近几年来人工智能的话题那是炙手可热。在国内很多大佬言必谈机器学习和大数据；在美国刚毕业的人工智能PHD也是众人追捧，工资直逼NBA球星。人工智能甚至成为了互联网领域茶余饭后的话题——仿佛不懂人工智能就是落伍了。
笔者作为一名移动开发者，对于如火如荼的人工智能和机器学习，也保持了密切的追踪和了解。这篇文章就是总结我在硅谷工作的所见所闻，抛砖引玉的与大家分享一下我对于人工智能的思考。
人工智能是什么？
关于人工智能（AI），我们经常听到这样一些相关词：大数据（BigData），机器学习（MachineLearning），神经网络（NeuralNetwork）。那么这些词到底有什么区别？我们来看下面一则小故事。
从前有个程序员叫牛顿。他定义了一个方法来计算自由落体的速度：
funcgetVelocity(timet:second)-Float{return9.8*t}
他是怎么得到这个方法的呢？牛顿自己被一个苹果砸中之后，做了大量的逻辑推导和实验论证之后，得到了这个公式。这是目前传统意义上的写程序方法——理解清楚了事物的内在逻辑和真相后，由人来定义方法。直到今天，绝大多数程序都是这么写出来的。
而所谓的人工智能，就是机器自己定义方法。人工智能的实现方法有很多，比如可以让机器来模拟大脑，然后像人一样思考，从而定义方法。机器学习只是另一种实现人工智能的方法，就是由大数据定义方法。假如牛顿时期就有机器学习，它得出自由落体速度的过程是这样的：
1.收集尽可能多的自由落体实验数据。假如收集到的数据如下
负责人速度(m/s)时间(s)伽利略9.81牛顿19.62达芬奇29.43亚里士多德2.分析数据。机器学习会分析出，亚里士多德的数据偏差太大不予采纳。其他三人的数据满足同一规律。
3.定义方法。根据上面数据，机器学习得出结论，速度=时间*9.8。
随着数据收集得越多，机器学习得到的结论就越准确。其实人类学习的过程也十分类似：书上有大量的知识（加工的数据），我们看了之后进行理解思考，然后得出自己的结论。
开普勒就是个著名的人肉的机器学习实践者：他前半辈子看星星，把观测到的数据记录下来；后半辈子用自己的逻辑和理解分析这些数据；最后得出行星运动的开普勒-牛顿模型。然后用这个模型去预测其他行星运转，同时新的数据用来修正模型的参数，使之逼近完美。
那么数据和人相比有什么优势呢？我认为是更快更准确。人在定义方法时，总是需要对该方法的前后因果、逻辑关系、各种情况都要求考虑周全，这有时需要花费很多时间去研究论证，而且忽略某些极端情况也时有发生，导致定义漏洞百出。而数据在互联网时代，获取的成本是很低的。在这样情况下，大量数据的轻易获得会使得方法定义越来越快；同时现实中数据涵盖的情况之广，也使得依次定义的方法更加准确。
吴*博士在《智能时代》一书中对大数据的优势进行了以下总结：“在无法确定因果关系时，数据为我们提供了解决问题的新方法，数据中所包含的信息可以帮助我们消除不确定性，而数据之间的相关性在某种程度上可以取代原来的因果关系，帮助我们得到想要的答案，这便是大数据的核心。”
我们回到上文牛顿自由落体速度的实验中去。实际上，机器学习拿到的实验数据，可能是以下的记载：
“9月15日的夜晚，小雨微风。伽利略在比萨斜塔上扔下了1颗铅球，质量为4kg，初始速度为0，到达地面时间为6s多。”这个数据样本中有很多特征，时间、空气湿润度、风力、比萨斜塔的高度、铅球质量、初始速度、到达地面时间等等。那么自由落体速度到底跟哪些特征相关？如果让机器自己去分析，这就叫做无监督学习。如果我们告诉机器，不要care质量和时间，重点分析铅球到达地面的时间和比萨斜塔的高度，这就叫做监督学习。后者在于借鉴了人类的智慧，这样机器学习就有了大致的方向。
至此，机器学习依然难以称得上“智能”--它无非是更快更准确的得出答案而已。如果仅仅如此，AlphaGo就算将所有九段棋手的对弈研究透彻（这些对弈的输赢已定，相当于人为标注走法好坏，故为监督学习），水平也就十段而已，于九段相比，也就是略胜一筹，发挥更稳定一点。然而事实是，AlphaGo的棋力要远胜人类最高水平。
其实AlphaGo在下棋时，每下几步，系统都会告诉它胜率是否提升。这种不断反馈的机制可以让AlphaGo实时强化棋力，并鼓励其尝试人类从没有下过的路数，从而实现超越人类。这种反馈的训练方式就叫做增强学习。
最后讲讲神经网络是怎么回事。以我粗浅的理解，神经网络是由神经元组成，每个神经元都有对应的功能。比如，人工智能要识别一堆动物照片中的母狗，第一个神经元做的是判断哪些动物是狗，第二个神经元做的就是区分狗的公母。
上面这个例子中，我们是先让第一个神经元进行判断，再将结果传递给第二个神经元。也就是说，后者的输入是前者的输出，这就是神经网络分层的概念。所以AlphaGo这种大型神经网络，就是基于神经元分层这个原理。
因为机器学习的发展在人工智能领域一枝独秀。所以提到人工智能，几乎就相当于是在谈机器学习。
人工智能在移动开发上有哪些应用？
前面说了这么多，肯定很多人要问：这些都很高大上，可惜我是iOS/Android工程师，人工智能到底关我何事？其实人工智能在移动端上由来已久，且可能会深入我们的日常开发中，所以我们有必要对此高度敏感。这里笔者以iOS平台为例，来分享一下人工智能在移动端上的应用。
首先，乔布斯老爷子早在若干年前就在iPhone上布局了智能语音助手Siri。Siri可谓是人工智能和机器学习在移动端上第一次成功的应用：它结合了语音识别（SpeechRecognition）和自然语言处理（NaturalLanguageProcessing）两大人工智能操作（当然前者是后者的一部分）。后来因为苹果封闭的基因，Siri的数据量一直没有上去，而我们都知道数据量是提高人工智能水平的关键，所以现在Siri现在一直很鸡肋。
同Siri类似，Facebook在他们的MessengerApp中集成了聊天机器人(Chatbot)。在去年的F8现场，我还清楚地记得他们号称这是App开发的新纪元-由聊天机器人和人工智能主导的App将取代传统手机应用，而Messenger将从一款聊天应用变成一个平台甚至是一个操作系统。这个跟