作者 留德华叫兽 美国 Clemson 应用数学 | 运筹学硕士、博士候选人，德国海德堡大学数学 | 组合优化博士，博士研究方向为离散优化在计算机视觉的交叉应用。读博期间于意大利博洛尼亚大学和法国巴黎综合理工访问 10 个月，意大利 IBM Cplex 实习半年。学术不精，转而致力于科普，读博期间创办 运筹 OR 帷幄（运筹学 | 数据科学 | 人工智能社区）以及 DIY 飞跃计划（全球 1000+ 海外硕博留学咨询师）俩个知乎机构号 | 微信公众号 | 头条号 | 社区，并邀请学界 | 业界大佬联合举办了 10+ 知乎 Live。现于德国某汽车集团无人驾驶部门机器学习组，担任计算机视觉研发工程师。本文于 2017 年 4 月首发于 @运筹 OR 帷幄 知乎专栏和公众号，并收录于知乎日报文章：『AI 领域的名词好难懂，这篇文章可以让你全面了解』。

编者按：写作此文当年花了我 10 小时，或许很多内容现在看来显得有些“稚嫩”，但决定予以保留，也算是我对读博那段青春的追忆吧：）

本文包含 4 个带图实例，目的是从宏观上剖析和理解这三个术语，适合刚入门人工智能（缩写 AI）、数据科学、机器学习（缩写 人数机）的爱好者，完整阅读可能需要 20 分钟。由于我的研究领域仅限于机器学习和计算机视觉，浅谈其他领域的时候还劳驾该领域的大牛拍砖。

前言：学科交叉乃大势所趋，新兴学科应市场需求孕育而生。人数机，便产生在这样的时代背景下。什么，你所在的学校至今还没开设相关专业？不必惊慌，老牌资本主义国家德国同样如此。但是，学好微积分、线代、优化、统计、编程，你和人数机可能只是俩三堂专业课的距离。本文旨在从宏观的视角剖析人数机，具体到某个学科或问题，请参见文中给出的链接。

机器学习、深度学习、增强学习，这些“学习”都是什么鬼？3 中的回答或许会让你大跌眼镜。

本文提纲：

1，人数机的概念 2，AI 的应用领域 3，AI 的解法-机器学习 4，机器学习底层的模型-运筹、统计 5，AI 的算法 6，强 AI vs 弱 AI 7，AI 学术界、工业界的全球排名

——————————————————————–

书归正传，我们一起 逐点击破人数机这个大泡泡 ，力求以最通俗易懂的语言 还原他们高大上外表下弱小的真面目（数学模型 + 算法）。

————————————————————————

首先我把最近火起来的，关于人数机最热门的几个术语都列出来，因为不知道它们的话，你可能已经 OUT 了。

人工智能、数据科学、大数据、机器学习、神经网络、深度学习、计算机视觉、自然语言处理、增强学习、（无）监督学习、数据挖掘、文本挖掘、模式识别、虚拟现实、增强现实、GPU 计算、并行计算、物联网、工业 4.0、智能供应链、智能 xx、商业智能、xx 智能、图像处理、自动驾驶、统计推断、（凸）优化、K-means 算法、Ford-Fulkerson 算法等等。（欢迎评论区补充“火”的术语）

下文我尝试把这些术语按照 概念、应用、模型、方法、算法 来进行分类。

1，概念 – 人工智能（Artificial Intelligence）、数据科学（Data Science）、大数据（Big Data）

这三个术语最大，放在第一个说 – 他们属于概念。

简单地说，计算机能像人一样思考并自动处理任务，就可以称为 人工智能，即教计算机完成人想完成的复杂的或具有高度重复性的任务。（这里需要注意计算机能理解的只是数据，包括向量和矩阵）

从这个概念出发，那么计算机从发明至今，可以说就顶着“人工智能”的帽子了。比如我们学习任何一门计算语言的循环语句，就很好地服务于这个宗旨。你写一个 for i=1..100，就等于让计算机给你重复做了 100 遍活。还嫌不够多？把 100 改成 1 个亿吧。让（“教”）电脑给你干活，这就是人工智能。

由于人工智能“教”计算机处理的，通常都是很大的数据。例如图像处理，对于计算机来说，一张 1000*1000 的图片在它看来只是 100 万个像素（灰度图是 100 万个数字，RGB 图是 100 万 * 3 的一个向量）。

因此数据科学、大数据也属于人工智能概念的范畴，它们和人工智能一样，仅仅是被炒起来的“术语”。而理解上面三段话，你就拥有了和小白吹牛的资本。

这些行业到底有多热，看看薪资就能略知一二。

再举个比循环语句稍稍复杂点的例子：预测（Forecasting、Prediction）。

给你一堆点（x_i,y_i）, 人眼一看，根据数据以往的趋势，下一个点 x_n 的 y 坐标 –y_n 应该出现在箭头所指的地方。但是如果有 1000 堆类似数据等你预测呢？你需要 1000 个人来描这个点么？NO，你只需要教会计算机如何根据 x_n 预测出 y_n 的值。– 很简单，学过统计的应该都知道线性回归（Linear Regression），用最小二乘法根据以往的数据（x_i,y_i）算出线性系数 b_0 和 b_1，那么预测函数 y =b_0+b_1*x，电脑就可以根据这个公式来预测后面所有的 y 值。当然有进阶版的分段线性回归(piecewise linear fitting)，欢迎听下回分解。

2，应用 – 模式识别（Pattern Recognition）、计算机视觉（Computer Vision）、自然语言处理（Natural Language Processing）、数据挖掘（Data Mining）、物联网（Intenet of Things）、商业智能（Business Inteligence）、自动驾驶（Auto Driving）、云计算（Cloud Computing）、虚拟增强现实（Virtual Augmented Reality）等

这些都属于人工智能和大数据的 应用 场景。

模式识别：把一堆杂乱无章的数据或像素（图像）里深藏的“模式”或规则用计算机自动识别出来。

计算机视觉：“教”计算机像人一样理解图像或视频，并作出解释（例如分割、追踪、分类等）。

自然语言处理 - 语音识别：同样的，计算机看待人说的话只是一段段音频信号（signal），或者更底层些，只是一个 x 坐标为时间 t 的二维数据。如何把电信号翻译成文字（text），需要人来“教”它。

数据挖掘：从一大堆数据里挖掘出你想要的有用的信息。怎么样，是不是和模式识别有点异曲同工之妙？不过其主要数据对象是数据库（Database），类似的还有文本挖掘（text mining）。

物联网：把所有东西（例如家电）都联网，并实时保持数据的连通，然后计算机处理这些数据。例如根据主人的生活习性自动开关暖气。

商业智能：人工智能应用在商业大数据领域。例如银行欺诈性交易的监测。

自动驾驶：顾名思义，内置在汽车甚至设置在云端的计算机自动给你开车。利用的是计算机处理汽车上的摄像头实时产生的图片信息，以及雷达产生的信号。

云计算：把计算任务传送到“云端”，得出结果后再传送回来。云端可能是一个大的计算机集群（Cluster），难点在于如何协同 CPU 和 GPU。

虚拟、增强现实（VR、AR）：VR 眼镜应该都体验过吧？未来的趋势，3D 电影演唱会等，足不出户体验现场感。Pokemon Go 是 AR 最好的例子，使虚拟和现实混合在一起。俩者的核心技术都在计算机视觉里，包括校准、3D 重建、识别、追踪等等。

通过以上九个术语的翻译，相信妈妈再也不用担心我被“概念”的炒作蒙蔽双眼了。

再举个例子：模式识别（Pattern Recognition）里的图像分割（Image Segmentation）。

给你一张图片，你自然知道描出图里所有物体的轮廓，把该图分割成了几块，该图的“模式”就被识别出来了。但是给你 100，1000 张图呢？你还有耐心一张张用手描轮廓？这时候你需要教计算机如何画这个轮廓，并且不仅仅限于几张图，这个模型或算法必须适用于绝大多数的图片。这就是模式识别和图像分割。

3，方法 – 机器学习（Machine Learning）

前面讨论了概念和应用，那么用什么方法来实现 2 中的应用呢？机器学习便是最有力的方法之一。把机器学习单独放在方法里，是为了体现其重要性。虽然它是一门建立在统计和优化上的新兴学科，但是在人工智能、数据科学等领域，它绝对是核心课程中的核心。

机器学习，顾名思义，教机器如何“学习”，或让机器自己“学习”。因此从字面上看就天然的属于人工智能范畴。“学习”这个看似高深的术语，在 1 线性回归的例子里，仅仅指求解(学习)b0, b1 这俩个系数。任何其他炒得火热的“xx 学习”，也只是求解一些参数-说得都很好听，仅此而已。

对于统计和运筹学这俩门基础学科来说，机器学习又是应用（见下面四类问题），因为它大量地用到了统计的模型如马尔可夫随机场（Markov Random Field–MRF），和其他学科的模型，如偏微分方程（变分法等），最后通常转化成一个能量函数最小化的优化问题。

机器学习的核心在于建模和算法，学习得到的参数只是一个结果（见 5）。

机器学习里最重要的四类问题（按学习的结果分类）：

预测（Prediction）– 可以用如回归（Regression）等模型。

聚类（Clustering）– 如 K -means 方法。

分类（Classification）– 如支持向量机法（Support Vector Machine, SVM）。

降维（Dimensional reduction）– 如主成份分析法（Principal component analysis (PCA)– 纯矩阵运算）。

前三个从字面意思就好理解，那么为什么要降维呢？因为通常情况下，一个自变量 x 就是一个维度，机器学习中动不动就几百万维，运算复杂度非常高。但是几百万维度里，可能其中几百维就包含了 95% 的信息。因此为了运算效率，舍弃 5% 的信息，我们需要从几百万维中找出这包含 95% 信息的维度。这就是降维问题。

机器学习按学习方法的分类：

监督学习（Supervised Learning，如深度学习），

无监督学习（Un-supervised Learning，如聚类），

半监督学习（Semi-supervised Learning），

强化学习（Reinforcement Learning）。

这里不从晦涩的定义上深入展开，举俩个例子或许效果更好。

邮件分类的例子：

邮件管理器中的垃圾邮件和非垃圾邮件的分类，就是一个典型的机器学习的分类问题。这是一个有监督的学习问题（Supervised Learning），什么叫有监督呢？计算机是在你的监督（标记）下进行学习的。简单地说，新来一封邮件，你把他标记为垃圾邮件，计算机就学习该邮件里有什么内容才使得你标记为“垃圾”；相反，你标记为正常邮件，计算机也学习其中的内容和垃圾邮件有何不同你才把它标记为“正常”。可以把这俩个分类简单的看成 "0" 和“1”的分类，即二分问题（Binary Classification）。并且，随着你标记越来越多，计算机学习到的规律也越来越多，新出现一封邮件标记的正确率也会越来越高。

当然分类可不止用在判别垃圾邮件，其他应用例如银行欺诈交易的判别(商业智能范畴)，计算机视觉里给计算机一张图片，分类为狗还是猫（著名的 ImagNet，可是把图片分成了 2 万多类）。等等。

前面讲了监督学习，无监督学习即在没有人工标记的情况下，计算机进行预测、分类等工作。

再来一个例子 – 聚类（Clustering）– 无监督的学习

事先没有对图中的点进行标记类别，左图在计算机看来，仅仅是 12 个点（x，y 坐标），但是人眼可以判别它大致可以分为三类（这时，123，321，132 代表的都是相同的聚类，顺序没有关系）。如何教计算机把数据归类呢？这就是聚类问题。其中最经典的算法叫 K -means。

半监督介于俩者之间，强化学习牵扯到更深的运筹、随机过程、博弈论基础，这里暂时不展开。

机器学习作为新创的学科或方法，被广泛地应用于人工智能和数据科学等问题的求解。按照行业的说法，神经网络、深度学习、增强学习等模型都属于机器学习的范畴。

本节最后出一个思考题，1 中的线性回归属于监督还是无监督学习呢？

4，模型 – 运筹学（Operations Research（O.R.））、凸优化（Convex Optimization）、统计分析（Statistical Analysis）、神经网络（Neural Network）、深度学习（Deep Learning）

把它们归到一类，因为他们都是一种解决实际问题的模型。例如解决图像分割问题，你可以用统计的模型（如马尔可夫随机场），也可以用神经网络模型，当然也可以用深度学习，即 卷积神经网络模型（Convolutional Neural Networks）。

统计和运筹作为有深厚渊源的学科，这俩个名词本身就能成为一个专业，其下又有无数的分支和方向。他们本身研究的对象就是大数据，因此和人工智能、数据科学有着天然的渊源。最近因为人数机的兴起，统计、凸优化模型也再度热了起来（特别是概率图模型）。相信他们和人工智能会起到相辅相成、互相促进的效果。

神经网络（监督学习门下，需要有标签的数据）和深度学习，相比前俩个庞大学科，充其量只能算一个基于图论（Graph Theory）的模型。神经网络也是由来已久，刚开始的全连接神经网络（Fully Connected Neural Network）以及多层神经网络，都是传统神经网络，由于参数多计算 (学习这些参数) 的复杂度很高，因此实用性不强没有得到足够的重视。直到近些年卷积神经网络的横空出世，深度神经网络（Deep Neural Network）已基本秒杀其他一切传统方法，缺点是需要有标签的庞大的数据集以及训练时间过长（计算机资源）。

当然人工智能，特别是深度学习有过热的趋势，导致炒概念这样不良风气的产生，甚至有偷换概念之嫌。下面链接乃计算机视觉领军人物之一加州大学洛杉矶分校 UCLA 统计学和计算机科学教授 Song-Chun Zhu 的访谈录，给深度学习泼一点冷水。
初探计算机视觉的三个源头、兼谈人工智能|正本清源

由于 O.R. 出身，把运筹放在最后一点 – 楼主必须 正本清源 O.R. 的在人工智能中扮演的重要角色。

在机器学习里我已提到，这里再强调一遍，几乎所有的人工智能问题最后会归结为求解一个优化问题（Optimization Problem）。而 研究如何求解优化问题的学科，正是运筹学。

运筹学的作用，不仅限于求解其他模型（如统计）最后产生的优化问题，也可以作为模型本身（优化模型）来解决人工智能问题。

优化模型包含目标函数和约束条件。优化问题就是求解 满足约束条件的情况下使得目标函数最优 的解。敬请读者们关注我的运筹专栏，听我下回仔细分解。这里只提一点，大家所熟知的支持向量机，其实完全可以看作运筹中的二次规划（Quadratic Programming）问题。

[运筹帷幄]大数据和人工智能时代下的运筹学 – 知乎专栏

最后唠叨一句楼主的科研方向，就是用运筹学中的混合整数规划（Mixed Integer Nonlinear Programming）模型建模，解决人工智能中的应用，如图像分割。

由于版面有限，不再具体展开。

关于运筹学你所要知道的几乎一切，都在下面：

【运筹 OR 帷幄】人工智能的“引擎”– 运筹学，一门建模、优化、决策的科学

5，算法 –K-means，Ford-Fulkerson

做过人工智能实际 / 科研项目的人知道，解决一个实际问题就像小时候解应用题，从假设未知数开始（已是模型的范畴），一般步骤便是数学建模 - 设计算法 - 编程实现，并以此反复推敲。因此为了文章的完整性，加上算法这一节。

K-means 在 3 的聚类问题中已提到，这里重点讲讲最大流以及算法和模型之间的关系。

Ford-Fulkerson 算法属于运筹学或图论 - 网络流问题（Network Flow Problem）中一个非常经典的问题 - 最大流问题（Max Flow Problem）的算法，它在图像处理特别是图像分割中，有着极为重要的应用。

如图：把一张 3＊3 像素的图像看作 3 * 3 个点的图（图论术语里的图），并且把上下左右相邻的点用边连接起来，组成 edge（图论里的边）。这么一来，图像分割问题就完美地转换成了一个基于图论（或者 network flow）的优化问题。如下图，九个像素的图被最大流算法用绿线分割成了俩个部分（segment），绿线即为最小分割（min cut），这里 s 点和 t 点是为了构建网络流模型额外增加的俩个点（terminal node）。

这里强调下数学建模的重要性，为何要数学建模呢？的确很多 naive 的算法完全不需要建立在数学模型之上，比如 clustering 里面经典的 EM 算法，是一个 iterative method，基本一眼就能看出算法的思路然后编程实现。那么基于数学模型上的算法有何妙处呢？答案是一个好的数学模型，往往是被研究了几十甚至几百年的学科，比如图论，很多性质都已经被研究得很透彻可以直接使用。回到上面的例子，我建立的这个网络流的模型，是一个被研究了很久的模型，因此我可以直接使用其很多已知的好定理或算法来服务我的问题，比如这里基于里 max flow 的 Ford-Fulkerson 算法，如果能在其基础上做改进，等于站在巨人的肩膀。因此这就是数学建模的重要之处。

往往同一个问题，从不同的角度去看可以有千百种数学建模方法，而不同的数学模型差别往往巨大。而数学建模又是解决一个实际问题的第一步，在这基础上才考虑算法和数据结构设计。因此，数学模型和背后的数学基础在我看来是重中之重，也是我推荐学习的课程的核心。当然了，计算机系出生的朋友，数学这个层面学习得不是很深，可以偏向于算法的设计和实现，它们也是重要的。

6，强人工智能（Strong AI 或 Artificial General Intelligence）vs 弱人工智能（Applied AI，narrow AI，weak AI）

上面唠叨了那么多，说来说去都是建立在以二进制为机理的图灵计算机上的“弱人工智能”，即计算机需要人去“教”它怎么做。而人工智能、神经网络的最终目的，是模仿人脑的机理和组成(脑神经元、神经网络)，让计算机能像人一样具有思维、自主意识，自行学习和决策，称为“强人工智能”。

这里不得不提到母校德国 海德堡大学 物理系和英国曼彻斯特大学牵头的欧盟“人脑计划”，其最终目的就是打破计算机的二进制机理，模仿人脑神经元 (Neuron) 放电 (spark) 的随机性，打造出一台能像人脑一样“思考”的计算机。从此计算机不再二进制（0 或 1），而是可以取 [0,1] 间的随机值。另外工业界如 IBM 也在打造此类计算机。

此机一旦面世，以往一切惯例将被打破，“强人工智能”的新纪元或许会随之到来。

7，人工智能学术界、工业界全球排名

按照本文作者的尿性，最后不出意外会给个排名。今天也不例外，排名不分先后。

学术界：人工智能等新兴学科通常设置在计算机系，此处可参考 CS 排名

美国凭借教授数量一如既往地排在前头：CMU、斯坦福、MIT、UC 伯克利、哈佛、普林斯顿、康奈尔、UIUC 等等

英国伦敦也是 AI 重地：牛津、剑桥、帝国理工再加爱丁堡，还有 UCL

加拿大可谓深度学习孵化地，DL 三杰都和枫叶国国有渊源：多伦多、滑铁卢、蒙特利尔、麦克吉尔大学、英属哥伦比亚大学 UBC

欧洲因教职稀少排名自然弱，瑞士俩校拔得头筹，ETH、EPFL，海德堡 HCI 五教授之阵容理应占得一席 – 哦，原来三个隶属物理系。

日本东大山河日下，中国清华异军突起，姚班功不可没。

工业界：凭借着财大气粗吸引人才，以及计算能力和数据量的优势，工业界在 AI 领域或许已经赶超学术界

美国自然是全球 AI 中心（硅谷、西雅图、波士顿、纽约）：Google 刚请来了斯坦福李飞飞（sabbatical）以及多大的 Geoffrey Hinton，Facebook 有 NYU 的 Yann LeCun, 微软、IBM 研究院早已名声在外，Amazon 云计算一家独大，还有 Uber、Airbnb、LinkedIn 等新贵互联网公司的助力。

英国伦敦：DeepMind 被 Google 收购，Google、微软等在伦敦都设有研究院。

欧洲：IBM、Google 在苏黎世和慕尼黑都有研究院，扩招中；amazon 在卢森堡有研究院；德国传统公司，如拜耳、博世、西门子等纷纷发力 AI 建立研究院，宝马奔驰奥迪等车场也投注自动驾驶。最后说说海德堡，SAP 总部所在地，还有 NEC、ABB 等欧洲研究院。

加拿大：加拿大政府在多伦多刚成立人工智能研究院-Vector Institute，G Hinton 任首席科学顾问，Google 在蒙特利尔准备成立新研究院，可见 Yoshua Bengio 领导的深度学习研究院名声在外。

中国：北有科技之都北京，得天独厚的优势，微软亚洲研究院培养起了中国一大批 AI 大佬；百度、京东以及地平线机器人、滴滴等一大批互联网新贵开始崭露头角。南有深圳，华为、腾讯、大疆、顺丰等也毫不示弱。

到此，相信读者们可以更有自信地吹“人工智能、数据科学、机器学习”的牛逼了。

原文链接：https://www.bilibili.com/read/cv8210026/