人工智能,机器学习,模式识别,数据挖掘,信息检索

1、人工智能(Artificial Intelligence，AI)、机器学习(Machine Learning，ML)、模式识 别。其实，上面列的这些学科本质上都没有太大区别，只不过它们要解决的核心问 题不同，而运用的数学模型如出一辙。先说 AI。这个词大众比较熟悉，通常一个电子游戏的 AI 直接决定了游戏的可玩 性。简单的 AI 比如超级玛丽里会扔刺猬的云怪，复杂的 AI 比如红色警戒中需要操 纵整个国家的电脑敌人。我很小的时候就在想这些算法得有多么复杂。慢慢地我意 要么控制基地建设；而电脑的每个单位都有独立的思考能力和通信能力。这些是通 过设计逻辑来实现的(难怪在 98 年买的电脑上跑一点也

2、不卡)，比如坦克的逻辑可 THEN撤退”等等。 是穷举，也可以是多个因素连接成的网络，比如下图(称为贝叶斯网络， Bayesian Network)，这是一个通过判断是否有地震和盗窃的简单的智能系统。用贝叶斯网络做决策，需要设置的参数都是概率形式的，比如地震发生的概率是 参数有了之后，当有一天警报响起，系统就能够回溯地计算出警报响是由地震发生 引起的。下面说 ML。ML 是最可怕的部分。上面说的AI 系统的规则都是人为设定的，所 以它的表现绝大多数情况在人们的期待以内。而 ML 算法可能使系统变得过分地聪 HYPERLINK / 这是一个网络小游戏，你在心中想一个人物，然后算法会问你一系列的一

3、般疑问 句(比如“这个人是科学家吗？ ”)你回答 Yes 或者 No。若干个问题后，算法会知道 你心中的人物是谁了(通常比你预计的要快)。之所以说这是一个 ML 系统，是因为它不仅做决策下一个问题该问什么、已经问 的问题和答案能推出什么结果，它还在不断地自我改进。比如说，我心中想的人物 是亚运会的吉祥物阿和 (几年前这个游戏推出时它肯定不知道阿和是谁)，于是在很 多个问题过后，这个ML 算法猜成喜羊羊了，然后我告诉它“你猜错了，我想的是阿 和”，于是，它会更新它的决策网络，增加阿和这个节点，改变各个概率值。下次有 人想阿和的，它就可能猜中了。所以，从上面的例子可以看出， ML 重点研究的是算法

4、的学习过程，强调的是一 个反馈的框架。一开始系统可能很弱智，但是经过长期训练后它能做出很高超的决 举个我的例子。比如说，我老板希望能做一个自动作曲的系统，要求能做莫扎特 风格的钢琴奏鸣曲，而听起来不能像海顿和贝多芬。想一想这个决策规则就复杂得 就变得有可能了。我可以把莫扎特已有的乐谱输入给系统，告诉它这是好结果；再把海顿和贝多芬的给系统，告诉它这是坏结果。然后就期待这个系统能够学到点什 么。当然，真正实现起来设计这个学习框架是有难度的，不过 ML 是正确的思路。 “解决问题是关键，不关心系统在理论上是否最优”。比如人脸识别、癌细胞识 别、语言识别、入侵检测等等，拿各种分类器(SVM、神经网络神

5、马的)一个一个 OK 了。然后是 DM 。DM 是一项应运而生的科学，正因为互联网蓬勃发展，才吸引那么 单词组成的序列)，DM 算法可能发现“新闻”、“报 导” 、“记者”等词语是具有关联性的，于是用户在搜索“新闻”这个关键词时，与“新 再举个我的例子。我前一段时间做了一个音乐结构分段的算法，旨在将音乐中主 epIRIR网能够变得更加人性化。比如你在搜索引 出有用的信息：是个地方，要可以玩桌游，便不便宜自己看着办；另一方面从网络 上取出(retrieve)合理的网页给用户。AIPRDMIR AI 的具 人失业，机器会代替会记、医生、甚至程序员。也许，机器的智能会产生很多很多 否熟了，因为人耳对于这种音色可以做决策，而机器目前还很难做到。监测工作很 辛苦，比如核电站工作人员需要成天盯着很多很多数据，不停地做