医生如何理解人工智能

什么是人工智能？

这个词是John McCarthy在1956年的The Dartmouth Conference上提出。现在内涵扩展到强AI（strong AI）、弱AI（weak AI）以及介于两者之间in-between AI。

StrongAI旨在精确模拟人类思维。WeakAI是指机器的行为表现可以类似人类，但却无法模拟人类的思维过程，IBM的deep blue就属于此类。第三类in-between AI是指基于人类推理的系统，例如IBM watson。通过文本模式识别，评价证据等级，并将证据于模式匹配。它的研发超越了单一收集证据，而已经可以容纳极少证据的模式来得出结论。

那究竟什么是智能？

John McCarthy的定义——为了实现目标所需的计算能力“computational part of the ability to achieve goals in the world”。Jack Copeland在2000也给出了一个更直观的解释，智能即调整自己适应新环境的能力。复杂的行为并非等同于智能，如动物界里，雌性黄蜂为了保护自己的领土和产卵的安全，对环境的侦察能力以及非常复杂，但这并不属于智能的领域。

智能的基本参照系是人类智力。所以，“这台机器是否智能”实则是伪命题。智能需要有机械的部分，人工智能的研究已经找到如何让计算机行驶一些命令而不行驶其他命令。如果仅仅要求它们实现某些研究成熟的命令，计算机能够提交完美的答卷，但这只能成为“低程度智能“somewhat intelligent”。

哲学上对于人类智能的评价不仅仅是某种能力或者认知过程，而是一些列独立的成分，包括：学习、推理、解决问题、感知、以及理解语言的能力。

学习最基本的方法就是试错trial-and-error。在棋局中，靠之前对正确步骤的记忆能够指导下一步的走法。简单记忆某个单项，如单词或者公式，被称为“机械学习rote learning”。这一点在电脑上最容易实现。更具挑战的是归纳总结的能力generalisation。这需要学习者跳出从前的模式或记忆，面对全新的内容，得出解决方法。  

推理最出名的案例当属福尔摩斯的侦探推理。通过某些前提，得出推断的映射deductive inferences。但简单的得出结果并不等同于会推理，推理的过程一定是和当前环境和任务相关的，如何把不相干的结论剔除是一个很大的挑战。

解决问题：这是一个很广义的概念，包括两类：特点目标以及综合目标。

感知在是通过各种感觉器官，真实的也好、人工合成的也好，处理吸收到的信息，并对其加工处理。现在，人工感知已经可以控制自动驾驶，在平稳的公路上匀速行驶。

语言是指传统定义下的一系列符号，例如交通指示灯也是一种语言。而人类的语言比如英文，则是高级语言体系，并由于创造力。人工智能如何把原本定义的语言放在环境中理解，结合历史、人文、习惯等等，是一个挑战。

“人类大脑在过去的5万年没有进化。而我们的智能手机如果5年没有进化就已经很荒谬了”

回顾机器进化的三个阶段：

19世纪，机器取代了脏活、危险的活；

20世纪，机器取代了无趣沉闷的工作；

21世纪，机器学会了做决定，智能系统可以从机票订价到IBM的Watson，决定做的比人类还快还好。机器已经不满足取代我们的肉身，而是目标盯向我们的灵魂。而这些铁片，比人身更快，更强壮，也更精确，更稳定。自动驾驶汽车已经比司机更安全廉价。从经济学角度来说，取代人工的价值巨大。HBR评价的好，关于“AI提升战略”：

•step up

•step aside-skills that can't be codified

•step in

•step narrowly

•step forward

同时，加入了哲学、神经科学，以及机器学习的成分。

用到的科学知识主要是数学中的代数、概率论、基本的统计模型（线性回归）等。

学习AI的知识，也许需要多学数学，尤其是逻辑；此外尽可能的学习科学如物理和生物。生物学领域，应多学习心理学以及神经系统生理学。学习编程，至少是C语言、LISP以及prolog，最好学会当下流行编程语言。

Siri只是冰山一角。

------------------------------------------------------------------------------

应用举例：

语音识别speech recognition（应用于美联航，航线信息用语音代替了键盘）、理解自然语言（尚在初级阶段）、图像识别、专业体系、启发式分类（例如，是否应该办这张信用卡，这样的问题）例如，CALO（Cognitive Assistant that Learns and Organizes）是最大的AI项目。

医疗的领域刚揭开帷幕。我们拭目以待。

仅以MYCIN这个系统为例。MYCIN是用来诊断菌血症的一套体系，拥有各种症状以及细菌谱的庞大数据库，但对医生、医院甚至操作流程却很陌生。这就极大限制了其使用范围。人类可以用常识和直觉做出的判断，对MYCIN来说却不可能实现。其他AI系统或多或少有所改进，如在算法、机械分析法、精准和估测法方面，但还是无法媲美人类的常识判断力。如何减少计算的逻辑和精准，反而成了机械的一道鸿沟。

荐书：<Review of the Emperor’s New Mind by Roger Penrose> John McCarthy, CS Dept, Stanford. April 7th 1998

作者谈到一个最有趣且基本的问题：如何拥有common sense informatic situation常识信息的环境。

对于人类思维来说似乎顺理成章，虽然有时候“常识并非想当然的那么寻常

sometimes common senses are not so common”。

但“常感”，或者说“常识的直觉感官”有如下特点：

1.对于现象和环境的一部分认知。例如，有热汤撒到桌布上，这个过程包括吸收法则以及水流动力学的公式来计算，但人类会比较自然的预测会发生什么，计算机则需要通过纳入一系列参数来实现这个目标。

2.未知现象的各种可能性。如，旅行中，机场突发暴乱，从而整个行程需要改变。暴乱本身就是小概率事件，很难被列入考量。从而，有时候就需要简化假设。