朱教授谈人工智能
现在的人工智能普遍处于大数据小任务阶段。未来的人工智能是小数据+多任务。数据其实是外界环境的因果，任务是智慧生物与生俱来的生存价值本能。
前者是外界环境的因果，这是物理学的精髓:“相信世界上有完整的因果链，并找到它”。后者，生物的生存本能，是达尔文的进化思想，所以未来的人工智能也可以看作是牛顿和达尔文思想的结合。
可以分为以下六个方向:计算机视觉(可以理解为图像识别处理)、自然语言理解与交流、认知与推理(物理与社会常识)、机器人学(机械关联)、博弈与伦理(伦理实际上是各方博弈的最终均衡状态)、机器学习(目前最热门的深度学习就是其中之一)。
这几个方向以前相距甚远，现在却像战国六雄(历史上有七个)，有一天可能像秦统一一样合二为一。
目前，例如，为了恢复三维场景，将从多个角度拍摄的多个图片的特征点与模型进行比较。但实际上，人脑可以通过看一张二维照片来还原三维场景。依靠常识推理。比如几何推理，照片中椅子的高度要和人的小腿差不多(为了坐的舒服)，精度根据任务是渐进的。比如你想拿一个杯子，一开始就不需要知道4.56m的距离，只需要知道大概三四米，然后在靠近的过程中调整精度。
另一个任务驱动的研究是这样的:给机器一个挖掘的任务，机器可以在一堆东西中找到最好的工具。1组是训练数据。第二组，机器自己挑的。第三组只剩下石头，就像石器时代的原始人一样。目的是为了完成挖掘的任务，目的是为了找到可以拿着的，有尖尖的物体。而不是现在流行的图像识别(在一堆东西里找出铲子，换成石头)。
未来的图像识别应该和推理小说里的侦探一样，不仅能看到东西，还能想到这个东西是什么意思，能用来做什么。
这是一个人和另一个人(机器)的交流图。底部的椭圆代表人类社会的常识。这是现在机器认知的研究领域，主要通过关注人的行为，猜测然后后验。
语言是左中上右三个省略号。一次完整的谈话，两个人至少要表达五种心意:我知道的，你知道的，我知道你知道的，你知道我知道的，我们一起知道的。
语言的传播过程涉及信息的编码。这里我们可以参考古代的象形文字。对于生成模型来说，语言就是视觉，视觉就是语言。
分解任务的每一步
建立环境的效益函数和流量函数。博弈是流量功能和利益功能的动态平衡。
这个沟通学习框架包含了大量的学习模式，包括以下七种学习模式(每种学习模式实际上对应图中的一个或几个箭头)，还有很多模式可以开发。
(1)被动统计学习:上面刚刚提到的最流行的学习模式，用大数据拟合模型。
(2)主动学习:学生可以向老师要数据，这在机器学习中也很流行。
(3)算法教学:老师主动跟踪学生的进步和能力，然后设计例子帮助你学习。这是一种成本较高的优秀教师的理想教学方式。
？(4)示范从示范中学习:这是机器人学中常用的，即要求机器人用手做动作。一种变体是模仿学习。
(5)感知因果学习:这是我发明的一种因果模型，即在不做实验验证的情况下，通过观察他人行为的因果，这在人类认知中非常普遍。
(6)因果学习:通过动手实验控制其他变量，得到更可靠的因果模型，科学实验往往属于这一类。
(7)强化学习:是学习决策函数和价值函数的一种方式。
截取原文，代表个人感受。在试图总结的过程中，我也觉得没有详细的案例很难展现作者本意的本质，再次附上原文链接
/s？_ _ biz = mzi 3m tm5 ODA 0 NW = = & amp；mid=2247484058。idx=1。sn = 0 dfe 92 a 0991294 afba 2514b 137217a 66 & amp；chksm = EAC 3276 addb 4 AE 7 c 6 acbc 6 f 9275 BF 8 ad 5 dcefafab 631b 41905d 9 f 78 c 01 AE 46 ddde 8 b 2d 9 e 7 b 31 & amp；MP share = 1 & amp；场景= 1 & amp；src id = 0526g 0 mghqdwv 8 vhzgpkihgb & amp；pass _ ticket = k 1 ekzvr 1 vsh 44 A8 vzqdynewua % 2 blswvpidjzp v2 y % 2 fntbscxvus 5 wai 3 fg 4 hggw 7 z # rd