機器學習在2016年左右突然爆發，並在2017年，隨著圍棋大師柯潔敗給了alphaGo而達到頂峰。計算機在深度神經網絡和強大的計算能力下所表現出來的學習能力讓人驚歎。
打敗柯潔的alphaGo Lee被僅僅學習了三天的alphaGo zero以100:0完敗，再一次震驚世界，從此圍棋再也不屬於人類，而是屬於了計算機。
隨著alphaGo的出世，電影終結者中的機器人末日也被再次提及，那麼，計算機會不會有一天真的如同電影終結者那樣，統治世界呢？
其實現在所謂的機器學習和人工智能，都不是真正意義上的AI，不過邁出了關鍵的第一步，讓計算機學會了抽象化擬合。
通過tensorflow的一個例子，簡單介紹下當下的機器學習是如何工作的。
神經元網絡的每個神經元都是一個函數f(x)，輸入的數據經過函數處理而得到一個結果A，然後把A與實際結果B進行方差運算得到D，再通過一個不斷迭代的梯度下降算法去調整f(x)，從而算出與B最相近的的An，而計算出An的fn(x)就是特徵函數，用於預測和識別下一個輸入，看是否是不是A。
這個過程有點類似於以前初中學習的求函數的極限，只不過初中求的極限函數是已知的，而機器學習求的極限，是通過公差不斷逼近最小值的迭代運算試出來的。
這個求極值的結果其實是一種擬合。
當然，神經元計算的值並不是簡單的數字，而是一個張量(tensor)，張量是的值是一個多維度矩陣，所以機器學習擬合的並不是簡單的一跟線，而是類似曲面的矩陣。
把神經元組成的計算層疊加以後就可以形成一個深度學習網絡，經過深度學習網絡得出的結果就是一個計算機的抽象化模型，這個模型是什麼樣的呢？
下面就是tensorflow實例中計算出來的特徵值，用來識別數字0-9的圖片。
計算出這個特徵圖大概需要輸入多少數據呢？答案是10000個，當然，這個計算在當前的計算性能下也是秒級的。
所以，現在的機器學習，就是通過深度神經網絡計算大量實例從而得出一個特徵張量的過程，通過特徵張量來預測和判斷其他實例。
這個過程有點類似抽象化思想的提煉過程，但也只是類似罷了，來回答一個簡單的問題，我們學習數字的時候，有看過10000個數字麼？
並沒有，我們並沒有看過10000個數字，我們只需要看10個就夠了，而且我們通過這10個數字，發明了數學體系。這就是人類強大的地方。大腦的學習方法與機器是不在一個維度上的，大腦的學習不光分析了實例，還歸納出抽象化概念，而且還能聯想，類比，通過聯想再構築抽象化的抽象化。
機器學習可以自己領悟出數學麼？在現有的技術條件下，沒有可能，計算機的數學都是人輸入的公式，計算機並沒有能力自己去創造一個算法，這樣的人工智能還沒有被髮明出來。
而且抽象化的容量遠遠大於想象，在抽象化三角形上看出，抽象化概念可以囊括的內容是按照指數級別上漲的。
每個抽象化三角形所囊括的實例為，個體：3，責任：9(3∧2)，管理：27(3∧3)，而這是刻意定義的，實際上每一個抽象化概念下能囊括的個體是很多的，這樣的指數上升是很恐怖的，試想下：“萬物即對象”這句話後面有多少數據。大腦通過抽象化概念可以推導出一切實例。
所以構成大腦的數據庫結構，級為複雜，那是一張多維度的多對多鏈表，這樣的數據結構，還沒被髮明出來。
即便是有了這樣的數據結構，計算機也還無法進行思考，也就是將不同的抽象化聯繫起來並再次歸納。數據源是什麼？準確率有多少？是否可控？都是問題。
所以，我並不能預言出終結者是否會出現，但有種感覺，當下的人工智能技術並不會誕生類似終結者中天網的存在，因為支撐真正人工智能的理論，至今還沒有被發現。
不過當前的理論的確對於識別與預測帶來了長足的進步，那麼，我們能否用這些公式去預測未來呢？
下一篇“MACD公式 - 走勢能否被預測”
閱讀更多 抽象化思考者 的文章
