人工智能对人类进步的推动，是革命性的，是前瞻性的。真真正正的人工智能，必须具有最能激励人的能量。

IBM认为一个可信任的AI系统，需要遵循几个基础原则：

1）公平性（Fairness），即AI系统应该采用不带偏见的数据集和模型，从而避免对于特定群体的不公平；2）健壮性（Robustness），即AI系统应该安全和可靠，不会被篡改，也不会受被“污染”的训练数据集影响；3）可解释性（Explainability），即AI系统所提供的决策或建议，应该能够被用户和开发者所理解；4）可追踪（Lineage），即AI系统的开发、部署、维护等可被追踪，能够在生命周期范围内被审计；5）IBM认为后续值得的研究，包括，如何把“AI服务说明文档”，自动化地嵌入AI软件的构建、开发和运行环境中。这样，就不需要人工撰写这些说明文档了。此外，“AI服务说明文档”，还可自动化的发布到，基于区块链的网络上，这样，“AI服务说明文档”，就不可被篡改；6）基本思想，通过算法和软件，自动化地在AI系统里构建“信任”。例如：2018年9月，IBM发布了AI Fairness 360（AIF360）开源工具，专门用于检查数据集、机器学习模型、最新的算法等，是否具有偏见。初步发布的AIF360 Python包，带有9种算法，由算法公平性研究社区所开发，用以减轻算法中的偏见。

因果建模，让人工智能更加深刻。

1）目前基于深度神经网络算法的AI系统，其原理，主要是相关性。也就是训练出一个神经元模型，可以模拟一个数据集的轨迹，这在很大程度上，是建立了两个系统之间的相关性。通常这种算法，在处理较为确定的问题时，比较容易成功。例如，模拟和预测图像、语言、语音等，因为图像、语言和语音相对固定；比如，一种语言，往往只有几种到几十种发音、几千到几万词汇等。但是，在现实的商业应用中，人们期望用AI算法，解决更多的开放性问题，就像人脑可以处理很多未知或缺乏经验的问题，因此，人们也期望建立更加通用的人工智能系统。这个时候，就需要引入人脑所具备的归纳推理能力，也就是建立数据集之间的因果关系，而不仅仅是相关性。

2）在IBM研究院的2019 AI预测中提到：对现实世界中因果结构的直觉，是人们日常行为和判断，不可或缺的，但今天大部分人工智能方法，基本上都缺乏对因果关系的深刻应用。因果推理方法，使AI开发者，能够从数据中推断出因果结构，有效地选择干预措施，来检验推定的因果关系，并通过利用因果结构的知识，做出更好的决策。在2019年，IBM，期望因果建模技术，成为人工智能世界的核心技术。

3）因果建模技术（Casual Inference），是归纳推理算法（Inductive reasoning）的一个部分，在过去20年，得到了迅速的发展。归纳推理算法，是研究如何从局部推理到全局、从过去推理到未来、从特例推理到常规、从可被观察现象推理到未被观察现象等。例如，从听到弹钢琴音乐的声音，推理出有人在弹奏弹琴。因果建模技术，因其具有归纳推理的能力，是医药、流行病学和公共健康等领域，AI系统的核心目标。

4）今天，因果建模技术，能够解决当前机器学习和AI系统的很多问题，包括，机器学习模型的解释、机器学习过程/模型的公平性、基于数据的决策等。针对AI系统的解释、公平、决策理解等，因果建模技术，对AI系统能够进行很好的补充。

5）如今，IBM，正在创造，下一波基础人工智能技术；从今天的“窄”AI，步入“宽”AI的新时代。“宽”AI的特点，是能够更广泛地学习和推理，整合不同模式、不同领域的信息，同时，更具有可解释性、安全性、公平性、可审计性和可扩展性。未来，在“宽”AI的基础上，还将走向通用AI。此外，IBM研究院，还在AI领域，进行了大量前瞻性研究工作，包括，对量子计算的研究，以及把量子计算应用于处理AI计算任务等。

--------《如何打造可信人工智能》

通过神经网络计算的力量，下一波的人工智能技术，可以在以下两个维度，提升目前的计算系统：

1、自动分层特征，表示学习；这是机器学习容量的实质性提升。因为，当今机器学习工作的很大一部分，关键在于特征工程。如，百度大脑，已经拥有万亿级的参数、千亿级的样本和千亿级的特征训练。

2、高级认知，特别是感知能力，这是下一代设备（无人驾驶汽车）和下一代平台（自然语言会话），产生的巨大催化剂。

--------《下一波人工智能技术将要提升的两个维度》

人工智能的核心，是通过数学模型运行数据并获得结果。 GraphPipe，是一种高性能开放标准，用于传输人工智能模型中使用的张量数据。这意味着，它可以帮助开发人员，应对诸如------在一个地方运行人工智能模型（比如云数据中心）,并在另一个地方提供结果（比如客户的智能手机）等挑战。GraphPipe，应用了，和现在的系统使用的相同的广泛原则，来允许网络通信。但GraphPipe采用了这些技术，并针对人工智能模型，对其进行优化；这些人工智能模型，通常需要非常快速地移动大量数据，以提供结果。Oracle，已经将GraphPipe作为开源项目，任何人，都可以免费使用该工具，并根据他们的经验做出改进。GraphPipe等承诺的标准，让开发人员可以在技术基础上，花费更少的时间，并且，将更多的时间，花在试验模型上。这，就促进了人工智能的创新；而且，一旦他们找到了可用的模型，他们，可以充满信心地相信，可以将这个模型，在企业规模上应用。

--------《开源GraphPipe项目暗示了下一波人工智能浪潮的方向》

现在，以数据驱动为核心的深度学习，已经成为工具式的开发手段，下一代神经网络的方向是什么？未来十年，人工智能的新引擎是什么？业内专家认为，下一步AI的重点，需要加强基础理论的创新和研究。吴飞认为，从基础理论上看，数据智能日趋成熟、类脑智能蓄势待发，“双智”结合，带来的新一代人工智能基础理论突破，是未来要把握的方向。

专家表示，从算法端向上下游延伸，芯片和开源开放平台，作为人工智能发展的硬件和软件基础，正成为产业链条上不可或缺的部分。商汤科技首席执行官徐立认为，这一波AI浪潮，在某种意义上，就是在行业中挖掘更深的痛点，深入应用，将更多技术做到超过工业红线，为行业创造价值。

如何进行专业课程体系的设置、打通产学研的链条，成为突破重点。“现在还处在，缺一系列课本、精品课程以及如何培养本科人才体系的阶段，这也是现在人工智能人才培养，面临的最大任务”。浙江大学计算机学院副院长吴飞说，推进高等学校人工智能交叉学科的建设，是一个突破口。上海交通大学教授俞凯建议，人工智能基础研究和人才培养，需要注重实用化和国际化两个方向，从实际遇到的问题中，抽象出科学问题，反过来，对理论研究产生正面影响。

--------《中国新一代人工智能有哪些新看点？》

机器学习，深度学习，强人工智能

机器学习，是一种算法，一种意识的方向，指令计算机，按照算法的设计与实现，创造计算程序的技术。

深度学习，属于机器学习的一个子域，基本上，是“更深层次”的机器学习。它的灵感，来源于人类大脑的工作方式，其相关算法，受到大脑结构与功能的启发；但需要高端计算机，才能工作；高端计算机，必须拥有能够处理巨量数据的高端显卡。其动机，在于建立模拟人脑的神经网络，进行数据分析，解释数据。

深度学习，是无监督学习的一种。

机器学习与深度学习的区别：

1、机器学习，通常是在低端设备上运行。它会将问题分解成多个部分。每个部分，会按顺序被解决，然后组合在一起，以创建单个问题的答案。相比机器学习，深度学习，会以端到端的方式来解决问题。更棒的是，提供给深度学习的数据和时间越多，解决任务的效果就越好。

2、例子：

机器学习--------人脸识别技术，从开始通过传感器，来获得数据；经过特征表达--------[预处理、特征提取、特征选择；再到推理、预测或者识别。良好的特征表达，对最终算法的准确性，起到非常关键的作用，而且系统主要的计算和测试工作，都耗在这一大部分。实际中，靠人工提取特征。特征，是机器学习系统的原材料，对最终模型的影响，是毋庸置疑的。如果，数据被很好的表达成了特征，通常线性模型，就能达到满意的精度。或者这么说，机器学习的目的，是让机器如何像人的大脑一样去学习-----------不断教机器，识别“特征”，并且依靠不断的算法能力训练，达到语音识别、人脸识别、图像识别……观看这个过程……我们会发现这个对话式机器人，越来越强大，这就是所谓的机器学习过程。

深度学习--------2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目，是由著名的斯坦福大学教授Andrew Ng，和世界顶尖专家Jeff Dean共同主导，用16000个CPU并行的计算平台，训练一种“深度神经网络”（DNN）机器学习模型，在语音识别和图像识别等领域，获得了巨大的成功。Andrew称：“我们没有像通常做的那样，自己框定边界，而是直接把海量数据，投放到算法中，让数据自己说话，系统会自动从数据中学习。”Jeff则说：“我们在训练的时候，从来不会告诉机器说-----------这是一只猫。系统，其实是自己发明或者领悟了猫的概念。”深度学习，就是如何让机器自己，掌握学习能力！！

“深度神经网络”机器学习模型：内部共有10亿个节点。这一网络，自然不能跟人类的神经网络，相提并论的。人脑中，有150多亿个神经元互相连接的节点。曾经有人估算过，如果将一个人大脑中，所有神经细胞的轴突和树突，依次

连接起来，并拉成一根直线，可从地球连到月亮，再从月亮返回地球。

3、深度学习的优点与缺陷：

深度学习，可以说是神经网络的重新包装。

1）新的架构与算法的创新（例如，多层网络、ReLU、dropput、LSTM等）；2）非常重要的是，我们当前有非常大的数据集；3）非常大规模的计算资源（GPU、云）；4）更好的软件工具（Theano、Torch、TensorFlow），更方便地建立神经网络；5）越来越大的投资，越来越多的媒体关注。

深度学习系统的缺陷：

1）需要大量数据例如，总需要数百万的样本；2）需要大量的计算资源，来训练以及部署深度学习系统；3）表征不确定性能力极差；4）融合先验知识与符号表征，对深度学习非常重要；5）易受对抗样本的影响；6）过于繁琐的非凸优化；7）深度学习，是难以解释的黑箱------------缺乏透明度，难以令人信任，使得深度学习，难以部署到一些非常重要的任务上。这些事深度学习的挑战，也是研究员们，想要战胜的难题。

4、学习工具包（软件工具包）

1）机器学习包：编程语言Scala的Spark MLlib；编程语言Python的Scikit-learn。

（1）Spark MLlib是Spark对常用的机器学习算法的实现库，同时包括，相关的测试和数据生成器。（2）scikit-learn工具包，是用python实现的机器学习算法库。

2）深度学习包：Hadoop，Microsoft Cognitive Toolkit，MXNet和TensorFlow。

（1）Hadoop的DL4J：Hadoop是一个开源框架,允许在整个集群，使用简单编程模型计算机的分布式环境，存储并处理大数据。DL4J，是为Java和Java虚拟机编写的开源深度学习库，是广泛支持各种深度学习算法的运算框架；是一套基于Java语言的神经网络工具包，可以构建、训练和部署神经网络。（2）微软的Cognitive Toolkit，是微软开源的深度学习框架，深度学习工具包。（3）MXNet是亚马逊选择的深度学习库。（4）谷歌的TensorFlow，是世界上最受欢迎的开源机器学习框架，它具有快速、灵活，并适合产品级大规模应用等特点，让每个开发者和研究者，都能方便地使用人工智能，来解决多样化的挑战。

零基础学习心理学与人工智能