人工智慧是根據什麼原理來設計和製造的？

12-29

就好像飛機是根據空氣動力學來設計製造的。。。

人工智慧的基礎有兩個：

1. 搜索演算法
應用舉例：深搜，廣搜，A*，Minimax等等
理論基礎：演算法理論

2. 學習和優化演算法
應用舉例：監督學習，無監督學習，半監督學習
理論基礎：優化和統計概率

對生物體而言，進化是一個多代累積的基因改變過程，在每一代的進化過程中會有基因的剔除和基因的增加。在每一次的基因改變後，只有那些擁有適宜於生存環境基因的變異生物能夠存活，而那些擁有不適宜生存環境基因的變異生物則無情的被環境淘汰。這個過程就是一次自然選擇的過程。在自然選擇中，生物的適應能力固然重要，但能恰到好處的擁有適宜於當前環境的特徵才是關鍵，就像在洪水爆發的時候，能夠用鰓呼吸的魚才可以生存。

相比而言，工程設計則是一個嚴謹規劃的過程，儘力確保過程中每一步達到預計目標。然而，隨著人工智慧的出現，機器學習演算法的迭代具有類似生物進化的功效，使得生物進化和工程設計過程的融合成為可能。

具體細看自然進化的過程和機器學習的過程，我們可以把機器學習所需的數據（data）及其規格化處理類比為生物進化過程中的「環境」，把機器學習過程類比為「自然選擇」。機器學習在訓練的時候分為監督式學習、非監督式學習、增強學習、聚類、決策樹以及深度學習的其他方法。

在自然進化過程中，雖然不同的生物在遇到相同的生存難題時會進化出各自不同的特徵，但最終它們將進化出類似的特徵來解決其所遇到的生存難題。鯊魚和海豚從不同的原始生物種類進化而來，卻具備相似的傷口癒合機制。

在人工智慧領域，我們同樣能看到與此類似的現象。例如：K-均值聚類演算法常被用來處理圖像分割問題，通過對原始無標籤的輸入數據（通常是圖像）進行聚類直至相似特徵的數據被合理的聚分至各族群內。如果你把這個問題交給 10 個機器學習工程師，並且是處理同樣輸入數據集，很可能他們每個人使用的演算法都不相同，但並不妨礙最終的聚類結果。從這個維度來比較自然選擇和機器學習過程，兩者何其相似。

那麼，這與商業有何相關呢？

因為機器學習技術已經有了商業化的應用，目前機器學習在商業化應用上遇到的難題是如何安全穩妥並富有效率的運用機器學習技術。

回顧科技的發展歷史，大自然給了工程師們很多啟發。這裡，我將給出一些在商業上運用進化理論來理解人工智慧潛在影響的範例。

趨異進化：人工智慧下的趨異進化，是指在這個過程中很難將同一個數據集來處理數據集類型相似的問題。就如：你用 ImageNet 數據集來處理一個目標識別的問題，最後的識別結果非常好，但這並不能夠保證你在處理視頻識別和面部識別時依舊可以有非常好的識別結果。
趨同進化：人工智慧的趨同進化是指一些看似不同類型的數據集處理過程，其實是同一類問題。例如：Google 藉助搜索關鍵詞來優化檢索時的拼寫檢查功能。Google 通過跟蹤用戶的檢索詞，當你檢索詞的拼寫和大部分人有差異時，將會出現檢索詞推薦，這個優化過程很人性化。
捕食者和被捕食者或者寄生和宿主共同進化：在人工智慧里，如果兩個人工智慧演算法一起迭代，會出現很多意想不到的結果。網路安全公司（如 Cylance 和 Bromium）正在開發如何運用機器學習演算法來實現不間斷的系統訓練，從而可以第一時間識別新的網路安全隱患。

目前，只有少量的 AI 公司在幫助我們更高效的工作（X.ai 可以幫助我們規劃繁忙的工作生活，Diffbot 能幫助我們更智能的管理網站等等），但這些應用還只是處於起步階段，能夠成熟到用戶可以方便使用的程度，仍需極大的提升。或者說這也是它們的「進化」過程。

AI 領域還有待開墾，而生物界自然選擇的過程為我們提供了一個很好的框架來理解機器學習的進化發展，並為之到來做好準備。與此同時，公司的領導層需要著重考慮如何藉助 AI 來提升公司業務，並且招募相關的人才來研發出具有創新性的解決方案。

如果是問「人工智慧在自然科學裡的基礎有哪些」，那麼能列出很長的單子：哲學、神經科學、認知科學、心理學、邏輯學、統計學、優化理論、語言學、控制論、演算法與程序設計，etc.

但是如果問「人工智慧(的產品)是根據什麼原理設計的」，那麼答案只能是「人工智慧學」。人工智慧本來就是一個學科名，用來描述使用人工設計的規則來解釋或模擬智能的研究。我們可以說人工智慧和機器人設計的關係相似於空氣動力學和飛機製造的關係，但是你找不到一門學科與人工智慧的關係相似於空氣動力學和飛機製造的關係。

人工智慧的基本原理是：
　　對事物的屬性和方法進行識別和歸納就是學習；
　　帶有條件判斷的邏輯行為就是智能；
　　深入的知識庫和高效的邏輯過程就是智慧；
　　從學習的層次上來看，對知識庫進行再學習能帶來智慧；
　　知識庫是學習的結果、問題的存在區間和求解的依據；
　　思維、思緒就是或長或短的一段邏輯過程；
　　可以安全重組的連續邏輯過程就是意識；
　　思維互相感知並互相認同為一個整體就是自我意識；
　　人類採用非自然方法實現智能就是智能機；
　　人類採用非自然方法實現自我意識就是人工智慧；
　　人工智慧為學習和求解而發端、為機器人第二法則而必須。

以上原理是根本思路，設計和製造就牽涉更多啦。

看其他答案說的很高端我也看不懂，目前人工智慧裡面很火的神經網路，深度學習，機器學習等等，我感覺原理很簡單，就是y=f(x)，
用語言描述就是，給機器輸入信息x，讓機器輸出我們想要的信息y,而人工智慧就是解決如何構造函數f的。
當前的深度學習也好，神經網路也好，別看名字高大上，本質都沒有脫離，構造函數和參數，優化擬合f，與真正人類智能差十萬八千里。

實質就是：湊出來的。

數碼時代以來，人工智慧的硬體條件已經成熟了。
目前困擾人工智慧研究的主要問題是，功能程序碎片化不能滿足模仿人類智能的需求。一個程序對應一個功能，這與人類智能的一體和諧、各功能相互相應天衣無縫的特徵相差很遠。實現操作系統與應用程序一體化，例如手機不必安裝任何應用程序驅動程序，只原創輸入或下載相關知識含義，即可實現所需功能。頂多做試運行及調試即可。操作系統會自己去了解認識自己擁有什麼。即我有什麼樣的身體。功能及表達方式將隨機主喜好，及想像力，而自主增加，實現功能及成長的無限diy，實現這樣一體化以後，你的夢想就將很快實現。
其中的難點是，操作系統智能化。
而智能化的難點是，既要保證輸入/輸出數據流的絕對鏡像，又要滿足感知/驅動這兩種完全不同的含義斷取規則需要。
預計1-2年，這些難題都將被理論上解決。再經過1年時間，你的夢想就將實現。人類那時將進入真正的智能時代。
最先應用這一原理的領域可能是，導彈目標識別系統，搜索引擎，手機。

人工智慧的基本原理中最重要的一條：人是機器。也就是說人（包括人的智能）不是超自然的，因而是可能被人工製造出來的。

有了以上前提，還需要知道什麼是智能，才能知道怎麼去製造智能。但很可惜關於智能似乎還沒有一個很好的定義。只有一個大概的方向，越像人的「智能」的就越接近人工智慧。

關於人工智慧，現在主要有兩個方向：
第一個，也是最早的，起源於所謂的「邏各斯中心主義」，簡單來說就是「語言不僅是思維的工具，也是思維本身」。這個方向主要從邏輯出發，發掘語言中的邏輯關係，然後用數字計算機模擬這種邏輯。

另一個方向，是在解剖學發展起來之後，發現人的大腦是大量神經元有機聯繫在一起形成的，因此發展出所謂的「連接主義」。這個方向更像是仿生學，最直接的方法當然是直接用生物神經元搭一個「大腦」出來。但人的大腦有百億神經元（大概吧，記不清了），直接造出來貌似很難。因此更實用的方法是用電子電路模擬神經元，也就是人工神經網路，這就是上世紀所謂「第五代計算機」的思路。當然這個東西貌似是失敗了。現在流行的（深度）神經網路，更像是交叉學科，是在通用的數字電子計算機上模擬人工神經網路。

貌似現在有人把基於數字電子計算機的人工智慧稱為「計算智能」。

（本人非專業人士，以上內容純屬跟著感覺走，有錯莫怪。）

人造的智能當然是根據「智能」的原理來設計和「製造」的啊。
不過「智能」人類還沒完全搞懂，所以人造的「智能」還有很多難題和空白。

飛機的飛行是空氣動力學，到僅有空氣動力學是造不出飛機的。
人工智慧就如同這架飛機，這只是一個大的學科，按照不同領域的應用還是不同的，現在瓶頸還是在於人機互交，也就是數模，模數的轉換