脚本｜宅殆 插画｜耿罡
近几日，神秘棋手Master在围棋对战平台上横扫各国高手的新闻刷屏了。
这个Master有多厉害？被他打败的名字就不一个个细说了，简单来讲，中日韩几乎所有人类围棋冠军，都被它“咔嚓”了一遍。
就在刚才，聂卫平老先生也没能挫其锐气，Master完成了54胜。
各界都在揣测，不，都已坚信Master就是进化了的阿法狗。而“机器是如何学会下棋这么复杂的事情”一直困惑着普通观众，也确实不是一个好解释的问题。
视知资本论前阵子刚好讨论过机器学习，请看我们如何用漫画浅显地讲明白这个事情。
注：机器学习分为有监督学习、无监督学习、强化学习和蒙特卡洛树等，我们使用的例子为“有监督学习”，而围棋机器人的实际原理则属于蒙特卡洛树。
——（以下为正文）——
前阵子富士康放出话来，它的工厂夜间已经不需要开灯了——因为一个工人都不需要，干活的全是人工智能机器。几乎所有大佬都在谈论人工智能。
似乎这个世界再也不需要人类了。
你可能听了一百遍人工智能，不过到底人工智能是个什么鬼，所谓人工智能的机器学习究竟是怎么学习的？它和你之前玩过的小霸王游戏机究竟有什么区别？
今天，我们用漫画
来直接让你看懂
人工智能内部的工作原理
-+-
我们所举的例子是机器学习中的有监督学习。
人工智能机器学习分为有监督学习，无监督学习，强化学习和蒙特卡洛树等。这一句你看不懂完全可以忽略，因为不影响下面的解释。
我就是传说中的大boss，人工智能！怕了吧！
其实，人工智能基本等于人工智障！人类一目了然的事情，它得算半天，而且未必能搞定。
首先，我们来说说，人工智能和传统计算机原理之间的关系。
最传统的计算机，就是这玩意——
它的工作原理就是有一个确定的输入，就有一个确定的输出。
对于机器，原理也一样。比如这个
但人类，被输入一个刺激后，其实是往往这样的
在现实世界中，我们看到女朋友的脸，无论她化了什么样的妆，你一眼就能认出来。
但传统计算机的单一输入值，单一确定输出的模式，就傻眼了。
但怎么让机器模仿出人的输入输出能力，有类似人类的智能。这就是人工智能问题的核心。
其实，要做的就是对复杂的输入信号进行分解计算，对计算中的不同因子进行不同的处理，无论输入的有怎样变化，都能做出大致合理的输出。
用专业的说法，就是在输入输出之间的隐藏层进行一系列权重调整，建立一个模型。
这样无论人脸加上什么伪装，只要落在一个范围内，机器都能认出这张脸。
这时候，机器就变得像人一样能认人了，就成了人工智能。
-+-
看到这儿，其实你就比百分九十以上的人更了解人工智能了。但人工智能怎么具体调整权重，我们可以讲个机器人按脸杀人的故事。
第一步先要让机器可以认出人脸。
所以我们要拿很多包含人脸的图片喂给它：
脸上不同的部位分别被抽象为一组数字，比如鼻子可以极度简化为为长度和宽度两个数据，
然后发送给程序去处理——人工神经网络现在特别流行，我们就用它好了。这些数字的流动，的确有点像人类脑神经的工作方式：
这个图看起来不知所谓，其实特别简单，就是挨个把输入的数字乘以那些系数，最后加起来。
对，这些系数就是所谓的“权重”。
输出层输出的就是一个普通的数字。我们给他设定一个阈值，比如20；把牙齿，鼻子和眼睛都算出来，等于28，大于20，就判定输入的是人脸。
这差不多是一种很原始的人工神经网络，叫做感知机。
不过现在的神经网络会引入一种叫做激活函数的东西，把这种一刀切的智障变成一个稍稍聪明一点的样子：
这个图像有什么意义呢？
就是把一个简单到弱智的“是不是”的问题，转化为有“百分之多少”的概率问题。看上去是不是智能了不少？
同时，聪明的你一定发现了，决定成效的关键其实就是那些“权重”。
怎么获得恰当的权重组合？
这就是机器学习的意义：让机器自己根据每一次考试的结果去修正自己的权重。
慢着，它自己怎么知道对错？
这还是要人类事先给这些照片进行分类：哪些是人，哪些是狗，哪些是ET……
这就好像人类在给他出有标准答案的考试，所以叫做“有监督学习”。
然后我们只要不断重复这个过程，权重就会逐渐调整到更恰当的组合，输出结果就会越来好，判断越来越准。
如此不断重复同一过程，达到改进的方式，就叫做“迭代”。
只要我们的神经网络设计的没问题，最终，就可以准确识别出人类。
现在最先进的算法，已经可以达到各种状况下98%以上的正确率了！
这整个过程就叫做“训练”。
我们用来训练它的图片和每张图片对应的标签，就叫做“训练集”。
-+-
一般介绍人工智能文章到这里就不会再往深里说了，如果继续往下看，你对人工智能的了解就会远远99.99%的人类。
所以，你做好准备成为砖家了吗？
首先，大家最好奇的应该是：程序到底怎么调整权重的？
这个被称作“反向传播”的过程是这样的：在每一次训练中，我们都要确定程序给出的结论错的有多远。
我们已经说过，程序的猜测和答案都可以转化为数值，
把所有的错的平方都加起来，再平均一下，就得到一个“损失函数”。
损失函数当然越小越好，这代表我们的神经网络更厉害。
我们一开始可能在山顶，这意味着“损失”特别大，所以我们要尽快下山止损。
怎么做呢？一种最常用的也很有效的办法就是，永远选择最陡的路线，这样很容易就会到达某个山谷。
当损失函数达到某个最小值，不怎么变化了，就说明训练差不多了。这种方法就被叫做“梯度下降”。
具体而言，其实就是求导数：
看到这个公式有没有一点想崩溃的感觉？
如果还没有彻底崩溃，就稍微解释一下吧：
这个式子的意思就是，把某个权重减少这么多，损失函数对相应权重的偏导数乘以α。
至于怎么求这个偏导数的数值……你确定你真的想知道？
而这个α呢，也很重要，叫做“学习速率”。
它的意思是：发现错误之后，改变的幅度太大或太小都不好。比如学开车，转弯
至于改的幅度（系数）多大最好，这就要靠悟了。
-+-
好吧，说了这么难的东西，再来点八卦吧。
为啥要让人工智能杀那么多猩猩、海豚、蜥蜴？
因为如果没有这些负样本，人工智能随手一抓都是对的。
这样，就不存在学习和积累经验（调整权重）的过程，也不会有在现实世界中真正找到人脸的能力。
不要被那些所谓人工智能专家神神鬼鬼的术语所迷惑，其实人工神经网络的有监督学习的整个过程，无非就是在做自动化的回归分析罢了。
从最简单的一元线性回归到多元非线性回归，就是越来越看起来越来越智能的过程。人工智能的专家也是这么循序渐进掌握机器学习的。
-+-
最后，如果你能坚持到这里，
恭喜，你已经成为半个机器学习的专家了！
如果大家喜欢，我们下次再来讲讲其他人工智能的技术，比如无监督学习、强化学习！
参考资料：
?斯坦福大学公开课：《机器学习》
?FaceNet:AUnifiedEmbeddingforFaceRecognitionandClustering,FlorianSchroff,DmitryKalenichenko,JamesPhilbin,GoogleInc.
?EfficientBackProp,YannLeCun,LeoBottou
?《人工智能时代》，杰瑞·卡普兰
?《心灵、语言和社会》，约翰·塞尔
END
点击以下关键词，鍖椾含鐧界櫆椋庡尰闄㈡不鐤楁柟娉?鐧界櫆椋庤兘娌诲ソ鍚?