。（戳此阅读原文笔记）
人机协作
这些"谎言"，让人痛心最后，我想为人工智能的从业者，那些沉默的大多数，不太在网上出声，也不太会获得相应运作利益的那些人，说几句话：由于资本的驱动、人性的弱点，或者由于其他的一些因素，我们看到了人工智能被追捧，但由于并没有跟现实来匹配，结果就产生了一个预期和现实的落差，最后的受害者是谁呢？对学科的伤害。我是相当痛心的。因为在前两个人工智能的低谷期，其实有大量的天才和非常非常诚实、踏实的研究者，由于这样的误解，得不到经费、支持、和理解，他们最后不得不离开这个行业。这样的现象正在发生。我们去人为的制造一个谎言，最后这个谎言被戳穿以后，反而是那些诚实工作的人，去承担惩罚。这对研发人员很不公正。所以，希望大家对待人工智能，能够更理性更纯粹一些。（戳此阅读原文笔记）
联系我们或投稿可发送邮件至：[email protected]
点击"阅读原文"了解混沌大学创新院更多精彩 阅读原文