人工智能是毁灭人类的怪兽还是解放人类的福音？
想要回答这个问题，我们首先要理解什么是人工智能？
智能是从自然或人工环境中感知和解析信息，提炼知识并运用于
自适应行为的能力。
那么机器能否拥有这个能力呢？
这需要满足两个基石假设：
1）第一，人类的思考过程可以机械化
2）第二，机械化的思路可以用工程实现形式推理给我们提供了
思考机械化的可能性
而神经学、信息论和控制论的发展
提供了这种机械化实现的工具
于是人工智能从科学家手中诞生
人们制造出 第一个数学原理证明机
第一个聊天机器人、第一个人工神经元
然而，人们总是会低估短期的困难
模型和算法的局限让刚刚诞生的人工智能进入了第一次寒冬
回到现实的工程师们，理清了逻辑基础，将程序的功能局限在更
确定性的任务中，通过专家系统实现了初步应用。
但很快这些努力又遭到了失败，也让吃瓜群众对AI的看法在毁灭
人类和骗人把戏之间来回震荡。
当前火热的机器学习是人工智能的第三次浪潮
它的成功得益于互联网时代的网络效应
新算法的应用和计算机能力指数增长
然而机器学习背后的理论范式没有更新
更像是战术胜利，这说明使用达芬奇之鸟一样的仿生学方法，只
能学到人类智能的形状，却学不到智能的原理。
我们应当追求的不该是魔幻的类人智能
而是通过工程的方式，寻求具体功能上的技术与应用突破
这样靠谱、有用，可用的AI才能真正的改变我们的世界。
什么是机器学习？
与人类相似，机器学习也是主体
通过适应环境的体验，自动提升完成特定任务的能力。
机器学习的精髓在于环境、感知、决策的循环过程。
首先环境提供了丰富的可以用来学习的体验数据
机器感知这些数据并抽象化为模型
然后对模型不断调整来逐渐逼近现实
从而完成正确的决策
实现机器学习的方法有很多
其中最热门的工具是深度学习
深度学习就是在卷积神经网络中，将感知的过程通过多个层次的网络来分级进行，在层次足够多的情况下我们，就可以获得非常接近现实的结果。
深度学习在人脸以及语音识别上都能够达到很好的效果。
然而过多的层次也使过程与目标之间的因果关系变得不够直接。
我们对于深度学习过程的调整就像一次无规律的试错性实验。
而不是方向明确的改进，同时大量的深度学习训练，
还会带来过渡拟合，从而使得整个系统对于新的信息无法正确处理
这些都是当今深度学习与人工智能所面临的问题。
因此，机器学习的进一步发展，必须建立在对于规律与原理的探索之上。
同时也需要我们进行更多方法的延展与组合
如同人类自身的学习一样
我们需要建立起思维模型
才能让我们的知识和经验的积累成为，提升能力的有效学习
同时我们也要能不断的进行思维逻辑的变革，才能正确判断新的信息。
从机器学习的过程中来领悟我们，自身的有效学习方式，将是人工智能带给我们技术之外更大的启发。
机器学习能做什么？
首先我们要了解为什么需要机器学习
对于信息检索，自动驾驶和基因分析这样的任务
数以亿计的信息已经超越了人力处理的极限
而复杂多变的场景和需求
也无法通过传统的人工编程来实现
因此
我们需要能够自我编程、自我优化的程序，也就是机器学习
机器学习在工程上有两大应用，一个是自然语言处理，包括简单的文本分类、文本搜索和充满挑战的语音识别及生产。
另一个是机器视觉
能够用于自动驾驶和安防监控，面对复杂的场景，机器学习的任务也需要从表面的感知，进化到深入的理解，从确定性的任务延伸到非确定性，需要常识判断的推理。
因此，我们需要运用工程化思维
将单一的感知和决策算法，组装成能与环境交互的AI工程
通过标准化、模块化构建的AI工程
能够自动适应新的数据、新的任务，从而跨越复杂性的鸿沟（非连续性）
成为传统编程的第二曲线。
这种跨越不仅仅是技术的进步
而是思想方式的颠覆，用自我优化的学习系统，取代僵硬执行的标准程序
让机器从执行人类指令的工具，升级为协助人类思考的外脑
只有通过这样的思维转换，
才能在这个复杂的世界中灵活适应。
迎接不断出现的新挑战。
人工智能会取代人类吗？
对于这个问题，我们要理解机器学习的能力和边界。
机器学习擅长执行确定性 单一性 重复迭代的大数据任务。
但无法自主解决非确定性 复合型的任务
也难以从小数据出发，通过常识性推理，做出复杂的决策
因此，人工智能之上，需要更加深邃的人类智能。
人类不但能够掌握机器学习的各项技能，
更能提出问题 直觉推理 探索未知
如何将机器学习的工具适应于不同的场景
不同的问题和不同的部署环境
必然需要人类作为架构师
用系统化思维和工程化思维
将机器学习的百宝箱整合
可用、有用、好用的工业化应用
而不是不实用、不兼容、不可重复的手工化玩具，
人工智能并没有价值观
但人的价值观，却会决定人工智能的后果
只有以谦卑谨慎的心态，系统工程的思维，将机器学习应用于具体的任务和场景
才能实现人机协作
忙向更美好的明天。
