04. 人工智能核心基础 - 导论（3）

Hi，你好。我是茶桁。

基于上一节课咱们的整体强度有点大，而且咱们马上也要进入高强度内容了，那么这一篇咱们就稍微水一篇吧。来聊聊天，讲讲学习人工智能的一些事项。

人工智能和其他学科的关系

经常有同学会问我：人工智能和其他学科有什么关系？有什么区别？

有人说人工智能就是博弈论、梯度下降，人工智能就是贝叶斯。

这都不对，大家要这样想：人工智能是我们刚刚说的解决各种各样的问题的一个研究课题。你可以把它想象成研究课题，这些数学方法，统计学方法是我们来解决这个问题所用到的方法。

千万不要把自己变成一个数学系的人，数学是你的工具。搞人工智能的人，绝对不是一个纯数学家。

比方说贝叶斯定理，其实在一七几几年就提出来了，以前一直被广泛应用于概率学。再比如最小二乘法，也是很早之前就提出来，最早用在天文学上；一阶逻辑是被用在逻辑学中；最大似然也是被用在统计学中；我们的神经网络最早是在神经科学中提出来的；MiniMax game，解决下棋问题的时候经常会用到的一个方法，其实最早是经济学里面的一个问题，博弈论用到的问题。

梯度下降最早叫做 optimization research，是运筹学里面的一个内容，也就是我上一节课中讲到的 search 方法。最早是起源于算法与数据结构；

之后还有强化学习，它其实是指的迭代，是控制论当中的东西。

所以你看到这些就应该知道，人工智能与其他学科一个很大的区别，它是博采众长，为了解决问题，可以使用各种各样的方法。

AI 是融汇了各个学科用来解决某种问题的一个学科。所以不要把它局限在某个东西，不管是啥只要能搞定问题都可以。只要能像人一样，要解决的问题能解决就可以。

为什么学习人工智能

给大家讲了这么多人工智能是什么，还讲了两个很典型的案例，我来讲一下为什么要学习人工智能。之后的课程中可以感受一下，这就和小马过河一样，代码其实不难，你会发现代码其实都挺短的，一二十行、二三十行。发现困难的时候正好是你能力提升的时候。

特斯拉、iPhone、抖音、淘宝这些的成功其实都是因为我们处在一个数字智能时代。这个数字智能时代所有东西几乎都要变成数字化的东西，大家要做的时候希望能够自动化的去处理这些东西，AI 就会因此而生。

人工智能是一种力量，是一种能够使用这种数据能源的力量。

现在有很多很多的数据，你要把这些数据解决，人工智能就是这样的一个力量来解决他们。而且我们还能够实现职业的可持续成长，从薪资待遇上、发展的瓶颈上都会好过其他的场景。

比方说做传统的开发岗位可能会面临 35 岁下岗，人工智能这个行业整体上就要好很多。

怎么学好人工智能？

怎么样去学好 AI 呢？

上一节课中，咱们演示两段代码，讲了两个问题，有没有觉得好难？咱们的整个课程内容量其实很大，尤其是到咱们之后的课程。

要学好人工智能，首先你要知道 AI 它之所以工资高一定不简单，但是既然有那么多人都在做，也就证明它一定是能学会的。所以你不要觉得它会特别难，但也不要看成好像听一听就可以会了。

看我课程的这些同学们，我要郑重的说一下，不要指望在地铁上啊什么的碎片时间看看就可以学会了，这必须是不可能的。我一直想跟大家说，碎片化时间是绝对学不好的，不管是什么东西，你背单词可能还行，但是如果是一个系统性很强的学科，想要碎片化时间学习，这几乎是在害自己。

人工智能永远是一个高级职位，第一个点就是要有心力，要相信你能学好，能学会。

第二点，编程能力一定要强，有很多时候其实理论很简单，但是你就是实现不出来。编程能力一定要多多练习。

第三点是数学能力，我们很多问题其实都是要抽象成数学问题，但和数学的区别是我们还要把这个数学问题变成计算机能运行的，这个就更难了。

这也就是为什么我前面要花 2 个月的时间来写两篇专题，一篇Python基础，一篇数学基础，都是为了让大家能提高基础能力，应付之后的课程。

还有第四点，建模能力,你要把你见到的新问题变成你学过的模型。建模能力其实是这个行业中非常重要一个能力，是你需要不断的去练习的能力。

再有就是交流能力，为什么说这个重要，作为一个算法工程师，和做 Java，做 Web 前端开发的区别是什么？算法工程师永远做不到 100%正确，永远会有一些 bad case，永远会有一些做的不好的地方。

这个时候如何去沟通让别人知道，这件事情暂时只能做成这样，或者如果我们要做的更好需要哪些数据，需要哪些支持。这些都是需要交流能力的。

建模能力是接下来课程会教给大家的，遇到一个问题我都会讲。那我的这个课程和其他课程最大的区别，就是很多课程都是告诉大家这有个方法你把它记住，而我是给大家讲为什么提出来这样的方法。

我把思考过程告诉大家之后，建模能力就会逐步提升。建模能力就是把看到的问题变成解决方法的一个能力。

再接下来第五点，我们的质疑能力。大家要学好，一定要有质疑能力。就是你现在看到的所有论文，你记住都有可能是错的。也不说都有可能绝对是错的，但肯定在某些场景下是不能运行的，结果很糟糕。

一定要知道这一点，知道这一点之后才能去提出新的方法，才能不断的前进。

以上这几种能力非常重要。

学习过程中，肯定会遇到各种各样的问题，当你遇到问题的时候，该怎么办呢？

如果遇到相关的名词术语、方程、公式或者代码看不懂的时候该怎么办呢？

不要放弃继续，也不要立马找人问，更不要怀疑自己。你应该去 Google，维基百科等高质量的搜索引擎去搜索，自己学会去查找相关的问题解决方法。这里我要着重说一下，当然可以借助 ChatGPT 等人工智能，不过不要过分依赖，别想都没想，还没思考就赶紧去问，有的时候 GPT 给你的答案不一定准确，而因为你没有去思考过，可能就这样全盘接收了，那就走上歧路了。

那如果感到代码困难，做不出来，也是，不要轻易放弃和怀疑自己，要想尽一切办法，比如去 Stack Overflow, Github 等等上找找相似的问题代码。

那当然有感到困难的就有觉得过于简单的，觉得简单也不要放弃继续往后学，你可以跳过，不过终归还是有内容是你期望了解的。

那我现在这门课程和市面上大部分的人工智能都不相同，那些课程实际上就是跟风，将一些已经通用的解决方案整合一下打包给你，卖你个几千几万的。主打的就是一个信息差。而我现在给大家讲的，是思维，是基础，是如何去理解人工智能，属于底层建设。

AI 的岗位动不动四五十万、五六十万年薪。那其实面向的也是工程师级别，而直接拿到解决方案去凑数的人，终究最后还是会被机器淘汰。

先把能力练起来，不要让自己很被动。我要给大家编撰的这门课程，首先收获是能力，就是常见的人工智能问题自己能够提出解决方案，并且自己写代码实现。

第二，潜力。新出现的人工智能模型能够理解，而且能够自学最先进的模型与代码，这是潜力。

按照我的理解，如果大家学到这门课程，应该会是你最后一次付费的 AI 课程，我期望达到这样的水平。

你以后不要去再去学习这些了，已经具备了继续学习的潜力，这门课程可以培养出来至少符合年薪 25 万及以上公司的 ASM 岗位要求。

在这个过程中，大家其实增强了适应性，能够在这个变化的世界中更加的适应。

如果你有前面这些能力的话，记得要多多使用你自己的 Github 账号，如果你没有一定要注册一个。课程上的练习代码，作业全部都同步上去。

第二个，用你的 Linkedin,打造你的个人主页,把你的项目能力写上去。不要在 58 同城上工作，到 Linkedin 上寻找机会，基本上都是那种比较高级的职位。国内外这些大厂，都在上面去找人。

另外，你自己要能够在你的生活中，公司中，自己的实验室环境中找到能解决的项目。自己解决了之后，那么你下次要转行，换工作的时候别人这些项目就能给你加很多分。

一些问题

最后呢，给大家留下一些思考题。

• 你学习这门课的目的是什么？希望达到什么结果？

• 你达到的期望结果，有什么需要克服的苦难/劣势？

• 你达到的期望结果，有什么可以发挥的长处/优势？

• 你认为课程有什么地方可以改进？

再思考下下面几个问题：

• 人工智能、机器学习和深度之间有什么关系和异同？

• 人工智能和数学、算法与数据结构有什么关系？

• 你能给出 5 个人工智能实例，这些实例是使用了哪种方法论、范式吗？

• 你能复现出我们上一节课上的代码实例吗？

好，那我们本节课就到这里了，也到了假期了。大家好好休息，放个长假，之后，咱们下一节课要开始加强强度了。