作者：新智元
星期二早上8:00。你现已醒了，扫了一眼手机上的标题，回复了一个在线帖子，为你妈妈订货了一件假期毛衣，锁上屋子开车上班，路上听一些好听的曲子。
在这个进程中，你已运用了人工智能（AI）十几次——被闹铃唤醒、得到当地天气报告、购买礼物、锁上你的房子、得知提示行将到来的交通堵塞，甚至辨认一首不熟悉的歌曲。
AI现已遍布我们的国际，它在日常生活中发生了巨大的改变。但这不是你在科幻电影中看到的AI，也没有神经紧绷的科学家猛击键盘，企图阻止机器炸毁国际。
您的智能手机、房子、银行和轿车现已每天都在运用AI。有时很明显，就像当你让Siri把你导向最近的加油站的，或许 Facebook 主张你提示某个老友你在网上发布了一张图片。有时分则简直看不出来，就像当你运用你的 Amazon Echo 用你的信用卡买一件平常不怎么购买的东西（比方一件花哨的假期毛衣），而且没有从银行得到诈骗短信提示。
AI将经过推动自动驾驭轿车的开展、改进医学图画剖析、促进更好的医疗确诊和个性化医疗，从而带来社会的严重改变。AI 也将是支撑未来许多最具立异使用和效劳的底子架构。但对许多人来说，AI 依然很奥秘。
为了协助你解开这些谜题，Facebook 正在创立一系列教育在线视频，概述AI怎么作业。我们期望这些简略简明的介绍将协助大家了解杂乱的核算机科学范畴是怎么作业的。
不是魔法，仅仅代码
首要，有一些重要的事要知道：AI是一门谨慎的科学，专心于规划智能体系和智能机器，其间运用的算法技能在某些程度上学习了我们对大脑的了解。许多现代AI体系运用人工神经网络和核算机代码，模仿十分简略的、经过互相衔接的单元组成的网络，有点像大脑中的神经元。这些网络能够经过修正单元之间的衔接来学习经历，有点像人类和动物的大脑经过修正神经元之间的衔接进行学习。现代神经网络能够学习辨认形式、翻译言语、学习简略的逻辑推理，甚至创立图画而且构成新的主意。其间，形式辨认是一项特别重要的功用——AI十分擅于辨认许多数据中的形式，而这关于人类来说则没有那么简略。
一切这些都经过一组编码程序以惊人的速度发生，运转这些程序的神经网络具有数百万单位和数十亿的衔接。智能就源于这些许多简略元素之间的交互。
人工智能不是魔术，但我们现已看到它怎么像魔法一样大幅推动科学研讨，并在照片中辨认物体、辨认语音、驾驭轿车或将在线文章翻译成几十种言语的日常奇观中扮演重要的角色。
在 Facebook 人工智能研讨（FAIR）实验室，我们正在尽力使学习机器更好地作业。其间很大一部分是所谓的深度学习。运用深度学习，我们能够协助AI学习国际的笼统表征。深度学习能够协助改进语音和物体辨认等问题，而且有助于推动物理学、工程学、生物学和医学等范畴的研讨。
深度学习体系中一个特别有用的架构被称为卷积神经网络或 ConvNet。 ConvNet 是衔接神经网络中单元的一种特定办法，受其他动物和人类视觉皮层体系结构的启示构建而来。现代 ConNet能够利用从7~100层的单元。在公园里，我们人类看到大牧羊犬和奇瓦瓦，虽然它们的体型和体重都不同，但我们却知道它们都是狗。关于核算机而言，图画仅仅一串数组。在这串数组内，部分图画，例如物体的边缘，在第一层中能够被容易检测出来。神经网络的下一层将检测这些简略图画的组合所构成简略形状，比方轿车的轮子或人脸的眼睛。再下一层将检测这些形状组合所构成的物体的某些部分，例如人脸、腿部或飞机的机翼。神经网络的终究一层将检测方才那些部分的组合：一辆轿车、一架飞机、一个人、一只狗等等。神经网络的深度——具有多少层——使网络能够以这种分层次的办法辨认杂乱形式。
一旦经过了许多样本数据库的练习，ConvNet 关于辨认图画、视频、语音、音乐甚至文本等自然信号特别有用。为了很好地练习网络，我们需求供给给这些网络被人标记的许多图画数据。ConvNet会学习将每个图画与其相应的标签彼此相关起来。风趣的是，ConvNet 还能将曾经从未见过的图画及其相应的标签配对。由此我么就得到了一个体系，能够整理各式各样的图画，而且辨认照片中的元素。这些网络在语音辨认和文本辨认中也十分有用，在自动驾驭轿车和最新一代医学图画剖析体系中也是关键组成部分。
什么是能够学习的
AI也处理了我们人类所面临的核心问题之一：什么是智能（intelligence）？哲学家和科学家一向在尽力处理这个问题，而答案却一向难以捉摸、飘忽不定，哪怕这个中心是我们能称之为人的底子特点。
一同，AI也提出了许多的哲学和理论问题：什么是能够学习的？数学定理通知我们，单个能学习的机器不能有效地学会一切可能的使命，我们也由此得知什么是不可能学到的，不管你投入多少资源。
这样，AI机器就像我们人类一样。在许多方面，我们人并不比会学习的机器优异。人类大脑高度特化，虽然具有明显的适应性。当时的AI体系依然远不具有人类具有的看似一般的智能。
在AI中，我们一般考虑三种类型的学习：
强化学习这是关于署理应该怎么举动以取得最大化奖赏的问题，它受行为心思学理论的启示。在特定情况下，机器挑选一个动作或一系列动作并取得奖赏。强化学习一般用于教机器玩游戏和赢得竞赛，比方国际象棋、西洋双陆棋、围棋或简略的视频游戏。强化学习存在的问题是，单纯地强化学习需求海量的试错才干学会简略的使命。
监督学习底子上，监督学习就是我们通知机器特定输入的正确答案：这是一幅轿车的图画，正确答案是“轿车”。它之所以被称为监督学习，是由于算法从带标签数据学习的进程类似于向年幼的孩子展现图画书。成年人知道正确的答案，孩子依据前面的比方做出猜测。这也是练习神经网络和其他机器学习体系结构最常用的技能。举个比方：给出你城市中许多房子的描绘及其价格，测验猜测你自己家房子的价格。
无监督学习人类和大多数其他动物学习，是在其生命的前几个小时、几天、几个月和几年，以没有人监督的办法学习：我们经过调查和得知我们举动的成果了解国际怎么运作。没有人通知我们所看到的每一个方针的名称和功用。我们学会十分底子的概念，比方国际是三维的，物体不会自行消失，没有支撑的物领会往下落。当时我们还不知道怎么在机器身上完成这一点，至少无法到达人类和其他动物的水平。缺少用于无监督或猜测学习的AI技能，是限制当时AI开展的原因之一。
这都是 AI 是经常运用的办法，可是关于任何核算设备而言，都有许多从底子上无法处理的问题。这就是为什么即便我们建筑出了具有逾越人类才智的机器，这些机器依然能力有限。这些机器可能鄙人国际象棋时打败我们，但却不知道在淋雨时躲进屋里。
未来的作业
跟着AI、机器学习和智能机器人变得越来越遍及，在这些机器人将在制造、训练、销售、维修和车队办理方面担任新的岗位。人工智能和机器人将能够完成今日不可思议的新效劳。但很显然，医疗保健和交通运输将是AI第一批推翻的作业。
年轻人只需调整作业方针，就能够享用 AI 供给的许多的时机。那么，我们怎么为尚不存在的作业做好准备呢？
如果你是学生：
数学和物理是学习人工智能、机器学习、数据科学以及许多未来作业的底子办法的当地。选修一切你能够选修的数学课程，包含Calc I，Calc II，Calc III，线性代数，概率论和统计学。核算机科学也是必不可少的，你需求学习怎么编程。工程学、经济学和神经科学也会有所协助。你也能够考虑一些与哲学相关的范畴，例如认识论——这门学习研讨什么是常识、什么是科学理论，什么是学习。
选修这些课程的方针不是简略回忆。作为学生，你有必要学会怎么将数据转化为常识。这包含底子的统计学，还包含怎么收集和剖析数据，留意可能呈现的差错，并当心由于这些差错在处理数据时呈现的差错。
讨教你校园的教授，他或她能够协助你，使你的主意变得愈加具体。如果他们的时刻有限，你也能够讨教高年级的博士生或博士后。
读博士。不必管校园的“排名”，在那些从事你感兴趣的研讨中，找一位诺言杰出的教授，或挑选一位写了你喜爱或敬仰的论文的人。请求这些教授所在的校园的一些博士课程，并在请求信中说到你情愿与这些教授协作，但一同也情愿与其别人协作。
参加研讨你感兴趣的与AI相关的问题。开端阅览关于这个问题的文献，并测验用不同于曾经的思路去处理它。在你结业之前，测验写一篇研讨论文，或许发布一个开源代码。
请求偏重工业为的实习时机，取得关于AI在实践中的作业经历。
如果你现已就业，但想要转向从事与AI有关的作业：
在网上有许多关于深度学习的材料，包含讲座、在线教材、教程和机器学习相关课程。你能够报名 Udacity 或 Coursera 课程，阅览Yoshua Bengio、Geoff Hinton 和我合著的 Nature 论文，还有刚刚出书的《深度学习》这本书，作者是 Goodfellow, Bengio and Courville，以及我最近在巴黎法兰西学院的讲座（有英语版别）。
当然，你也能够考虑从头回到学习，那么就参阅我上面说的内容。
展望未来
越来越多的人类智力活动将与智能机器一同进行。我们的才智是我们成为人的底子，AI则是这种特点的延伸。
在通往打造真实智能机器的道路上，我们正在发现新的理论、新的准则、新的办法和新的算法，这些都将发生使用，并将改进我们今日、明天甚至下一年的日常生活。许多这些技能很快被用于 Facebook 的产品和效劳，比方图画辨认、自然言语理解等等。
当谈到 Facebook AI 的时分，我们有一个长时间方针：了解智能并构建智能的机器。这不只仅是一个技能挑战，这是一个科学问题。什么是智能，我们怎么在机器中再现它？终究，这将是全人类的问题。这些问题的答案将协助我们不只树立智能机器，还能更深入了解奥秘的人类思维和大脑的作业办法。可能的话，这些答案也将协助我们更好地了解人类何故为人。
标签： 校园闪讯手机客户端