我在哪都是外行，我有什么发言权？

　　但经验告诉我，你如果熟悉一个领域，那么你想要和完全不懂的人交谈是一件相当困难的事（除非有一些特殊的技巧，尤其是“所以然”方面的事）。也就是说，等到我学有所成（但愿！）的时候再写博客，未免会把某些想法忘却了——就好像微积分是一目了然的事。微积分确实是个很好的比喻，因为牵扯到了数学“语言”。研究的前提是正是表述，虽然在具体研究中现象不需要更明确的表述了。

　　扯远了，虽然没什么废话。

现在的“人工智能”

　　按着王垠的说法，现在的“人工智能”本质就是统计。我不是不认同，但是这个偏重很令我担忧。人工智能的目的本来是“智能”，但是我所见到的人工智能的资料好像无一例外是奔着统计去的。按照标准说法，【人工智能 > 机器学习 > 深度学习】。后一个大于号（包含符号好像打不出来）已经很尴尬了——然而我翻了半天百度，还是没搞清楚什么是深度学习——一个说法是多层神经网络，一个说法是“训练-测试模式”就是深度学习。我还是相信前一个吧，歧义毁掉文章——刚才看到（我是断断续续地写的）一篇《醒醒吧！深度学习不是AI的未来》，总结如下：（反正我在这里已经把神经网络和深度学习等同了，第二个解释我将直接说“训练-测试模式”）

• 神经网络被神化了
• 神经网络不能理解任何东西，只能模拟，没有逻辑
• 神经网络的输出被严格限制为极端状态

　　第一条和算法无关。第二条我们可以换个说法，神经网络是在取一组最好的矩阵来模拟（激活函数好像让事情变得更复杂了，但至少它是固定的）。第三条是因为我是外行，只知道图像识别数字的例子——给一组白噪音，输出依然只能是数字——所以就把原文中的纳粹的例子当成自己的观点了。// 后两条很好地标识出了这一种模式，即神经网络的“特征”。我的个人观点是，第三条显然是很好改进的（加一些选项即可，比如“这个图像是噪声”），我也不知道这有多大用，但显然机器不会自己改进；第二条，则我也说不清了。

　　但是机器学习不止有神经网络，我听说的还有——见https://zhuanlan.zhihu.com/p/24919118　但这些是具体算法。在输入输出模式上又有区别：监督学习（告诉程序目标结果），无监督学习（不告诉程序结果，一般仅能分类，但需要相似依据即相似度函数），以及二者混合的半监督式学习（两种输入都有）。这让人头大，不禁想抽象出一点东西——　（废话开始，想跳过请翻到下一个方括号，向上看几行）

　　机器学习是这样一个程序：它接收一系列输入，输出另一个程序。输入……（编不下去了）

　　看来我的方法有问题。标准方法是列举实例，比如，机器学习包括这些：

1. 训练一个数字识别程序
2. 给客户分类
3. 识别人脸的位置（虽说可能用不着机器学习）
4. 识别照片中植物的种类
5. 相似图片搜索（我听说也用不着）
6. 预测股市（不考虑自身影响）
7. X光照片识别癌细胞
8. 网页的推广（客户识别，但是第一封邀请函怎么发？）
9. 搜索引擎学习
10. 自然语言处理（？）

　　（部分例子来自https://www.ithome.com/html/discovery/262073.htm ）

　　分析，制表（《机器学习应该怎样分类》）

编号	输入	目标程序功能
1	数字图像 + 实际数字	输入数字图像，输出实际数字
2	客户的交易记录	1.一个分类；2.输入记录，输出对应类
3	照片 + 人脸位置	输入照片，输出人脸位置
4	植物图像 （+ 种类）	输入植物图像，输出种类
5	图像	1.一个分类；2.输入图像，输出对应类
6	输入股市图像	输入股市图像，输出走向图
7	X光片图像 + 是否有癌细胞	输入X光片图像，输出是否有癌细胞
8	搜索记录 + 对应购买记录	输入搜索记录，输出可能购买商品
9	搜索词 + 用户搜索后的态度	输入搜索词，输出令人满意的网页
10	-	（我不知道这个例子如何体现）

　　（……真是讽刺得不得了，我竟然正是在干机器干的事……不过我会在另一篇博文《懒人信条》里着重提这一点）

　　其中股市图像比较特殊，因为这是分形结构，即每一小段都有分析价值。但是依然可以强制转换：

编号	输入	目标程序功能
6	某时间点前的股市图像 + 之后的走向	输入某时间点前的股市图像，输出之后的走向

　　不知道是这个表巧合，还是我强制的巧合（自然都有），至少可以往下分析了：

　　按输入分为2+1（监督，非监督，半监督）并且使用界限不明，按输出分“映射”和“分类并映射”，“映射”又分“离散值域映射”和“连续值域映射”

编号	输入模式	输出模式
1	监督	映射（离散）
2	非监督	分类并映射（必离散）
3	监督	映射（连续）
4	半监督	分类并映射（必离散）
5	非监督	分类并映射（必离散）
6	监督	映射（连续）
7	监督	映射（离散）
8	监督	映射（离散）
9	监督	映射（离散）
10	-	-

　　但是如此不自然的结果（低正交性）也告诉我们，虽然在输入分类很自然（正交），但是输出分类显然很……不漂亮。这也对应了非监督状态下算法完全不同带来的差异。另外尴尬的是，那几个连续值域映射我并不确定是不是真的存在……倘若去掉那两个“有嫌疑”的例子，那就还看得过去了……

　　所以我说了半天全是废话。这分类早有了——么？

　　但至少我们把已有的分类正当化了，而不是随便分的类——然而这个理由实在勉强。

　　——该跳回去了——“刚才”说到人工智能“包含”机器学习。那么除了机器学习还有别的吗？！（这个问题真的很尴尬）——我知道一点点例子，比如

　　【元胞自动机】

　　在这个领域有一本神作《一种新科学》，对应贴吧的成员正在Github上孜孜不倦地翻译——这本一千多页的东西。还有另一本大作（？）《运动学的自我复制机器》，本人英文水平有限 + “显然有很多事要做”，只看了一点点，甚至不清楚这本书该讲什么，但即使是这本书的前几页也散发出巨大的魅力——一种我觉得远超过第一本的魅力。网上对这本书的评价甚少，但pdf却很容易找到。我很希望这本书能得到应有的评价。（说起来作者之一Merkle还是区块链的奠基人）另外（应该是）这本书中提到了另一伟人　【罗德尼·布鲁克斯】　，其设计的机器人便是按照这种思路——根本不给机器人大脑！通过各个部件的独立工作，整体便体现出了智能。整体的行为根本没有在一开始预料。——但这和机器学习是人工智能的不同方面，学习并不是唯一目的，或者说，这引出了接下来的话题：

　　人工智能是什么？

　　“人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器”——百度百科

　　这话令人顿生哲学敬畏。原谅我看着不顺眼删掉了“人工智能是计算机科学的一个分支”这句话。什么是智能？这话问得不好，更好的说法是：我们希望智能是什么样的？人有智能，那怎样的算没有智能？如果鹦鹉能做算术，算不算智能？粘菌能用最短路径走迷宫，算不算智能？鹦鹉螺可以用壳画出精确的等角螺线，算不算智能？（呵呵）有个更好通俗说法叫“表现出智能”，这告诉我们智能有可能仅从表面就能定义。有一本书叫做“他们没有大脑 但他们有智能”，讲的是植物——总之，“智能”这个说法在某些意义上是相当宽泛的，但是我们依然可以区分——

这是智能吗	回答
会做算术的鹦鹉	是
会走迷宫的粘菌	是
会长出等角螺线的鹦鹉螺	不是

　　这个表格简直愚蠢。但是我们已经可以归纳了：

　　“智能是这样一种特性：某个对象，如果其能对不同的输入作出不同的反应，对相同的输入作出相同（至少在某些意义上相同）的反应，那么可以说该对象表现出智能。”

（2017-12-16 于地球 ）

　　人工智能么，就该是人造的智能。但是这么一来，温度计也该是人工智能了。但好像不是这么回事……重新翻百度，发现这个“智能”被加了限制，指的是“人的智能”……所以人工智能，就是用机器做人脑该做的事了。具体要做什么，不知道；怎么做，也只凭着各家发挥。不过想着直接模拟整个大脑的，倒是不多见，有是有，但完备的体系还真没听说过（恕驽钝）。

　　其实在我接触编程之前，就听说过人工智能了，在《皇帝新脑》中——彭罗斯的那个下跳棋的朋友，一点一点地教他的程序下棋——手动地把可能的模式不断加入识别。那真是一个奇妙的年代，当时的人们对机器寄托着厚望（以至于彭罗斯用了和“皇帝的新衣”相映成趣的书名），却并不想着一劳永逸——他们一点点让机器懂得更多，而不是放手让它们去自己学习，仿佛对待一个孩子一样。也许是那个年代的硬件限制，也许这些只是我的幻觉，但那个跳棋大师的故事给了我一种真切的距离感——我们的机器在远离我们。

　　而我是个朴素的人。

21天学会，3个月精通

　　第一个话题算是唠叨完了（暂时的），接下来谈谈这个广告词（人工智能也是个广告词）。

　　话说在前头：我要是说不可能学会，那读者理应走掉一半；要是说能学会，估计又要走一半？呵呵。

　　学会微积分要多久？具体一点，仅仅是一元简单函数的微积分要多久？

　　要是我向不会的人解释，那么几分钟够了：先讲极限，然后切线和导数，然后分形（似乎不是必要），然后分割函数图像，然后求和符号，然后得出微积分基本定理。最后给他一张导数表和积分表，有证明最好。不就完了？

　　把大象放进冰箱要几步？是吧？我也不知道按我那一套能不能有人听懂，况且还有人不知道函数。让我想起一个笑话：

　　有个数学家被邀请作微积分演讲，主办者再三告诉他：“听众都是没上过大学的普通人，务必要讲得浅显易懂。”数学家满口答应。到了演讲开始的时候，主办者在一边紧张地看着他要怎么讲，却听他从容不迫地说到——

　　“微积分其实很简单，诸位不必害怕。你们只要把它看作一个黎曼和的极限……”

　　但这只是第一点，即受众的知识水平差异必然影响学习速度。还有更重要的一点是，目标是什么？什么叫“学通”？语法是不需要学的，即用即查就可以了（虽说会很慢）；函数也是不需要学的，也只要即用即查就可以了（也会很慢）。一本书完全可以把这些全放在附录里，用文字标注的伪代码给出全部程序。而以上内容大致可以理解为21天内该学的东西——然而这得假设你懂得一切功能。用伪代码创建类的前提是你要知道类是什么（这当时是令我百思不得其解的东西），但是类这一概念属于这门语言吗？这便是数学家的尴尬：黎曼和并不在微积分之内。“类“这一概念”应该独立于语言而存在，也应当独立于语言学习（这话偏激了），至少不该混为一谈（我学python类时对self的纠结就源于此）。伪代码——我是指命令语句的语义——才是该描述这些的工具。消歧义后的自然语言能做到这一点，虽说需要以相当科学的文风。总而言之，21天学通语言完全是胡扯，学一门语言不需要时间，或者需要的时间就是你背下所有用法的时间。所谓的语言特性，完全可以不依赖语言本身而独立存在，完全可以在其他语言中用不一样的符号实现，因此不该只属于这门语言。要想让外国人谈论太极是完全可以的，虽然需要创造新的词汇；要想让python支持静态类型也是完全可以的，虽然得付出区分二者的代价。对此，我宁可换另一个词“文化”（总之，“编程语言”中的“语言”和单独说的“语言”不完全是一回事），特性包含在文化里，编程语言描述各自的文化，而文化有同有异。

编程范式

　　算了，能力太有限，不多说了。个人的看法是，根源之一在于表示内在关系，即把解决过程的痕迹留在代码里，让中间过程可见。人解决问题是自上而下的，把上层内容也加入代码往往使代码更短而更具逻辑关联。另一个根源是 “复用性”，即避免重复的代码。一旦有代码出现了重复（甚至，仅仅是可能在另一个程序中以重复形式出现），说明这个重复部分可以独立地看做一个对象（自然意义上的对象），比如面向切面中的切片代码，然后尽量简化代码，有点特征提取的味道。——还有那句老话，“高内聚，低耦合”，既方便引用分类，又增强了正交性，和复用性也有点关联吧……

（2017-12-17 于地球）（完）