为什么要建立人工智能的知识体系？
必须明确的是，关于人工智能所有的衍生物、技术、商业，最终会落实到人工智能的本质。看一个产业的发展时，如果没有体系架构，只从解决问题角度来考虑，就会陷入一叶障目的窘境。
知道了人工智能的定义，就容易判断人工智能的边界在哪里、判断与人工智能相关的每一件事。反之，如果我们对人工智能的边界还非常模糊的话，不论是看产业还是社会经济，甚至就连看围棋大战都会一头雾水。
什么是人工智能？
我把人工智能的几种定义分成四个象限。上面两个象限属于仿生学，下面两个属于实用主义。
机理相似论
第一个象限认为，人工智能就是和人脑工作机理非常相似的程序，人脑怎么工作，程序就怎么工作；我们称之为机理相似派。围绕“深度学习和人脑机理是否能关联在一起”的争论有很多，也是一个有趣的话题。
我们现在不评判它的对错，但要小心，总有人把人脑的机理过分夸大。现实情况是，我们对人脑的了解太少了，目前的脑科学研究和人工智能研究，其实还是非常不同的路径。
思维逻辑模仿论
第二个象限是指模仿人的思维逻辑。它的基本思想是：只要人工智能的思考过程和人一样，不就非常像人了吗？
人类从古希腊开始就研究自己的思维方式，到现代发展出高度抽象的数理逻辑。人工智能刚刚兴起时的符号语义学派，就希望把人的思维方式教给机器。程序员和领域专家配合，把专家头脑里的知识、逻辑代码化，构建成庞大的知识库。但是，把人类大脑里的知识用形式语义表示出来非常困难，而且没有通用性。所以这种专家系统虽然在各自的领域里走了很远，但都没有太大成果。
“好猫”论
从实用主义出发，出现了另外两种收获颇丰的思路。
第三个象限主张“不管什么样的猫，只要抓住老鼠就是好猫”；不管是符合人类的思维逻辑还是思考机理，只要做好事情，那就是好程序。这个思路造成我们今天把许多不同思路、不同算法的程序，通通叫做人工智能。比如，大家几乎都同意，1997年的深蓝和2016年的AlphaGo都是人工智能。实际上深蓝和AlphaGo使用的算法几乎是天壤之别，可是从结果上看，它们都战胜了人类棋王，那就都是“好猫”。
行为近似论
“好猫”论着重结果，而第四个象限认为：如果机器能够在行为上和人类的行为近似，不必在乎思维逻辑和实践机理，就可以叫做人工智能。
这种观点也有很多悖论。比如，日本有一种跳舞机器人，它唯一的能力就是保持平衡，其能力和人类非常近似，算不算人工智能？它与同样会保持平衡的平衡车有什么本质区别呢？再比如，人类的一个重要行为就是学习，如果一台机器也可以用某种方法学习，那它是人工智能吗？它和在学习中长大的人类小朋友有本质区别吗？
在以上四个象限里，当你考察重点不一样的时候，划定人工智能的范围会非常不同。
一个例子说清什么是机器学习
计算机有很多算法，哪些是机器学习，哪些不是？以搜索引擎为例。如果你的查询内容里出现了五个词A、B、C、D、E，有这样几种搜索方法。
A 和查询到的结果 A 完全匹配，这是非常基本的索引技术。 B 和 B’ 就涉及到词根规范化的问题。它们虽然形式不完全一样，但是我们认为它们是一个词，例如汉字的“十”和罗马数字“X”。把 B 和 B’ 通过简单的映射、转换或算法关联起来，这也是一种非常基本的技术。
如果查询里面出现的是A、B、C、D、E，而你的文档里出现了X、Y，这两者一定有关吗？工程师也不知道。有关还是无关，我们可以通过一些更为复杂的方式来知道，这个方式就是机器学习。机器学习的是每一个词在高维空间里的表征值：当我们把A、B、C、D、E、X、Y映射到高维空间里，如果高维空间里的点 X 和 A 有一定的相近性，虽然表面上它们完全不同，我们还是会把 X 和 A 看作紧密关联。
一句话说，机器学习就是一个试图在现实空间里面做数学建模的过程。
为什么人工智能的核心是机器学习和深度学习？
大家都知道，机器学习是今天人工智能的重要内容，深度学习又是机器学习的重要内容。实际上，除了机器学习和深度学习之外，人工智能还有很多其他东西。但我们为什么谈它们最多呢？因为它们最有用。
机器如何学习？例如，样本空间中有一些北京房价的数据点，计算机用一条曲线拟合之后，就能掌握房价变化的规律。现实世界的情况十分复杂，很少能直接进行线性拟合，而要通过特征工程简化数据分布特征、选择更复杂的拟合方法等手段来描述空间里样本数据点的分布情况。
我们认为深度学习好，也正是因为它在这两个方面都展示出了无与伦比的强大能力，既可以在样本数据的特征工程方面得出更好的特征分布，也可以用非常复杂的函数拟合空间中的样本点。
人工智能的技术边界在哪里？
机器学习走过了一个从简单到复杂的建模过程。建模的复杂程度是否会达到质变？从今天的任何一种人工智能技术来看，我们都无法预测。换句话说，我们没有任何科学证据表明五十年、一百年后的人工智能具有和人类一样的智慧，甚至超越、统治人类。相反，我们却能清楚地认识到今天的人工智能不能做什么：它缺乏人类的抽象能力，缺乏知其然并知其所以然的能力，缺乏常识。
还有哪些机器学习的方法？
深度学习并不完美，许多前沿技术应运而出。迁移学习可以把已学习到的东西迁移到新领域里去，用以往的经验来解决新问题。例如在虚拟环境中模拟现实中不太可能出现的路况，再让机器人迁移到实际道路中。可惜，现在迁移学习的使用范围还非常有限。强化学习是把机器放在环境中，让它接受环境的刺激和反馈，根据环境对它的打分更新模型。强化学习在人机对弈、自动驾驶、自动助理等领域都有非常有趣的应用。
再举一个更时髦的例子，现在许多人喜欢看直播。传统的新闻或视频推荐方法考虑的是静态内容，但是直播内容是动态的。静态推荐的结果是越火越推荐，所以头部主播往往人气最高，那些尾部主播即便非常出色，也很难被所有的人看到。
假如有一个粉丝200人的长尾主播，某次直播造成了粉丝内部小轰动，能不能把这个情况快速反馈到整个推荐系统里去，让更多人看到她的优质内容？这时候强化学习是一种候选解决方案。
生成对抗网络是非常前沿的新技术。它其实是强化学习思路的延伸：为了让计算机的表现越来越好，就用一个判定机给每次生成的结果打分，生成机根据这些分数调整模型。这个思路是在训练中完成的，所以称为生成对抗网络。生成对抗网络已经有了一些扎实的商业应用，比如反欺诈。新的欺诈方式总是不断出现，我们能不能提前猜测它的样子呢？这就是生成对抗网络可以研究的。再比如，现在的购物网站推荐的都是我们已经购买的或关联紧密的商品，比如买电视推荐电视柜。可是用户真正需要什么呢？我买了电视，已经装修了客厅，那我的卧室是不是需要点什么？生成对抗网络有希望做到这点。
总之，完全用计算机生成一些从未见过的组合，这就是生成对抗网络的用武之地。
