AI如何工作
要使用 AI，你并不一定非得了解它是如何工作的。但是这种洞察可以帮助你了解当前技术的能力和局限性。以下文字是针对非技术类型人员的理解而设计的，但是如果这段文字对于你来说还是太过遥远并让你陷于困惑，请跳到下一部分。
神经网络、训练和模型
神经网络支撑着今天大部分的人工智能。它们的运行与传统数字计算机迥然不同。传统计算机是性能叠加、锦上添花式机器，而神经网络的组织则更像是创建在我们大脑中的高度互联式结构。神经网络由互相连接的“节点”构成，它的行为与神经元类似。每个节点都具备一个数值。不像使用0和 1工作的二进制计算机，神经网络的每个节点都具备一个取值范围，取值范围则取决于应用范围。节点又依照层次进行安排。第一层称为输入层，最后一层称为输出层，处于这之间的层称为隐藏层（如图 1.1所示）。
图 1.1一个简单的神经网络
通常来说，层次越多、每层节点越多，神经网络的能力就越强。具备很多层的神经网络被称为“深度”神经网络，这也是深度学习这个术语的由来。
隐藏层中的每个节点都既有输入也有输出。每个节点既与上一层的所有节点相连接，也与下一层的所有节点相连接。每个节点的值受其连接的上一层所有节点值的影响。棘手的一点是：一些节点对后续节点的值的影响较其他节点更强，它们的影响就要加权。因此，每个节点的值是前面节点值的加权和。这些权值在训练阶段确定，并共同构成所谓的“模型”。模型决定神经网络的函数：权值不同，函数不同。信息通过这个复杂的加权网络，从输入层传递到输出层。
神经网络通过被称为反向传播（backpropagation，商业中亦称为“backprop”）的程序进行训练。反向传播如何工作的细节已经超出本书的范围。从更高层面来说，反向传播是一种计算量大的统计方法，将神经网络的期望输出与真正输出进行比较，然后调整网络中的权重以提升结果的准确性。当正确结果已经给定，得出正确结果的整个神经网络中的所有路径的权重都得以增强。如果结果是错误的，则得出错误结果的路径被弱化。随着时间的推移，以及接触的数据越来越多，模型也就变得越来越正确。神经网络就是这样“学习”输入和输出之间正确 的、复杂的关联关系。
案例：放射学AI
为了训练 AI读懂放射学图表并发现肿瘤，需要让它接触很多图表样例（输入），每张图表都要标识放射科医生的诊断—肿瘤或非肿瘤（期望输出）。神经网络的输出是一张图片，图片上注明了患肿瘤的概率。每次神经网络都接触一张新的图片，将神经网络的输出与正确的结果进行比较。如果图片中存在肿瘤，结果应该接近于 100%。如果不存在肿瘤，结果就接近于 0。反向传播的使用就是为了调整网络的模型（节点间连接的权重），强化得到正确结果的连接的权重，反之，弱化得到错误结果的连接的权重。一旦经过足够多的数据训练，神经网络诊断的准确率会高得令人难以置信。更复杂的网络甚至可能有几个输出结果，例如出现肿瘤的概率、栓塞的概率、骨折的概率等。
如果这些很难理解，那也没关系。需要理解的关键在于，神经网络能够推导出从样例中如何执行任务，而无须领域专家提供外显式规则。
放射科医生要经过很多年的训练来读懂 X射线、计算机断层扫描（CT）、核磁共振成像（MRI）和正电子放射型计算机断层扫描（PET）等图片。从医学院毕业后，放射科医生还要经过额外的培训，通常包括四年的住院医生见习期。在那之后，有的放射科医生还要做其他额外的专业化培训。要读懂图片、发现肿瘤及其他疾病需要用到全部放射科相关技能、经验和训练。然而，这个任务却在神经网络所能完成的范围内。给出足够多的训练数据，一个 AI可以培养出类似人类放射科医生一样的诊断能力，而一个人要成为放射科医生的背后却是十年左右的密集型教育。训练神经网络本质上是在编纂知识合集，以及学习来自成百上千的放射科医生的几十年的专业经验。他们的经验和诊断洞察被采集在所生成的模型中。
一些放射科医生在阅读放射学图表时，已经使用 AI工具以提供“第二种意见”。随着这些工具阅读常规图表的准确率超过人类放射科医生，放射科医生也就可以将其注意力集中在更复杂、更高价值和更以病人为中心的任务和程序上。放射学所取得的进步也预示着其他医学分科的未来。在未来十年中，机器学习将应用于更多其他的医疗诊断领域和病理学中。
当进行 AI训练时，要创建一个模型需要大量的计算性能，而在使用这个模型时所需要的计算性能就少得多。使用模型的过程也被称为推理。通常来说，训练发生在工作站或在云上，而推理则发生在设备上。大多数未来的计算机芯片将包括推理引擎，优化后的硅加速器运行 AI模型就相对更为容易。
模式识别
模式识别是很多 AI系统的核心能力，这也体现在我们刚探讨过的放射学案例中。模式识别存在于很多应用中，并且不同应用范畴各具风格。记住所有这些不同的方法并不重要。在此列举它们只是为了举例说明机器学习的一些重要能力。阅读的时候，思考一下，可以如何使用这样一种能力来解决你们组织中的一些商业问题。
（1）分类，AI可以将数据划分为相似的类型。比如，放射科 AI将图片划分为阳性和阴性两个类别。在一个制造业工厂中，可以使用类似的方法进行外观检验和质量检查，或在一个水果包装厂进行水果完好度和成熟度的识别。
（2） 聚类，营销专家利用聚类算法将消费者划分为一个个具有相似特征—购买习惯、收入层次以及需求或欲望—的细分市场。推荐引擎使用的也是聚类。流媒体音乐服务平台 Spotify通过分析历史听歌数据向你推荐你可能喜欢的歌曲。聚类算法可以发现歌曲和听歌者之间的复杂关系。聚类算法可能了解到我喜欢歌曲 A、B、C，而你喜欢歌曲 B、C、D。它就可以得出结论，你可能会喜欢歌曲 A，而我可能喜欢歌曲D。聚类有助于提供个性化体验。
（3） 回归分析，能够发现不同数据之间关系描述的模式。比如，回归分析可能观察到，如果事件A发生，大部分时间事件B会紧接着发生。它也可能发现更错综复杂的关系，例如“如果数据点 A低于一定阈值，而且事件B和事件 C没有发生，那么事件 D发生的可能性高于 46%。”预测分析工具也被用于对未来进行预测。比如沃尔玛使用回归分析预测某些食物商品的销量如何受特定天气条件的影响。
（4） 序列标注，是一种用于语音识别、手写体识别以及手势识别的模式识别方法。序列标注可被用于将句子分解为词组和短语，并通过获取上下文的方式对它们做出标注。比如，序列标注判定哪个词是名词、动词和专有名词。词语置于一个内容更为丰富的上下文中才能得到最好的解释。序列标注算法通过检查其所处的上下文，对句子中的词语或者对手写体中的手写字母进行分类。
（5） 时间序列预测，可用于天气预报、股票市场预测和灾难预测。这些算法分析一系列的历史数据点，并且用它来预测某序列中接下来可能出现的数据点。
这些模式匹配算法利用复杂的数学来施展它们的魔法。你不需要理解模式匹配是如何工作的，甚至无须记得以上列出的全部技术。你所需要理解的是，AI促使计算机理解物理世界、做出预测并且发现隐藏在数据中的复杂关系。而这些任务是很多商业问题得以解决的根本。
