最近也有一些朋友轉了一些BP給我，讓幫個忙看看，我看到一個現象，不少公司BP裡面都提到了「人工智慧」或「智能」，儘管其產品可能與「人工智慧」沒有半毛錢的關係，也都想通過這個題材進行包裝，讓PPT儘量變得高大上一些。
這幾年，人工智慧的題材非常火，幹什麼之前都喜歡加上「智能」或「智慧」兩個字，比如：智能物流、智能教育、智能零售、智能出行、智能風控、智慧城市…。也有很多文章和新聞，對人工智慧的未來滿懷憧憬，並為人工智慧產生自主意識而對人類的未來感到憂慮。
由於我是理科出身，缺少浪漫主義情懷。就這一點，我老婆也經常批評我。在我看來很多事情都是理想很豐滿，現實很骨感，作為一個曾經的理科生，來談談我對人工智慧的一點淺薄的理解。
一、「智能」不等同於「人工智慧」
我們經常看到很多產品都帶了「智能」二字，比如說智能電視、智慧型手機、智能攝像頭、智能電錶、智能水錶等，但其實與人工智慧沒有任何關係，這裡的「智能」很多時候指的是：功能強大，什麼都可以幹。
人工智慧（ArtificialIntelligence）是計算機科學的一個分支，它通過了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等，也就是我們常說的AI。
二、人工智慧的現狀
人類的大腦仍然是一個未知的黑箱，目前還沒有形成系統的理論來解釋人腦的運作機制。人工智慧的發展目前有兩個方向：
1、尋找邏輯和概率的關係，利用概率分布進行有效推理，尋找事物的規律，利用過往的數據對未來形成預測，比較有代表性算法理論基礎是馬爾科夫鏈和貝葉斯網絡。
2、仿生，模擬人腦的結構與運作機制，比較有代表性的算法是神經網絡。
現在，人工智慧的研究方向更多偏向於第2個方向，也就是仿生，所以大家經常聽到神經網絡。但是現在學術上對神經網絡是否本質上就是一個概率模型還存在一定的爭議。
神經網絡最早在上個世紀40年代就已經提出來了，到現在為止，基礎理論並未取得實質性進展，無非是由原來的一層變成多層。本質上來說，就是構建一個網絡，將大量的樣本數據（包括輸入和結果）灌入到網絡中，自動調節網絡各節點的權重使之滿足絕大多數樣本。
無論是哪個方向，目前的理論都只能做到通過學習過往的大量的數據來判斷現在或預測未來。而人腦的能力遠不止學習這麼簡單，人有情感、意識、靈感、聯想、自我創造等。
就算是學習，人腦的學習機制也遠比現時人工智慧算法複雜。
舉一個簡單例子，人家給一張照片，告訴你這是一隻貓，無論是白貓、黑貓、花貓還是跑著的貓、跳躍的貓，你都能馬上告訴別人這是一隻貓。
而現代人工智慧算法要如何處理呢？首先提取動物的主要特徵，定義什麼是動物，也就是建模的過程，然後再給出大量符合模型要求的學習樣本：N多張白貓、黑貓、花貓的照片，N多張豬的照片（反例），N多張各種形態的貓的照片（跑的、跳的），這樣機器才能識別。而下次要識別一棵樹的時候，現有的模型就不再適合，可能又得重新建模，給出一堆新樣本，重新學習。
同樣的道理，因提取的特徵值不同（模型不同），用人臉識別的模型去識別豬臉，通常來說是無效的。
三、人工智慧應用的基本前提
從前面的例子也看到了，現代人工智慧應用上必須做到兩點：
1、應用建模
以人臉識別為例，你選取人臉上的多少個點，哪些點，如鼻子、眼睛等，也就是如何定義這是一張人臉，有什麼樣的特徵值。
再舉一個例子，美國有一個很有名的做信用分和反欺詐系統的公司FICO，他們有一個智能信用卡反欺詐系統。基本原理是根據你過往的行為，來判斷現在的行為與過往是否存在明顯差異，如果存在明顯差異，就可能是一個欺詐行為。通過神經網絡怎麼做呢？首先得建模，找出行為的特徵，定義什麼是行為。
2、學習大量的數據樣本
提供足夠的數據樣本(輸入、結果)，並灌入到模型之中，由神經網絡自動調節網絡各節點的權重，也就是學習的過程。學習完成以後，將新的輸入灌入到模型之中，就得到了對應的結果。現在學習的方法上也有很多的改進，如學習的速度上、噪點處理以及更少的樣本數量。
因此，現在人工智慧理論在應用上也有幾個基本前提：
1、從原理上來說，模型一定不能是通用模型，只能是特定用途。
建立通用模型基本上是不現實的。所以只要有人說一個模型多個用途，或他們的產品能實現N多場景，大多數是不靠譜的。也可以解釋一下，為什麼自動駕駛不能單純通過人工智慧來實現，因為建模很難，場景太多，如果人家宣傳是純人工智慧來實現，這種車千萬不要去嘗試，更有效的方式是規則模型，比如說紅燈停、綠燈行。
2、應用模型必須要穩定
不穩定的應用模型會帶來一系列的問題，增加一個新的維度，還得針對這個新的維度重新學習，並且還得有這個維度的相關數據樣本。
3、數據樣本必須足夠
如果數據樣本不夠，而依據過往樣本來判斷現在以及預測未來，這往往是失效的，給出一個輸出，而得到的結果未必就是正確的
四、對人工智慧未來的看法
在我看來，人工智慧的未來應該是在基礎理論的突破上，需要對人腦的結構以及運作機制進行進一步了解，人類的大腦屬於造物主的終極傑作，路漫漫其修遠兮，我相信在未來幾十年內，基礎理論很難有實質性的突破。
因此，在現有的理論基礎上，人工智慧只能在單一、特定、穩定的場景上有一定的應用空間，比如：人臉識別、內容推薦等
對於一些人工智慧的投資項目，建議基金或投資人謹慎對待，除非有解決實際問題的非常明確的場景存在。
五、就AI在金融領域的幾個應用談談自己的看法
1、智能風控，現在很多銀行類金融在做智能風控，其實在我看來：
所以我個人並不太看好目前智能風控在銀行、小貸行業的應用，起的實際作用沒有那麼大，反而不如規則風控、計分模型來的實用。
2、智能投顧，有不少面向零售行業的資產管理機構在做智能投顧，在我看來：
因此從個人的理解，智能投顧在可靠性上還有待驗證。