最近读了点人工智能
上个月开始就一直在筹划深入学一点视觉方面的知识，好为之前的Demo做进一步改进与更新。另一方面一直在规划数学建模初步的那个教程，想想之前建模方面的模型和代码有大部分不熟悉，于是就盯上了神经网络模型（做预测给外行人的感觉就是超级高端啊~）。
这一盯就跪了，深刻的发现，人工智能、机器学习、计算机视觉、神经网络、模式识别等等这些名词之间的所属关系在我的脑海里混乱不堪，于是直到最近才大致摸索出来了一条路。
这个学期做项目的时候特别是在实现了一些看起来很神奇的功能之后，真的就以为好像计算机能够做到任何事情，并且在对外专的提问上问出了自以为很高端结果很愚蠢的问题（后来初步学了一些可计算理论才意识到的）。早期的时候，学术界对人工智能的普遍认识大致是这样：让机器完成只有人类才能做的事情，就必须先让计算机理解这些事情，而做到这一点就必须让计算机有类似人类这样的智能。而到了今天，几乎所有的科学家都不会坚持这样的看法，因为，当今做的非常出色的人工智能，比如自然语言处理，计算机视觉等这方面的领域，它们全都靠的是数学，更准确的说靠的是统计。所以经常也会有一些不知情的同学问我概率与统计这门课到底为何会存在，我每次给他们的回答就是：如果没有概率与统计，就没有21世纪的一切科学（当然这种说法有点夸张了，但是事实上也不是那么的夸张）。
起出我看了一点点书就天真的认为，能够找到一个算法，直接就能讲图像中的手直接分割出来，最近这个观点在我的脑海里变得越来越反感和厌恶。因为它根本就违背了“自然法则”，读了点神经网络之后，我才认识到，“学习”对于识别的重要性。因为人类就是如此，人类通过长达好几年的神经反馈、刺激、更新等一系列的人脑进化，由一个什么都不懂的婴儿逐步成长为一个具有独立思想的个体。神经网络充当的就是这样一个角色，只不过在人脑中的网络太复杂，目前看来根本不可能进行非常高端的推进。因此，机器学习的发展成了20世纪后期迫切迅猛需求发展的一门人工智能的分支学科，神经网络作为其很火的一个模型，结合了很多学科，模拟出人的神经过程，是一种很好的学习方法，但是他的最最基本的思想，仍然是统计学。
我的高数老师这么跟我说，科学家们总是在处理线性的问题（我抱以最天真的幻想去相信NP=P），因为这些问题真的很简单。经常听他这么说，我十分好奇到底人类能不能够处理非线性的问题？会不会我们万能的数学发展到顶峰，连非线性的问题都处理不了？当然这一切都需要等待时间来验证了。 我已经准备好跳入这样一个大坑了，什么都拦不住我。