導讀說起人工智能，都知道有很多算法。今天就挨個盤點一下，看完您可能覺得，AI，其實也就那么回事。先簡單聊聊人工智能的歷史，可能遠比我們想象的要早。公元前4世紀，....

說起人工智能，都知道有很多算法。今天就挨個盤點一下，看完您可能覺得，AI，其實也就那么回事。

先簡單聊聊人工智能的歷史，可能遠比我們想象的要早。公元前4世紀，亞里士多德就在《工具論》中提出三段論，借助于一個共同項把兩個真言判斷聯系起來，從而得出結論。這里注意關鍵字：判斷、結論。

而真正開始用機器做判斷的，是從英國數學家圖靈開始。

二戰時盟軍一堆破譯專家無法破解德國納粹的機器碼電文，直到圖靈在苦思冥想后得出一個驚世駭俗的結論：只有機器才能打敗機器。于是第一臺模仿計算機器應運而生，成功破譯了電文，大大縮短了德國失敗時間。在1950年，圖靈發表了《計算機器與智能》，明確提出了“機器能思維”的觀點，并且提出了著名的“圖靈測試”，用來衡量機器智能。

1956年，首次采用AI(Artificial Intelligence)術語，人工智能誕生。

隨后各種邏輯理論、處理語言、通用程序、專家系統涌出，AI達到第一次高潮。

蓬勃發展后，很快就遇到了瓶頸，美國說語音識別比登月還難，英國說人工智能是騙局。AI陷入低谷。

直到神經網絡的出現。

1987年，首屆人工神經網絡學術大會舉行，成立了國際神經網絡協會，掀起了AI的第二次高潮。

以后雖說AI再次陷入低谷，但是每次都隨著神經網絡算法的優化和計算能力的提升而繼續蓬勃發展，無論是戰勝國際象棋世界冠軍的“深藍”，還是在問答中擊敗人類的“沃森”，或者戰勝世界圍棋冠軍的“Alpha Go”，無一不是基于神經網絡算法。

這么神奇的神經網絡，到底是什么？

簡單說，對人腦結構進行模擬的人工神經網絡。事實證明，只有人腦才能打敗人腦。為了模擬生物神經的功能，首先以生物神經元抽象出一種人工神經元。模型是這樣的：

其中，x為神經元k從外界接受的多個輸入信號，w為神經元k從刺激到輸出間的傳遞權值, u為神經元將輸入與權值的組合后的輸出。b為偏置量。

用一對方程描述上述的神經元：

線性組合器的輸出為：

神經元的輸出為：

看到這估計讀者要困了，說人話，就是加權求和計算后分類。熟悉流程管理的童鞋，尤其是被CMM/CMMI虐過的，要叫了，這不就是DAR（決策流程）嗎？是的，沒錯。我們都知道離散數學是諸多科學的基礎，而其英文Discrete Mathematics，又叫Decision Mathematics，就是用來量化分類的。記得前面讓注意的關鍵字嗎？判斷，結論。根據輸入，和相應的權值，得出結論。

權值怎么定呢？DAR可以根據經驗，AI怎么辦呢？

機器學習。根據現有輸入和結論，機器自動學出權值。訓練機器，其實，跟馬戲團訓練老虎一個原理。

訓練師靠投喂鼓勵老虎，AI靠反饋，也就是要介紹的第一個算法：BP(back propogation)神經網絡，是一種按照誤差逆向傳播算法訓練的前饋神經網絡。通過在輸入和輸出之間增加若干隱藏層，來增加判斷能力。在AI的實際應用中，絕大部分都采用BP及其變化形式。它也是前向網絡的核心部分，體現了神經網絡的精華。計算也相對簡單，主要是矩陣運算。BP主要應用于模式識別、分類、數據壓縮、函數逼近等。DNN(Depth深度神經網絡)基于BP，或者，至少有一層隱藏層的BP。

在BP神經網絡中，所有輸入信號之間是沒有關系的，一維的，沒有時間前后之分。那么問題來了，如果輸入數據是和時間有關的呢？比如根據過去每月銷量預測未來某月銷量？比如股價預測？

RNN(Recurrent神經網絡)在時序數據上有著優異的表現。具體模型算法以后細表，簡單說就是通過循環，實現對時間序列的信息提取，也就是時間特征，然后把特征值作為輸入送入全連接網絡，也就是BP，實現預測。RNN就是循環核 BP。

在RNN基礎上優化的常用算法有LSTM(Long Short Term Memory)神經網絡，具有記憶長短期信息的能力，解決長期依賴問題；DRNN，深層循環神經網絡。

繼續回到BP，如果輸入數據過多，比如圖形識別，除了學習效率降低之外，識別能力也會隨之降低，因為太多的輸入，太多的權值，最后可能陷入某種分布陷阱。為了解決問題，CNN(Convolutional卷積神經網絡)出現了。網絡流行語，卷，不知道跟這個有沒有關系。CNN結構有3層：卷積層(Convolutional Layer)，池化層(Max Pooling Layer)，全連接層，還是BP。卷積層把大數據分成小塊，找出小塊特征，然后從左至右從上到下一點一點的卷，得出一個新的特征矩陣。新的特征矩陣非常大，要通過池化層做向下采樣，池化，顧名思義，像篩子，大的留下，小的舍棄，就像當年蘇聯處理中國雞蛋水果一樣。經過池化，主要特征保留，數據量大大減小，可以送入BP做預測了。CNN的改進算法有R-CNN，fastRCNN，fasterRCNN等。

CNN基于二維數據，GCN(Graph圖卷積神經網絡)基于圖數據，算法看著嚇人，原理和CNN差不多，不過，這一點估計有些童鞋不認可。

再次回到BP，如果輸入數據沒有時間關系，但是有空間關系呢？比如說想知道送什么禮物給女朋友合適，問問身邊的朋友都送的啥，然后選他們送得最多的，估計get laid概率高些。用數學描述，就是鄰近樣本特征相同，KNN(K-NearestNeighbor)神經網絡算法，通過少量鄰近樣本特征做預測，提高效率和識別度。

還有諸多神經網絡算法，基本上是以上四種算法的改進或者組合。下面用一張圖來表示他們的關系：

看到這里，是不是覺得很簡單，手癢想立即跑一個算法啊。搭建環境其實很簡單，有Python就夠了。也不需要太強的機器，不過如果數據多算法復雜的話最好還是用GPU來跑，也就是通過NVIDIA的顯卡。

以上只是個人膚淺的理解，諸多不對之處，還望指出，一定更正。在學習AI過程中得到過很多幫助，在此表示感謝。

如果覺得文章有用，希望能深入交流，或者有錯誤想指教，歡迎下方留言，謝謝。

蒹葭蒼蒼，白露為霜。所謂伊人，在水一方。溯洄從之，道阻且長。溯游從之，宛在水中央。