近幾年來人工智慧的話題那是炙手可熱。在國內很多大佬言必談機器學習和大資料；在美國剛畢業的人工智慧 phd 也是眾人追捧，工資直逼 nfl 四分衛。人工智慧甚至成為了網際網路領域茶餘飯後的話題 —— 彷彿不懂人工智慧就是落伍了。
關於人工智慧（ai），我們經常聽到這樣一些相關詞：大資料（big data），機器學習（machine learning），神經網路（neural network）。那麼這些詞到底有什麼區別？我們來看下面一則小故事。
從前有個程式設計師叫牛頓。他定義了乙個方法來計算自由落體的速度：
func
getvelocity
(time t: second)
-> float
而所謂的人工智慧，就是機器自己定義方法。人工智慧的實現方法有很多，比如可以讓機器來模擬大腦，然後像人一樣思考，從而定義方法。機器學習只是另一種實現人工智慧的方法，就是由大資料定義方法。假如牛頓時期就有機器學習，它得出自由落體速度的過程是這樣的：
收集盡可能多的自由落體實驗資料。假如收集到的資料如下
負責人速度 (m/s)
時間 (s)
伽利略9.81牛頓
19.6
2達文西
29.4
3亞里斯多德304
分析資料。機器學習會分析出，亞里斯多德的資料有誤不予採納。其他三人的資料滿足同一規律。
定義方法。根據上面資料，機器學習得出結論，速度 = 時間 * 9.8。
隨著資料收集得越多，機器學習得到的結論就越準確。其實人類學習的過程也十分類似：書上有大量的知識（加工的資料），我們看了之後進行理解思考，然後得出自己的結論。
克卜勒就是個著名的人肉的機器學習實踐者：他前半輩子看星星，把觀測到的資料記錄下來；後半輩子用自己的邏輯和理解分析這些資料；最後得出行星運動的克卜勒-牛頓模型。然後用這個模型去**其他行星運轉，同時新的資料用來修正模型的引數，使之逼近完美。
那麼資料和人相比有什麼優勢呢？我認為是更快更準確。人在定義方法時，總是需要對該方法的前後因果、邏輯關係、各種情況都要求考慮周全，這有時需要花費很多時間去研究論證，而且忽略某些極端情況也時有發生，導致定義漏洞百出。而資料在網際網路時代，獲取的成本是很低的。在這樣情況下，大量資料的輕易獲得會使得方法定義越來越快；同時現實中資料涵蓋的情況之廣，也使得依次定義的方法更加準確。
吳軍博士在《智慧型時代》一書中對大資料的優勢進行了以下總結：「在無法確定因果關係時，資料為我們提供了解決問題的新方法，資料中所包含的資訊可以幫助我們消除不確定性，而資料之間的相關性在某種程度上可以取代原來的因果關係，幫助我們得到想要的答案，這便是大資料的核心。」
我們回到上文牛頓自由落體速度的實驗中去。實際上，機器學習拿到的實驗資料，可能是以下的記載：
9月15日的夜晚，小雨微風。伽利略在比薩斜塔上扔下了1顆鉛球，質量為4kg，初始速度為0，到達地面時間為6s多。這個資料樣本中有很多特徵，時間、空氣濕潤度、風力、比薩斜塔的高度、鉛球質量、初始速度、到達地面時間等等。那麼自由落體速度到底跟哪些特徵相關？如果讓機器自己去分析，這就叫做無監督學習。如果我們告訴機器，不要 care 質量和時間，重點觀測時間，這就叫做監督學習。後者在於借鑑了人類的智慧型，這樣機器學習就有了大致的方向。
至此，機器學習依然難以稱得上「智慧型」 -- 它無非是更快更準確的得出答案而已。如果僅僅如此，alphago 就算將所有九段棋手的對弈研究透徹（這些對弈的輸贏已定，相當於人為標註走法好壞，故為監督學習），水平也就十段而已，於九段相比，也就是略勝一籌，發揮更穩定一點。然而事實是，alphago 的棋力要遠勝人類最高水平。
其實 alphago 在下棋時，每下幾步，系統都會告訴它勝率是否提公升。這種不斷反饋的機制可以讓 alphago 實時強化棋力，並鼓勵其嘗試人類從沒有下過的路數，從而實現超越人類。這種反饋的訓練方式就叫做增強學習。
最後講講神經網路是怎麼回事。以我粗淺的理解，神經網路是由神經元組成，每個神經元都有對應的功能。比如，人工智慧要識別一堆動物**中的母狗，第乙個神經元做的是判斷哪些動物是狗，第二個神經元做的就是區分狗的公母。
上面這個例子中，我們是先讓第乙個神經元進行判斷，再將結果傳遞給第二個神經元。也就是說，後者的輸入是前者的輸出，這就是神經網路分層的概念。所以 alphago 這種大型神經網路，就是基於神經元分層這個原理。
因為機器學習的發展在人工智慧領域一枝獨秀。所以提到人工智慧，幾乎就相當於是在談機器學習。
前面說了這麼多，肯定很多人要問：這些都很高大上，可惜我是 ios 工程師，人工智慧到底關我何事？其實人工智慧在 ios 上由來已久，且可能會深入我們的日常開發中，所以我們有必要對此高度敏感。這裡筆者來分享一下人工智慧在 ios 上的應用。
首先，賈伯斯老爺子早在若干年前就在 iphone 上布局了智慧型語音助手 siri。siri 可謂是人工智慧和機器學習在移動端上第一次成功的應用：它結合了語音識別（speech recognition）和自然語言處理（natural language processing）兩大人工智慧操作（當然前者是後者的一部分）。後來因為蘋果封閉的基因，siri 的資料量一直沒有上去，而我們都知道資料量是提高人工智慧水平的關鍵，所以現在 siri 現在一直很雞肋。
facebook chatbot，通過人工智慧優化的購物客服
使用者上傳**
將**傳至雲端，雲端的神經網路分析識別**
輸出一副重新繪製的作品
總體來說，移動應用 ai 化已經是乙個基本趨勢，正如李開復在哥倫比亞大學的畢業演講中說：在未來，伴隨著硬體、軟體和網路頻寬成本的下降，人工智慧的成本幾乎就是電費了。
首先我認為，ios 和人工智慧並不是對立關係，而是互補的關係。ios 應用需要人工智慧來提高自身的效率和拓展功能，人工智慧技術需要在 ios 平台上落實為產品。智慧型時代更多是移動時代的公升級和補充，而不是取代。所以 ios 開發仍有市場，我們無需擔心人工智慧會讓我們失業。
人工智慧將給 ios 開發帶來很多新的機會。人工智慧界的泰斗，麥可喬丹教授說 ai = ia + ii + aa。作為 ios 開發者我深以為然，下面是我對這句話的理解：
人工智慧（artificial intelligence） = 智慧型放大（intelligence augment）+ 智慧型基建（intelligent infrastructure）+ 自動演算法（automatic algorithm）。
最後，作為 ios 開發者該如何學習人工智慧？core ml 是官方推出的工具，大家不妨從這裡著手。wwdc 展示的 core ml 開發步驟分為以下3步：
通過其他平台或框架得到機器學習模型
將模型匯入 xcode 中，xcode 自動生成對應的 swift 介面
使用 swift 介面進行程式設計
使用場景為：
wwdc展示的物體識別應用
還有google推出的tensorflow，facebook主導的caffe，以及amazon力捧的mxnet，都可以訓練出很棒的 core ml 模型供 ios 開發使用。這幾個框架大家也可以了解一下，這裡**建議，研究人工智慧框架，不推薦看中文書，直接去看英文文件效果更好。因為這些框架變化很快，書中內容淘汰得很快，而且有些理論知識還是看一手的資料更好。
人工智慧對教育意味著什麼？
人工智慧來了，你準備好了嗎？系列文章 第三篇 任何一項科學技術的大發展，必然會影響到教育領域，人工智慧也不會例外。作為教育工作者，我們不禁要自問 在人工智慧發展如此迅猛的時代，那麼多領域和行業都受到其直接 快速 甚至顛覆性的影響，都主動或被動地做出了改變，那麼教育領域會不會因為人工智慧的發展而受到顛...
數學，對人工智慧開發者意味著什麼
21世紀以來，全球化的加速和網際網路的蓬勃發展，帶來全球範圍內電子資料的 性增長，人類邁入了大資料時代。與此同時，計算機晶元的計算能力也持續高速增長。在資料和計算能力指數式增長的支援下，人工智慧演算法在應用中取得了重大突破，如人臉識別 語音識別 網頁搜尋 購物推薦 自動化交易等方面都取得了突破性進展...
人工智慧創造了乙個假世界 這對人類意味著什麼？
當ai fabrication可以接受時 通常情況下，觀眾如果意識到這一點，就會接受人工智慧的製作。多年來，為了娛樂的利益，我們中的許多人已經開始接受電影和電視螢幕上現實生活的表現。然而，現在 好萊塢正在為指令碼編寫獲得ai協助。隨著機器學習的發展，演算法可以對大量資料進行分類，以了解哪些元素更有可...