前言

人理解人的语言依靠两方面的知识，一方面是关于世界的知识，另一方面是关于特定语言本身的知识。我们之所以听不懂其他语言，并不是因为我们没有办法理解这个世界，而是因为我们对于特定语言本身不了解，不知道语言和这个世界的映射情况如何。

机器人恰恰与我们相反，它们最大的问题是没有办法理解这个世界。自然语言与机器语言是相对的，因此自然语言指的是我们人类的语言。因为机器人对于机器语言（01）已经十分了解，并且可以直接按照其运行起来，我们现在使用的软件都是如此。但是，在对于我们人类语言的理解上，机器人还是相当的羸弱。

因此，一些科学家们就尝试攻克这个难题，这就诞生了计算语言学或者称之为自然语言处理的研究方向。目前，计算语言学与自然语言处理目前基本上是等价了。在接下来的2星期里，我们将会介绍关于自然语言处理的一些基本知识。

运算智能！感知智能。认知智能？

人工智能的主要发展阶段有这么几个阶段：
一、运算智能
所谓运算智能，也称为计算智能。也就是拥有快速计算和记忆存储能力。这一方面，计算机早就超过我们人类了。包括1996年的IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫（传说迫于对于人工智能的恐惧，深蓝计算机比赛完成后就被拆解了。），2016年的AlphaGo风波席卷全球，在人类认为最不可能被战胜的“围棋”项目中，人类也败下阵（围棋曾认为是具有“灵魂”的博弈），而接下来的战场，就到了多人游戏、不完全信息博弈上来了。2017年1月30日，人工智能再一次在德州扑克上战胜了人类顶级选手。这可能只是一个开端，但无疑证明，运算智能已经发展到相当高的阶段了。
二、感知智能
即视觉、听觉、触觉等感知能力。人和动物都具备，能够通过各种智能感知能力与自然界进行交互。目前来看，人类和人工智能平分秋色，各有千秋，对于很多不可思议的感知，机器还无法模拟和实现（例如完成拿杯子的动作），但是人类感知是被动的，机器可以主动进行感知(雷达就是很好的例子，可以脱离本体本身对外界进行探测。这有点像人类的视觉感知，但机器人也同样具有视觉感知，因此雷达这方面机器人胜出)。
三、认知智能
认知智能才是我们大众口中的——人工智能的形态。也就是说人工智能具有思考的意识。但这我早就说过，如果一个人工智能能够进行普适思考，也就是说可以对任何问题进行思考，那么它迟早有一天会思考自身存在的价值和意义，一旦具有了自我意识，人类再想对于人工智能的管理，就会麻烦很多。因为人对于人工智能唯一的不可逾越的优势，就是人类具有自我意识，而一旦这个优势没有了，无论从存在形态（生物体难免会出现生老病死）、拥有资源（目前是信息化时代）上，人工智能会占绝对优势。但不用担心的是，在近期，这种人工智能不会出现。

人与人工智能学习语言过程的差异

人类的学习过程和人工智能的学习过程并不相同。无论人工智能如何模拟人类的行为，在本质上，还是有相当大的区别。为了再次体会对于语言的学习过程，我特地学习了一门新语言“日语”。以我对于日语的学习，重新对于自然语言处理进行解读。

在刚开始时，由于我对于日语一无所知，所以，我看到的就是一个个符号，而这个符号的发音、意义，我一无所知。状态就如同一个生语料进入到计算机当中。

学习日语首先要学五十音，于是我就开始了五十音的学习过程，这个过程对于人来讲，主要的任务就是记忆，把字形、字音进行一个相互映射并长期存储到脑海中，而且是一种相互映射的过程，也就是说，读出音，能想到字，看到字，能想到音。这一过程对于计算机来讲，是相当容易，而且目前很容易实现。

那么接下来阶段，就是对于语音语调的调整，与发音类似，但这次并没有相应的映射关系，大部分是基于规则的。这方面，计算机目前虽然稍显复杂，但是仍然可以实现。

再接下来，就要学习单词，单词是由各个基本音组成，这时候，每个单词都由若干个基本音进行标识，如果仅仅是这一步，那还尚且容易，计算机仍然可以做到，但是，下面这一步正是目前计算机的难点，那就是比如我们学习“妈妈”这个词时，可能口语里是“ママ”，书面语是“お母さん”，但这只是不同的编码形式，计算机也可以实现，但是我们知道妈妈是一个人，是一个对我们关怀的人，她有一个形象，而且，我们首先是知道妈妈指的是自己的妈妈，然后还要能理解别人喊妈妈时，是喊的别人的妈妈，这种逻辑行为以及对于歧义的理解，目前计算机还无法做到。我想其归根到底，还是由于我们的计算机架构问题，主要是计算与存储分开（显然我们人类并不是这样），这样，知识即使称为知识图谱，仍然满足不了这种表现形式的需求，因为知识并不等于智慧，这点我们在下面会讲。

再往下，就又是一个计算机困难，我们人类学习语法的过程，对于计算机来讲，按理说应该是相当简单才是，实际情况则是相当困难。其原因并不是因为语法有很多规则，也不是语法没有规则，恰恰是因为语法中，既存在规则，又不存在规则，不具有自洽性，这也是产生误会的原因。我们人类可以在误会中学会这种矛盾体，而在计算机里，往大了说是不能存在两条规则矛盾的，往小了说，一个变量不能既是False又是True。

再往下就更没有办法进行学习了，因为在前面的学习过程中，计算机的缺课太多了，再往下已经没有办法进行了。因此人工智能对于语言的理解，目前还专注于浅层语义分析阶段，而就算是依存句法的分析，也是相当缓慢和困难，无法应用到实际生活中。

朴素贝叶斯、逻辑回归、隐马尔可夫模型、线性链条件随机场、一般条件随机场模型的区别与联系。

这里可能要写到真正学术的部分，我尽量不讲太细。关于这几个模型之间的区别和联系，我想很多时候，都是在描述其各自的定义，并没有一个宏观的可概括的形式。但这些我们都经常遇到，甚至我们对他们的原理也已经很熟悉了，但是就是还不能准确地说出这几个模型之间到底有什么不同。在《条件随机场简介》（《An Introduction to Conditional Random Fields》 Sutton et al .2012）里，作者就对于其关系描述得十分清楚和到位，具体细节大家可以参考一下这篇文章，我这里借用一下这张图来表示一下这种关系：

这里上面一部分是我们的生成模型，下面一部分是判别模型，大家就可以很清楚地了解到他们之间的区别和联系了。（Sutton还是挺厉害的）

人机交互接口的巨大变化

自从计算机诞生以来，人机交互的方式也在不断地发展。在开始时，人们还没有显示器的时候，只能通过执行结果的纸带来实现输入输出。其实早在1714年，类似键盘的打字机就已经出现在世界上了。但是那时候的键盘还并不算得上真正的键盘。直到1868年，“打字机之父”肖尔斯才申请了专利并且在几年之后设计出了现在键盘——QWERTY键盘。

后来，图形化界面开始使得交互更加便捷，但是第一个图形界面并不是现在独霸天下的Windows,也不是高高在上的MacOS,而是1973年的Xerox Alto,但是这个系统并没有商业化，也十分简陋，多半只有文字和方框。但是自从它出现以后，原本并没有多少人青睐的鼠标（1968年道格拉斯恩格尔巴特发明），才开始被大众所接受。

值得注意的是，自从鼠标和键盘在40年前发明以后，一直到现在，人机交互接口还没有一个明显的质的变化，也就是说并没有出现一个新的人机接口，虽然现在可以语音控制计算机执行一些特定的指令（Siri），但是还并不成熟，而且显然这并不能成为主流，因为声音会影响每个人，而且为了信息的安全性，也不太可能使用现在这种语音方式（例如密码等）。当然，现在也出现了体感式操作，以及结合VRAR的运动型感知交互，但是要发展成熟并为大众所用，但至少是一种用户体验增强的方法。当然，像是脑电波感应这种，我觉得大有所为，因为同时具有了保密性、个性化、迅速性等多种优势，但是可能在可实现范围内，还是相当拘束。不过这也算是一个新的创新了。

知识≠智慧？

对于这点，可能有一点疑问，这里是针对计算机人工智能来讲，还是针对人来讲。但总归一点，我觉得知识和智慧的存在方式不同。知识一般指的是可被普适学习的东西，它一般是一种客观存在的具有物质性的东西，也就是说是一种静态的产物。而智慧通常都是一种动态过程的表现。我们一般描述一个人有知识，则会描述他上知天文、下知地理等，意思是说他懂的东西多。而说一个人有智慧的时候，通常是讲述他如何巧妙或者高质量地完成、经历一些事情，从他对于外界反应做出应答和得到的最终结果来看他的智慧所在。因此知识和智慧是不太相同的。

如果放近了讲，知识和智慧的区别也许是这样，我们开卷考试，即使你有了一整本书，如果你之前没有学习，试卷上的题目你还是并不能做出来，这就是没有把知识学会，其实就是使得知识具有动态性的原因。在未来，除非有协处理器能够与我们大脑进行这种动态的模糊性交互，否则个性化“定制”人类的思维，将会是十分困难的。（比如我需要学会开车，结果插一个芯片就会了等等，但是这样是有可能的，刚开始插入芯片以后，我们只能简单地进行操作，随着人脑和协处理器的联系愈加紧密和密切，我们就能熟练的掌握这项技能了。）

结束语

这只是一个开始，在接下来的学习中，我们可能要对计算语言学的各个部分进行相关的学习和介绍。

对于人工智能，我充满期待。

本人技术博客同步更新，欢迎关注：刘炫320的博客_CSDN博客-算法编程习题解答（java版）,机器学习习题集,leetcode领域博主