幾千年來，人們對人工智能情有獨鐘。在古代神話中，古希臘神赫菲斯托斯通過嫻熟的技法，使用錘子制造了巨型青銅機器人，名為塔羅斯，目的是保護克里特島的歐羅巴免受海盜侵害。1817年，瑪麗·雪萊撰寫《科學怪人》之時也在深入思考人工智能的相關(guān)問題。1927年，經(jīng)典的未來主義電影《大都會》推出名為瑪麗亞的機器人，它的使命本是照顧孩子，但終讓城市陷入了混亂。
神話和科幻小說激發(fā)了人們的想象力，讓人們考慮人工智能可能帶來的災(zāi)難，哲學家們?nèi)栽谂�力定義人類智慧的本質(zhì)。17世紀初，托馬斯·霍布斯有一句名言推理就是計算（Reason is nothing but reckoning）。他得出結(jié)論：人只不過是記憶之和，或許人類的記憶可能通過編碼變成機器智能。
20世紀60年代，哲學家休伯特·德雷福斯批評了機器智能的這一觀點，并就此寫了幾本書，其中著名的作品是于1972年首次出版的What Computers Cant Do: A Critique of Artificial Reason，他的主要論點是，人類的本能永遠無法用正式的規(guī)則來捕捉。
電影《終結(jié)者》暗示著創(chuàng)建像天網(wǎng)這樣的智能網(wǎng)絡(luò)也許很容易，但是也可能由于簡單的二進制計算錯誤而導(dǎo)致人類毀滅。硅谷名人一直在爭論人工智能是人類的成就還是會使人類滅絕的終原因。
神話、科幻小說和哲學使人工智能這一主題引人入勝。但當我們開始研究人工智能機器的工作方式時，很難確定這是驚艷之舉還是乏善可陳。一方面，人工智能的一些功能是卓爾不群的，比如，乘坐自動駕駛汽車是一種非常驚艷的體驗。另一方面，現(xiàn)代人工智能大多專注于解決分類問題。智能機器能夠?qū)��?shù)以百萬的照片、視頻或音頻文件進行分類。但這不是那種能促使你建造地下掩體或者開始粉碎機器人的技術(shù)。
當然，人工智能具有無限潛力，但是我們傾向于根據(jù)事物的表現(xiàn)而不是潛力來進行判斷。到目前為止，人工智能表現(xiàn)良好。近年來由于可以使用大規(guī)模的數(shù)據(jù)集，機器獲得了足夠的輸入，終對人類和人類生活的世界有了更深入的認知。機器能夠識別人類無法識別或者根本想不到的數(shù)據(jù)模式，即使在識別數(shù)據(jù)模式這一維度，人工智能性能水平與人類智能之間仍然存在巨大差距。
來自人工智能的威脅與源自人性的威脅也存在巨大差距，人工智能帶來了實際的和倫理上的挑戰(zhàn)。輪挑戰(zhàn)主要不是關(guān)于創(chuàng)造眾生的倫理方面的影響，而是關(guān)于彼此之間的責任。不要把人工智能想象成電影《終結(jié)者》中毀滅人類的存在，它更像1981年的小眾經(jīng)典電影《紐約大逃亡》中所呈現(xiàn)的。這部電影上映時，16歲至24歲男性的失業(yè)率高達84%。影片中把紐約想象成一個無情的、無法無天的城市叢林，不得不被改建成監(jiān)獄。在流氓機器人造成生存威脅之前，人類和人工智能彼此之間的道德義務(wù)將會困擾我們很久。
人工智能帶來的個挑戰(zhàn)必然是如何援助那些失業(yè)的人，因為他們掌握的技能將會被自動化淘汰。如何安置成千上萬被人工智能替代的卡車司機、出租車司機、零售工人、機器操作員和會計師？他們不可能都轉(zhuǎn)行去當程序員、瑜伽教練、私人教練、YouTuber和藝術(shù)家。
自動化帶來的社會經(jīng)濟挑戰(zhàn)很可能會掩蓋機器勝過人類這一擔憂。我們擔憂的不應(yīng)該是超級計算機控制機器人軍隊來對抗人類，而應(yīng)該擔憂自動化漢堡機取代你侄子在快餐店中工作，畢竟，他可能依賴這份工作來支付大學學費。
當你在思考人工智能可能造成的影響時，就應(yīng)該意識到這些挑戰(zhàn)。但是本書并不涉及如何應(yīng)對社會經(jīng)濟挑戰(zhàn)，只討論機會，具體來說，只涉及商業(yè)機會。為了找到商機，你應(yīng)該對人工智能這一工具有一個全面了解。
細想下來，企業(yè)并沒有因為率先進入市場而成功。蘋果公司并不是個制造音樂播放器的公司，谷歌也不是個搜索引擎。這些公司能夠成功，是因為它們了解工具和技術(shù)的適用范圍，并知道如何將它們應(yīng)用于當前和未來的業(yè)務(wù)中。
這本書就是一本帶你成功應(yīng)用人工智能的書。你將對人工智能行業(yè)中的各種技術(shù)有一個高屋建瓴的認識。在本書中，你將了解將這些技術(shù)應(yīng)用于商業(yè)的案例。一旦你弄懂了這些工具，就將占據(jù)先機，具備為新業(yè)務(wù)或現(xiàn)有業(yè)務(wù)制定長期戰(zhàn)略的能力。
商業(yè)機會太多，不能一一列舉，這還不包括有待發(fā)現(xiàn)的機會。我希望讀者能夠理解技術(shù)的適用范圍并能將它們應(yīng)用于自身的組織中，甚至能創(chuàng)造新的商業(yè)機會。
本書分為四個部分。部分概述人工智能。第二部分對概述進行擴展，并加深讀者對機器學習的理解。第三部分涉及神經(jīng)網(wǎng)絡(luò)，即計算機通過使用多層相互連接的人工神經(jīng)元層來模擬人腦的結(jié)構(gòu)和功能。后，第四部分介紹了一些使用人工智能來輔助商業(yè)的常用工具。近年來由于計算機存儲、處理技術(shù)的可用性不斷提高，成本不斷下降，以及可以獲得海量數(shù)據(jù)，人工智能領(lǐng)域變得備受關(guān)注。
在部分，你將了解推動批智能機器的設(shè)計的早期理論。這些理論大多是從理解人類智能開始的。智能意味著什么？是將符號與概念相聯(lián)系的能力嗎？是我們的創(chuàng)造力嗎？
你會看到早期計算機科學家在嘗試創(chuàng)建代智能程序時所付出的努力。初，許多計算機科學家專注于符號推理。他們認為，如果能夠讓計算機識別人類符號，這將有助于它們更好地了解人類世界。因此，他們構(gòu)建了用于識別字母表中的字母、數(shù)字和不同圖形（如停車標志、問號）的智能系統(tǒng)。
這些早期想法至今仍影響人工智能的發(fā)展。符號推理方法演變成了后來的專家系統(tǒng)，專家系統(tǒng)通過運行數(shù)不清的if-then判斷語句進行思考和決策。例如，如果看到A，則發(fā)出ah的聲音，如果看到停止標志，就停下來。每一個決策點都必須縝密地事先編程到計算機中。
20世紀90年代，專家系統(tǒng)是人工智能的主要形式。公司使用專家系統(tǒng)進行醫(yī)療診斷，批準或拒絕貸款申請，選擇股票，等等。計算機是通過長長的if-then語句來實現(xiàn)這些功能的。用于貸款的專家系統(tǒng)會運行預(yù)定義好的判斷列表，例如：如果有信用記錄，是否有逾期付款？如果有逾期付款，在過去一年有幾次逾期記錄？如果過去一年拖欠還款超過十次，則拒絕這項貸款申請。
可想而知，所運行的判斷列表會很長，需要人們?nèi)ニ伎妓�有可能的判斷�?guī)則。這是一項非常復(fù)雜的任務(wù)，終會導(dǎo)致組合爆炸有太多的可能性，人類很難考慮到所有不同的組合。
當程序員遇到這些限制時，他們開始重新審視機器學習思想。機器學習早在20世紀50年代早期就已存在，它被用于編寫可擊敗人類玩家的西洋跳棋比賽程序。跳棋程序很有創(chuàng)新性，機器可以執(zhí)行自己的策略并從錯誤中學習。即使是這些早期的計算機也足夠先進，能學會如何擊敗人類玩家。
機器學習是基于編程指令和僅模擬了人類思考和決策過程的if-then語句的一次巨大飛躍。本書的第二部分深入講解機器學習，揭示它如何改變傳統(tǒng)軟件的開發(fā)規(guī)則。
使用機器學習技術(shù)完成某項任務(wù)，無須對機器進行顯式編程，機器可以直接利用大量數(shù)據(jù)集并構(gòu)建自己的決策邏輯。機器學習技術(shù)可以從數(shù)據(jù)中學習并構(gòu)建模型可以生成解釋數(shù)據(jù)之間關(guān)系的規(guī)則，并根據(jù)這些規(guī)則得出結(jié)論，做出決策和預(yù)測。
通過機器學習，你可以給智能機器提供制造汽車所需的所有數(shù)據(jù)以及制造好的汽車原型，智能機器通過全面學習數(shù)據(jù)，開始理解什么是汽車，它知道汽車需要輪子、門和擋風玻璃。也許有數(shù)千種不同類型的汽車，但是智能機器會創(chuàng)建一個模型來識別所有汽車。
為了使機器能夠創(chuàng)建模型，程序員開發(fā)了許多高級機器學習算法。機器學習算法是一種數(shù)學函數(shù)，可使機器識別輸入和輸出之間的關(guān)系。程序員的工作已經(jīng)從編寫明確的指令轉(zhuǎn)變?yōu)閯?chuàng)造和選擇正確的算法。
為了將機器學習提升到更高的水平，計算機科學家提出了人工神經(jīng)網(wǎng)絡(luò)的概念，這就是本書第三部分的主題。人工神經(jīng)網(wǎng)絡(luò)將大腦的結(jié)構(gòu)和功能作為模板，它包含一個相互連接的人工神經(jīng)元網(wǎng)絡(luò)，每個神經(jīng)元都包含一個機器學習算法。這些神經(jīng)元依據(jù)其他神經(jīng)元的輸入、與其他神經(jīng)元的連接強度、決定性神經(jīng)元的算法和內(nèi)部偏差來做出決策。
人工神經(jīng)網(wǎng)絡(luò)的靈感來自生物神經(jīng)元在人腦中的工作方式。人類會通過增加神經(jīng)細胞之間的連接強度來進行學習和記憶。
現(xiàn)代人工神經(jīng)網(wǎng)絡(luò)可以形成由數(shù)十億個神經(jīng)元組成的機器學習系統(tǒng)。這么復(fù)雜的神經(jīng)網(wǎng)絡(luò)具備從海量數(shù)據(jù)集中挖掘出隱藏模式的能力。通過將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)將創(chuàng)建模型來更好地識別更多的模式。例如，可以將數(shù)百萬幅狗圖像輸入神經(jīng)網(wǎng)絡(luò)中，并使其進行自我學習、建模，讓系統(tǒng)具備識別狗的能力。這種模式可能與人類識別狗的模式不盡相同。它可能無法通過觀察狗的形狀、顏色、耳朵和鼻子來識別狗，而是通過識別狗圖像中不同點的統(tǒng)計模式來獲得對狗的認知。從某種意義上說，神經(jīng)網(wǎng)絡(luò)形成了自己的一套獨特的認知狗的方式。這種認知方式可以讓神經(jīng)網(wǎng)絡(luò)系統(tǒng)做到即使從未見過狗，也能夠?qū)W會正確識別狗。
你應(yīng)該想象得到，神經(jīng)網(wǎng)絡(luò)的預(yù)測能力具有廣泛的實際應(yīng)用價值和巨大的商業(yè)潛力。在金融行業(yè)，神經(jīng)網(wǎng)絡(luò)可以用于發(fā)現(xiàn)市場趨勢，指導(dǎo)人們進行交易。在制藥行業(yè)，神經(jīng)網(wǎng)絡(luò)可用于發(fā)現(xiàn)現(xiàn)有藥物的特征，并將其與新化合物進行比較。在零售行業(yè)，神經(jīng)網(wǎng)絡(luò)能夠幫助從業(yè)者挖掘出客戶購買商品的模式，預(yù)測顧客下一次的購買意向。
許多大公司已經(jīng)將神經(jīng)網(wǎng)絡(luò)用于語音識別、轉(zhuǎn)錄和個人數(shù)字助理。例如，如果你訂閱了Netflix，則系統(tǒng)會根據(jù)你過去觀看的內(nèi)容為你推薦電影和節(jié)目。亞馬遜使用神經(jīng)網(wǎng)絡(luò)進行有針對性的產(chǎn)品推薦，并為其個人數(shù)字助理（如Alexa）提供技術(shù)支持。
但享受神經(jīng)網(wǎng)絡(luò)的價值并不需要你付出巨大努力，想想你所在組織的數(shù)據(jù)，并從中挖掘出潛在的價值。如果你可以快速發(fā)現(xiàn)有價值的模式，那么人工智能可能對你的組織有用。
如果你不熟悉人工智能，好通讀本書，部分機器學習的基礎(chǔ)知識可以讓你更好地理解后面更復(fù)雜的主題。如果你已經(jīng)熟悉人工智能，可直接從第二部分開始閱讀。
當你閱讀本書時，請記住本書的目的是讓你思考在你的業(yè)務(wù)或者專業(yè)領(lǐng)域中可能存在的問題以及面臨的挑戰(zhàn)，這些是可以運用人工智能和機器學習技術(shù)來解決的。想想你有哪些數(shù)據(jù)，思考你能夠從數(shù)據(jù)中提取出什么有價值的信息，用于面對特別的挑戰(zhàn)，回答或解決特定的問題。畢竟，如果沒有人類提出問題，思考可能的機會，人工智能和機器學習將毫無用處，它們價值的發(fā)揮是人類的創(chuàng)造力與工具的完美結(jié)合。