人工智能的原理是什么？

人工智能=数学计算。

机器的智能取决于“算法”。最初发现1和0可以用电路的开和关来表示。然后很多电路组织在一起，不同的排列可以代表很多东西，比如颜色，形状，字母。与逻辑元件(三极管)一起形成“输入(按下开关按钮)-计算(电流通过线路)-输出(灯亮)”

这个模型。

想象一下家里有一个双控开关。

为了实现更复杂的计算，它最终变成了“大规模集成电路”——芯片。

电路的逻辑经过层层嵌套封装后，我们改变当前状态的方法就变成了“编程语言”。程序员就是这么干的。

程序员告诉计算机如何执行，整个过程由程序固定下来。

因此，为了让计算机执行某项任务，程序员必须首先充分了解该任务的流程。

以电梯为例:

别小看这个电梯，它也挺“聪明”的。想想它需要做哪些判断:上下方向、是否满员、高峰时段、停靠时间是否足够、单双楼层等。你需要提前想好所有的可能性，不然会出bug。

某种程度上，程序员控制着世界。但总是事必躬亲。程序员太累了。你看他们加班都红了眼。

于是我想:计算机可以自己学习，自己解决问题吗？而我们只需要告诉它一套学习方法。

你还记得1997年，IBM用一台特别设计的计算机赢得了国际象棋冠军。其实它的方法很蠢——暴力计算，术语是“穷举”(其实IBM为了节省计算能力，人为地为它修剪了很多不必要的计算，比如那些明显的蠢棋，优化了卡斯帕罗夫的风格)。计算机计算出每一步棋的所有走法，然后对比人类的博弈棋谱，寻找最优解。

一句话:努力创造奇迹！

但是到了要走的时候，不能再这么穷了。权力再大，也是有限度的。下围棋的可能性远远超过宇宙中所有原子的总和(已知)，即使使用目前最好的超级计算机，也要几万年。在量子计算机成熟之前，电子计算机几乎是不可能的。

于是，程序员给阿尔法狗加了一层额外的算法:

A.先算:哪里算哪里忽略。

b、然后，有针对性的计算。

——本质上还是计算。没有“感知”！

在步骤A中，它应该如何判断“在哪里计算”？

这就是“人工智能”的核心问题:“学习”的过程。

仔细想想，人类是怎么学习的？

人类所有的认知都来自于对观察到的现象进行总结，并根据总结的规律对未来进行预测。

当你见过一种四条腿、短毛、中等身材、长嘴巴、会叫的动物，你会把未来看到的所有类似的物体都归为狗。

然而，机器的学习方式与人类有着质的不同:

通过观察一些特征，人们可以推断出大多数未知数。取一个角，然后转过来。

机器必须观察很多条狗才能知道这一条是不是狗。

这样一台愚蠢的机器有望统治人类。

简直就是蛮力！努力生活。

具体来说，它的“学习”算法叫做“神经网络”(比较唬人)。

(特征提取器，总结对象的特征，然后将特征放入池中进行整合，并充分连接神经网络输出最终结论)

它需要两个先决条件:

1，吃大量数据试错，逐步调整自己的准确度；

2.神经网络层数越多，计算越精确(有极限)，需要的计算能力就越大。

所以，虽然神经网络的方法在很多年前就存在了(那时候还叫“感知器”)。但受限于数据量和计算能力，一直没有发展起来。

神经网络听起来比感知器好。不知道高端在哪！这再一次告诉我们，有一个好听的研究(庄)和研究(毕)的名字是多么重要！

现在，这两个条件都满足了——大数据和云计算。谁拥有数据，谁就能做AI。

目前人工智能常见的应用领域:

图像识别(安全识别、指纹、美颜、图片搜索、医学图像诊断)使用“卷积神经网络(CNN)”，主要提取空间维度的特征来识别图像。

自然语言处理(人机对话、翻译)使用“RNN”，主要提取时间维度的特征。因为有语序，所以词出现的时间决定了语义。

神经网络算法的设计水平决定了其描述现实的能力。顶级大牛吴恩达曾经设计的卷积层数高达100层(层数过多容易出现过拟合问题)。

当我们深刻理解了计算的意义:有明确的数学规律。所以，

世界具有量子(随机)特性，这决定了计算机的理论局限性。事实上，计算机甚至不能生成真正的随机数。

这台机器仍然很笨拙。

更多人工智能神佑知识，想了解可以私信询问。