自动驾驶是人工智能的典型应用场景。人在驾驶时容易疲惫、分心、斗气，出现事故时反应速度也不够，让机器驾驶不但让人减轻压力，同时也会更安全。 如何实现自动驾驶呢？说起来并不复杂，给汽车装上各种传感器（如图1所示），让它可以感知道路和周围的环境，将这些信息送入一个中央控制器，由控制器分析应该实施的驾驶操作
机器翻译已经取得了非常好的效果，图1给出Google翻译的一个例子。 图1：Google Translate的翻译样例 如果不细想，好像机器做翻译没什么困难的，拿一本词典一个词一个词地翻过去不就可以了吗？这也是人工智能发展初期研究者的想法。那时恰好是冷战期间，美国和苏联为了情报工作的需要，都投入重金
有学过机器人编程的同学都知道，不论是乐高还是优必选，让机器人按自己设计的方式挥挥手，跳个舞还是比较容易的，只要在编程界面下写出相应的动作语句就可以了，如“左臂旋转60度”，“往前进10厘米”等。如果创作者头脑灵活的话，完全可以创作出非常帅酷的动作。 图1：优必选Alpha机器人
如果一个人掌握的知识多一些，就会表现的更聪明，所以一个高中生穿越回唐朝也有一统天下的可能。同样，知识对于人工智能也很重要，像IBM的Watson就是因为知识丰富，才在危险边缘（Jeopardy）游戏中击败了人类，展现出强大的智能。 那么，什么是知识呢？似乎是很简单的问题，但细究起来并不容易回答。牛顿
扫地机器人已经进入千家万户，默默担起打扫卫生的重任。那么，扫地机器人是如何工作的呢？ 首先，机器人跟机器人差距还是挺大的。比如一些低端的机器人，扫地基本靠“蒙”，如图１（左）所示，低着头往前冲，直到撞着障碍物，换个方向继续冲。这种随机清扫方式显然比较低端，效率较低，如果房间小还可能，房间大了耗时就大
学过初中数学的人都知道，定理证明看起来是件非常需要动脑子的事。一般来说，绝大部分人都会觉得自己面对定理证明都会智商不够。 幸好，计算机不这么认为，至少比起听说读写来，机器更愿意去证明定理。 事情还得从亚里士多德的三段论讲起。什么是三段论呢？就是给出一个大前提，再给定一个小前提，那么可以推
继AlphaGo之后，DeepMind公司又推出了AlphaGo Zero。和他的前辈不同，AlphaGo Zero完全抛弃了人类棋谱数据，只需给出走棋规则，就可以从零开始，“自学成才”。这是如何实现的呢？ 总结起来，AlphaGo用到了如下人类数据或知识： 1. 人类棋手的16万盘棋谱。Alpha
现代搜索引擎会利用各种信息来提高搜索结果的质量，其中用户点击模型在结果排序中具有重要作用。那么什么是用户点击模型呢？ 当一个用户输入查询词之后，会根据自己的需要对搜索引擎给出的结果进行选择性点击，用户之所以会点击某个搜索结果，一定是该用户认为这个搜索结果可能对自己是有帮助的。所以，点击可以认为是用户
搜索引擎提供的搜索结果，最基础的要求是与查询词相关，另外一个要求网页足够重要。那么，搜索引擎是如何判断一个网页的重要性的呢？这要归结为一个称为PageRank的排序算法。 我们知道一个网页中往往会有一些超链接，用户点击这些链接会指向其他网页。仔细思考一下，网页设计者为什么会设计这些链接呢？这是因为被
在互联网上冲浪离不开搜索引擎，它可以帮助我们快速找到需要的内容。这是如何做到的呢？要知道，互联网上的内容多的吓人，想要在不到1秒钟内就把想要的东西找到，还同时服务大量的并发请求，想想都觉得困难。 我们通过一个小例子来理解搜索引擎背后的算法。假设有1万名学生，每个学生可以参加几个兴趣小组，每个兴趣小组
简单地说，贝叶斯网络是描述事件之间概率关系的计算模型，是机器学习中最重要方法之一。很多重要的模型，包括高斯混合模型（GMM）、隐马尔可夫模型（HMM）、主成分分析（PCA）、线性区分性分析（LDA）等都可以归结为贝叶斯网络的特殊形式。 我们知道，机器要拥有智能，自身需要拥有一定的“知识”。早期研究者
近年来人工智能领域最火爆的词无疑是“深度学习”了。所谓深度学习，可以简单理解为基于深度神经网络的学习。那么什么是深度神经网络呢？ 最直接的理解是，深度神经网络（Deep Neural Network, DNN）是层数超过三层的神经网络。例如，用于图像识别的VGGNet层数达到19层[1]，而ResN
