2019-04-16 12:24:37 發(fā)表閱讀：118
▌總結(jié)
到了這個(gè)階段，云計(jì)算基本上實(shí)現(xiàn)了時(shí)間靈活性和空間靈活性；實(shí)現(xiàn)了計(jì)算、網(wǎng)絡(luò)、存儲(chǔ)資源的彈性。
計(jì)算、網(wǎng)絡(luò)、存儲(chǔ)我們常稱為基礎(chǔ)設(shè)施 Infranstracture, 因而這個(gè)階段的彈性稱為資源層面的彈性。
管理資源的云平臺(tái)，我們稱為基礎(chǔ)設(shè)施服務(wù)，也就是我們常聽(tīng)到的 IaaS（Infranstracture As A Service）。
▌云計(jì)算不光管資源，也要管應(yīng)用
有了 IaaS，實(shí)現(xiàn)了資源層面的彈性就夠了嗎？顯然不是，還有應(yīng)用層面的彈性。
這里舉個(gè)例子：比如說(shuō)實(shí)現(xiàn)一個(gè)電商的應(yīng)用，平時(shí)十臺(tái)機(jī)器就夠了，雙十一需要一百臺(tái)。你可能覺(jué)得很好辦啊，有了 IaaS，新創(chuàng)建九十臺(tái)機(jī)器就可以了啊。
但 90 臺(tái)機(jī)器創(chuàng)建出來(lái)是空的，電商應(yīng)用并沒(méi)有放上去，只能讓公司的運(yùn)維人員一臺(tái)一臺(tái)的弄，需要很長(zhǎng)時(shí)間才能安裝好的。
雖然資源層面實(shí)現(xiàn)了彈性，但沒(méi)有應(yīng)用層的彈性，依然靈活性是不夠的。有沒(méi)有方法解決這個(gè)問(wèn)題呢？
人們?cè)?IaaS 平臺(tái)之上又加了一層，用于管理資源以上的應(yīng)用彈性的問(wèn)題，這一層通常稱為 PaaS（Platform As A Service）。
這一層往往比較難理解，大致分兩部分：一部分筆者稱為“你自己的應(yīng)用自動(dòng)安裝”，一部分筆者稱為“通用的應(yīng)用不用安裝”。
自己的應(yīng)用自動(dòng)安裝：比如電商應(yīng)用是你自己開(kāi)發(fā)的，除了你自己，其他人是不知道怎么安裝的。
像電商應(yīng)用，安裝時(shí)需要配置支付寶或者微信的賬號(hào)，才能使別人在你的電商上買(mǎi)東西時(shí)，付的錢(qián)是打到你的賬戶里面的，除了你，誰(shuí)也不知道。
所以安裝的過(guò)程平臺(tái)幫不了忙，但能夠幫你做得自動(dòng)化，你需要做一些工作，將自己的配置信息融入到自動(dòng)化的安裝過(guò)程中方可。
比如上面的例子，雙十一新創(chuàng)建出來(lái)的 90 臺(tái)機(jī)器是空的，如果能夠提供一個(gè)工具，能夠自動(dòng)在這新的 90 臺(tái)機(jī)器上將電商應(yīng)用安裝好，就能夠?qū)崿F(xiàn)應(yīng)用層面的真正彈性。
例如 Puppet、Chef、Ansible、Cloud Foundary 都可以干這件事情，最新的容器技術(shù) Docker 能更好的干這件事情。
通用的應(yīng)用不用安裝：所謂通用的應(yīng)用，一般指一些復(fù)雜性比較高，但大家都在用的，例如數(shù)據(jù)庫(kù)。幾乎所有的應(yīng)用都會(huì)用數(shù)據(jù)庫(kù)，但數(shù)據(jù)庫(kù)軟件是標(biāo)準(zhǔn)的，雖然安裝和維護(hù)比較復(fù)雜，但無(wú)論誰(shuí)安裝都是一樣。
這樣的應(yīng)用可以變成標(biāo)準(zhǔn)的 PaaS 層的應(yīng)用放在云平臺(tái)的界面上。當(dāng)用戶需要一個(gè)數(shù)據(jù)庫(kù)時(shí)，一點(diǎn)就出來(lái)了，用戶就可以直接用了。
有人問(wèn)，既然誰(shuí)安裝都一個(gè)樣，那我自己來(lái)好了，不需要花錢(qián)在云平臺(tái)上買(mǎi)。當(dāng)然不是，數(shù)據(jù)庫(kù)是一個(gè)非常難的東西，光 Oracle 這家公司，靠數(shù)據(jù)庫(kù)就能賺這么多錢(qián)。買(mǎi) Oracle 也是要花很多錢(qián)的。
然而大多數(shù)云平臺(tái)會(huì)提供 MySQL 這樣的開(kāi)源數(shù)據(jù)庫(kù)，又是開(kāi)源，錢(qián)不需要花這么多了。
但維護(hù)這個(gè)數(shù)據(jù)庫(kù)，卻需要專門(mén)招一個(gè)很大的團(tuán)隊(duì)，如果這個(gè)數(shù)據(jù)庫(kù)能夠優(yōu)化到能夠支撐雙十一，也不是一年兩年能夠搞定的。
比如您是一個(gè)做單車的，當(dāng)然沒(méi)必要招一個(gè)非常大的數(shù)據(jù)庫(kù)團(tuán)隊(duì)來(lái)干這件事情，成本太高了，應(yīng)該交給云平臺(tái)來(lái)做這件事情。
專業(yè)的事情專業(yè)的人來(lái)做，云平臺(tái)專門(mén)養(yǎng)了幾百人維護(hù)這套系統(tǒng)，您只要專注于您的單車應(yīng)用就可以了。
要么是自動(dòng)部署，要么是不用部署，總的來(lái)說(shuō)就是應(yīng)用層你也要少操心，這就是 PaaS 層的重要作用。
雖說(shuō)腳本的方式能夠解決自己的應(yīng)用的部署問(wèn)題，然而不同的環(huán)境千差萬(wàn)別，一個(gè)腳本往往在一個(gè)環(huán)境上運(yùn)行正確，到另一個(gè)環(huán)境就不正確了。
而容器是能更好地解決這個(gè)問(wèn)題。
容器是 Container，Container 另一個(gè)意思是集裝箱，其實(shí)容器的思想就是要變成軟件交付的集裝箱。集裝箱的特點(diǎn)：一是封裝，二是標(biāo)準(zhǔn)。
在沒(méi)有集裝箱的時(shí)代，假設(shè)將貨物從 A 運(yùn)到 B，中間要經(jīng)過(guò)三個(gè)碼頭、換三次船。
每次都要將貨物卸下船來(lái)，擺得七零八落，然后搬上船重新整齊擺好。因此在沒(méi)有集裝箱時(shí)，每次換船，船員們都要在岸上待幾天才能走。
有了集裝箱以后，所有的貨物都打包在一起了，并且集裝箱的尺寸全部一致，所以每次換船時(shí)，一個(gè)箱子整體搬過(guò)去就行了，小時(shí)級(jí)別就能完成，船員再也不用上岸長(zhǎng)時(shí)間耽擱了。
這是集裝箱“封裝”、“標(biāo)準(zhǔn)”兩大特點(diǎn)在生活中的應(yīng)用。
那么容器如何對(duì)應(yīng)用打包呢？還是要學(xué)習(xí)集裝箱。首先要有個(gè)封閉的環(huán)境，將貨物封裝起來(lái)，讓貨物之間互不干擾、互相隔離，這樣裝貨卸貨才方便。好在 Ubuntu 中的 LXC 技術(shù)早就能做到這一點(diǎn)。
封閉的環(huán)境主要使用了兩種技術(shù)：
看起來(lái)是隔離的技術(shù)，稱為 Namespace，也即每個(gè) Namespace 中的應(yīng)用看到的是不同的 IP 地址、用戶空間、程號(hào)等。
用起來(lái)是隔離的技術(shù)，稱為 Cgroups，也即明明整臺(tái)機(jī)器有很多的 CPU、內(nèi)存，而一個(gè)應(yīng)用只能用其中的一部分。
所謂的鏡像，就是將你焊好集裝箱的那一刻，將集裝箱的狀態(tài)保存下來(lái)，就像孫悟空說(shuō)：“定”，集裝箱里面就定在了那一刻，然后將這一刻的狀態(tài)保存成一系列文件。
這些文件的格式是標(biāo)準(zhǔn)的，誰(shuí)看到這些文件都能還原當(dāng)時(shí)定住的那個(gè)時(shí)刻。將鏡像還原成運(yùn)行時(shí)的過(guò)程（就是讀取鏡像文件，還原那個(gè)時(shí)刻的過(guò)程），就是容器運(yùn)行的過(guò)程。
有了容器，使得 PaaS 層對(duì)于用戶自身應(yīng)用的自動(dòng)部署變得快速而優(yōu)雅。
▌大數(shù)據(jù)擁抱云計(jì)算
在 PaaS 層中一個(gè)復(fù)雜的通用應(yīng)用就是大數(shù)據(jù)平臺(tái)。大數(shù)據(jù)是如何一步一步融入云計(jì)算的呢？
▌數(shù)據(jù)不大也包含智慧
一開(kāi)始這個(gè)大數(shù)據(jù)并不大。原來(lái)才有多少數(shù)據(jù)？現(xiàn)在大家都去看電子書(shū)，上網(wǎng)看新聞了，在我們 80 后小時(shí)候，信息量沒(méi)有那么大，也就看看書(shū)、看看報(bào)，一個(gè)星期的報(bào)紙加起來(lái)才有多少字？
如果你不在一個(gè)大城市，一個(gè)普通的學(xué)校的圖書(shū)館加起來(lái)也沒(méi)幾個(gè)書(shū)架，是后來(lái)隨著信息化的到來(lái)，信息才會(huì)越來(lái)越多。
首先我們來(lái)看一下大數(shù)據(jù)里面的數(shù)據(jù)，就分三種類型：
數(shù)據(jù)本身沒(méi)有什么用處，但數(shù)據(jù)里面包含一個(gè)很重要的東西，叫做信息（Information）。
數(shù)據(jù)十分雜亂，經(jīng)過(guò)梳理和清洗，才能夠稱為信息。信息會(huì)包含很多規(guī)律，我們需要從信息中將規(guī)律總結(jié)出來(lái)，稱為知識(shí)（Knowledge），而知識(shí)改變命運(yùn)。
信息是很多的，但有人看到了信息相當(dāng)于白看，但有人就從信息中看到了電商的未來(lái)，有人看到了直播的未來(lái)，所以人家就牛了。
如果你沒(méi)有從信息中提取出知識(shí)，天天看朋友圈也只能在互聯(lián)網(wǎng)滾滾大潮中做個(gè)看客。
有了知識(shí)，然后利用這些知識(shí)去應(yīng)用于實(shí)戰(zhàn)，有的人會(huì)做得非常好，這個(gè)東西叫做智慧（Intelligence）。
有知識(shí)并不一定有智慧，例如好多學(xué)者很有知識(shí)，已經(jīng)發(fā)生的事情可以從各個(gè)角度分析得頭頭是道，但一到實(shí)干就歇菜，并不能轉(zhuǎn)化成為智慧。
而很多的創(chuàng)業(yè)家之所以偉大，就是通過(guò)獲得的知識(shí)應(yīng)用于實(shí)踐，最后做了很大的生意。
所以數(shù)據(jù)的應(yīng)用分這四個(gè)步驟：數(shù)據(jù)、信息、知識(shí)、智慧。
最終的階段是很多商家都想要的。你看我收集了這么多的數(shù)據(jù)，能不能基于這些數(shù)據(jù)來(lái)幫我做下一步的決策，改善我的產(chǎn)品。
例如讓用戶看視頻的時(shí)候旁邊彈出廣告，正好是他想買(mǎi)的東西；再如讓用戶聽(tīng)音樂(lè)時(shí)，另外推薦一些他非常想聽(tīng)的其他音樂(lè)。
用戶在我的應(yīng)用或者網(wǎng)站上隨便點(diǎn)點(diǎn)鼠標(biāo)，輸入文字對(duì)我來(lái)說(shuō)都是數(shù)據(jù)，我就是要將其中某些東西提取出來(lái)、指導(dǎo)實(shí)踐、形成智慧，讓用戶陷入到我的應(yīng)用里面不可自拔，上了我的網(wǎng)就不想離開(kāi)，手不停地點(diǎn)、不停地買(mǎi)。
很多人說(shuō)雙十一我都想斷網(wǎng)了，我老婆在上面不斷地買(mǎi)買(mǎi)買(mǎi)，買(mǎi)了 A 又推薦 B，老婆大人說(shuō)，“哎呀，B 也是我喜歡的啊，老公我要買(mǎi)”。
你說(shuō)這個(gè)程序怎么這么牛，這么有智慧，比我還了解我老婆，這件事情是怎么做到的呢？
▌數(shù)據(jù)如何升華為智慧
數(shù)據(jù)的處理分以下幾個(gè)步驟，完成了才最后會(huì)有智慧：
▌數(shù)據(jù)收集
首先得有數(shù)據(jù)，數(shù)據(jù)的收集有兩個(gè)方式：
比如說(shuō)新浪有個(gè)新聞，你拿百度搜出來(lái)，你不點(diǎn)的時(shí)候，那一頁(yè)在百度數(shù)據(jù)中心，一點(diǎn)出來(lái)的網(wǎng)頁(yè)就是在新浪的數(shù)據(jù)中心了。
▌數(shù)據(jù)傳輸
一般會(huì)通過(guò)隊(duì)列方式進(jìn)行，因?yàn)閿?shù)據(jù)量實(shí)在是太大了，數(shù)據(jù)必須經(jīng)過(guò)處理才會(huì)有用。可系統(tǒng)處理不過(guò)來(lái)，只好排好隊(duì)，慢慢處理。
▌數(shù)據(jù)存儲(chǔ)
現(xiàn)在數(shù)據(jù)就是金錢(qián)，掌握了數(shù)據(jù)就相當(dāng)于掌握了錢(qián)。要不然網(wǎng)站怎么知道你想買(mǎi)什么？
就是因?yàn)樗心銡v史的交易數(shù)據(jù)，這個(gè)信息可不能給別人，十分寶貴，所以需要存儲(chǔ)下來(lái)。
▌數(shù)據(jù)處理和分析
上面存儲(chǔ)的數(shù)據(jù)是原始數(shù)據(jù)，原始數(shù)據(jù)多是雜亂無(wú)章的，有很多垃圾數(shù)據(jù)在里面，因而需要清洗和過(guò)濾，得到一些高質(zhì)量的數(shù)據(jù)。
對(duì)于高質(zhì)量的數(shù)據(jù)，就可以進(jìn)行分析，從而對(duì)數(shù)據(jù)進(jìn)行分類，或者發(fā)現(xiàn)數(shù)據(jù)之間的相互關(guān)系，得到知識(shí)。
比如盛傳的沃爾瑪超市的啤酒和尿布的故事，就是通過(guò)對(duì)人們的購(gòu)買(mǎi)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)了男人一般買(mǎi)尿布的時(shí)候，會(huì)同時(shí)購(gòu)買(mǎi)啤酒。
這樣就發(fā)現(xiàn)了啤酒和尿布之間的相互關(guān)系，獲得知識(shí)，然后應(yīng)用到實(shí)踐中，將啤酒和尿布的柜臺(tái)弄的很近，就獲得了智慧。
▌數(shù)據(jù)檢索和挖掘
檢索就是搜索，所謂外事不決問(wèn) Google，內(nèi)事不決問(wèn)百度。內(nèi)外兩大搜索引擎都是將分析后的數(shù)據(jù)放入搜索引擎，因此人們想尋找信息的時(shí)候，一搜就有了。
另外就是挖掘，僅僅搜索出來(lái)已經(jīng)不能滿足人們的要求了，還需要從信息中挖掘出相互的關(guān)系。
比如財(cái)經(jīng)搜索，當(dāng)搜索某個(gè)公司股票的時(shí)候，該公司的高管是不是也應(yīng)該被挖掘出來(lái)呢？
如果僅僅搜索出這個(gè)公司的股票發(fā)現(xiàn)漲的特別好，于是你就去買(mǎi)了，其時(shí)其高管發(fā)了一個(gè)聲明，對(duì)股票十分不利，第二天就跌了，這不坑害廣大股民么？所以通過(guò)各種算法挖掘數(shù)據(jù)中的關(guān)系，形成知識(shí)庫(kù)，十分重要。
▌大數(shù)據(jù)時(shí)代，眾人拾柴火焰高
當(dāng)數(shù)據(jù)量很小時(shí)，很少的幾臺(tái)機(jī)器就能解決。慢慢的，當(dāng)數(shù)據(jù)量越來(lái)越大，最牛的服務(wù)器都解決不了問(wèn)題時(shí)，怎么辦呢？
這時(shí)就要聚合多臺(tái)機(jī)器的力量，大家齊心協(xié)力一起把這個(gè)事搞定，眾人拾柴火焰高。
對(duì)于數(shù)據(jù)的收集：就 IoT 來(lái)講，外面部署著成千上萬(wàn)的檢測(cè)設(shè)備，將大量的溫度、濕度、監(jiān)控、電力等數(shù)據(jù)統(tǒng)統(tǒng)收集上來(lái)；就互聯(lián)網(wǎng)網(wǎng)頁(yè)的搜索引擎來(lái)講，需要將整個(gè)互聯(lián)網(wǎng)所有的網(wǎng)頁(yè)都下載下來(lái)。
這顯然一臺(tái)機(jī)器做不到，需要多臺(tái)機(jī)器組成網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)，每臺(tái)機(jī)器下載一部分，同時(shí)工作，才能在有限的時(shí)間內(nèi)，將海量的網(wǎng)頁(yè)下載完畢。
對(duì)于數(shù)據(jù)的傳輸：一個(gè)內(nèi)存里面的隊(duì)列肯定會(huì)被大量的數(shù)據(jù)擠爆掉，于是就產(chǎn)生了基于硬盤(pán)的分布式隊(duì)列，這樣隊(duì)列可以多臺(tái)機(jī)器同時(shí)傳輸，隨你數(shù)據(jù)量多大，只要我的隊(duì)列足夠多，管道足夠粗，就能夠撐得住。
對(duì)于數(shù)據(jù)的存儲(chǔ)：一臺(tái)機(jī)器的文件系統(tǒng)肯定是放不下的，所以需要一個(gè)很大的分布式文件系統(tǒng)來(lái)做這件事情，把多臺(tái)機(jī)器的硬盤(pán)打成一塊大的文件系統(tǒng)。
對(duì)于數(shù)據(jù)的分析：可能需要對(duì)大量的數(shù)據(jù)做分解、統(tǒng)計(jì)、匯總，一臺(tái)機(jī)器肯定搞不定，處理到猴年馬月也分析不完。
于是就有分布式計(jì)算的方法，將大量的數(shù)據(jù)分成小份，每臺(tái)機(jī)器處理一小份，多臺(tái)機(jī)器并行處理，很快就能算完。
例如著名的 Terasort 對(duì) 1 個(gè) TB 的數(shù)據(jù)排序，相當(dāng)于 1000G，如果單機(jī)處理，怎么也要幾個(gè)小時(shí)，但并行處理 209 秒就完成了。
所以說(shuō)什么叫做大數(shù)據(jù)？說(shuō)白了就是一臺(tái)機(jī)器干不完，大家一起干。
可是隨著數(shù)據(jù)量越來(lái)越大，很多不大的公司都需要處理相當(dāng)多的數(shù)據(jù)，這些小公司沒(méi)有這么多機(jī)器可怎么辦呢？
▌大數(shù)據(jù)需要云計(jì)算，云計(jì)算需要大數(shù)據(jù)
說(shuō)到這里，大家想起云計(jì)算了吧。當(dāng)想要干這些活時(shí)，需要很多的機(jī)器一塊做，真的是想什么時(shí)候要就什么時(shí)候要，想要多少就要多少。
例如大數(shù)據(jù)分析公司的財(cái)務(wù)情況，可能一周分析一次，如果要把這一百臺(tái)機(jī)器或者一千臺(tái)機(jī)器都在那放著，一周用一次非常浪費(fèi)。
那能不能需要計(jì)算的時(shí)候，把這一千臺(tái)機(jī)器拿出來(lái)；不算的時(shí)候，讓這一千臺(tái)機(jī)器去干別的事情？
誰(shuí)能做這個(gè)事兒呢？只有云計(jì)算，可以為大數(shù)據(jù)的運(yùn)算提供資源層的靈活性。
而云計(jì)算也會(huì)部署大數(shù)據(jù)放到它的 PaaS 平臺(tái)上，作為一個(gè)非常非常重要的通用應(yīng)用。
因?yàn)榇髷?shù)據(jù)平臺(tái)能夠使得多臺(tái)機(jī)器一起干一個(gè)事兒，這個(gè)東西不是一般人能開(kāi)發(fā)出來(lái)的，也不是一般人玩得轉(zhuǎn)的，怎么也得雇個(gè)幾十上百號(hào)人才能把這個(gè)玩起來(lái)。
所以說(shuō)就像數(shù)據(jù)庫(kù)一樣，還是需要有一幫專業(yè)的人來(lái)玩這個(gè)東西。現(xiàn)在公有云上基本上都會(huì)有大數(shù)據(jù)的解決方案了。
一個(gè)小公司需要大數(shù)據(jù)平臺(tái)的時(shí)候，不需要采購(gòu)一千臺(tái)機(jī)器，只要到公有云上一點(diǎn)，這一千臺(tái)機(jī)器都出來(lái)了，并且上面已經(jīng)部署好了的大數(shù)據(jù)平臺(tái)，只要把數(shù)據(jù)放進(jìn)去算就可以了。
云計(jì)算需要大數(shù)據(jù)，大數(shù)據(jù)需要云計(jì)算，二者就這樣結(jié)合了。
▌人工智能擁抱大數(shù)據(jù)
機(jī)器什么時(shí)候才能懂人心
雖說(shuō)有了大數(shù)據(jù)，人的欲望卻不能夠滿足。雖說(shuō)在大數(shù)據(jù)平臺(tái)里面有搜索引擎這個(gè)東西，想要什么東西一搜就出來(lái)了。
但也存在這樣的情況：我想要的東西不會(huì)搜，表達(dá)不出來(lái)，搜索出來(lái)的又不是我想要的。
例如音樂(lè)軟件推薦了一首歌，這首歌我沒(méi)聽(tīng)過(guò)，當(dāng)然不知道名字，也沒(méi)法搜。但是軟件推薦給我，我的確喜歡，這就是搜索做不到的事情。
當(dāng)人們使用這種應(yīng)用時(shí)，會(huì)發(fā)現(xiàn)機(jī)器知道我想要什么，而不是說(shuō)當(dāng)我想要時(shí)，去機(jī)器里面搜索。這個(gè)機(jī)器真像我的朋友一樣懂我，這就有點(diǎn)人工智能的意思了。
人們很早就在想這個(gè)事情了。最早的時(shí)候，人們想象，要是有一堵墻，墻后面是個(gè)機(jī)器，我給它說(shuō)話，它就給我回應(yīng)。
如果我感覺(jué)不出它那邊是人還是機(jī)器，那它就真的是一個(gè)人工智能的東西了。
讓機(jī)器學(xué)會(huì)推理
怎么才能做到這一點(diǎn)呢？人們就想：我首先要告訴計(jì)算機(jī)人類推理的能力。你看人重要的是什么？人和動(dòng)物的區(qū)別在什么？就是能推理。
要是把我這個(gè)推理的能力告訴機(jī)器，讓機(jī)器根據(jù)你的提問(wèn)，推理出相應(yīng)的回答，這樣多好？
其實(shí)目前人們慢慢地讓機(jī)器能夠做到一些推理了，例如證明數(shù)學(xué)公式。這是一個(gè)非常讓人驚喜的一個(gè)過(guò)程，機(jī)器竟然能夠證明數(shù)學(xué)公式。
但慢慢又發(fā)現(xiàn)這個(gè)結(jié)果也沒(méi)有那么令人驚喜。因?yàn)榇蠹野l(fā)現(xiàn)了一個(gè)問(wèn)題：數(shù)學(xué)公式非常嚴(yán)謹(jǐn)，推理過(guò)程也非常嚴(yán)謹(jǐn)，而且數(shù)學(xué)公式很容易拿機(jī)器來(lái)進(jìn)行表達(dá)，程序也相對(duì)容易表達(dá)。
然而人類的語(yǔ)言就沒(méi)這么簡(jiǎn)單了。比如今天晚上，你和你女朋友約會(huì)，你女朋友說(shuō)：如果你早來(lái)，我沒(méi)來(lái)，你等著；如果我早來(lái)，你沒(méi)來(lái)，你等著！
這個(gè)機(jī)器就比較難理解了，但人都懂。所以你和女朋友約會(huì)，是不敢遲到的。
教給機(jī)器知識(shí)
因此，僅僅告訴機(jī)器嚴(yán)格的推理是不夠的，還要告訴機(jī)器一些知識(shí)。但告訴機(jī)器知識(shí)這個(gè)事情，一般人可能就做不來(lái)了?？赡軐＜铱梢?，比如語(yǔ)言領(lǐng)域的專家或者財(cái)經(jīng)領(lǐng)域的專家。
語(yǔ)言領(lǐng)域和財(cái)經(jīng)領(lǐng)域知識(shí)能不能表示成像數(shù)學(xué)公式一樣稍微嚴(yán)格點(diǎn)呢？例如語(yǔ)言專家可能會(huì)總結(jié)出主謂賓定狀補(bǔ)這些語(yǔ)法規(guī)則，主語(yǔ)后面一定是謂語(yǔ)，謂語(yǔ)后面一定是賓語(yǔ)，將這些總結(jié)出來(lái)，并嚴(yán)格表達(dá)出來(lái)不就行了嗎？
后來(lái)發(fā)現(xiàn)這個(gè)不行，太難總結(jié)了，語(yǔ)言表達(dá)千變?nèi)f化。就拿主謂賓的例子，很多時(shí)候在口語(yǔ)里面就省略了謂語(yǔ)，別人問(wèn)：你誰(shuí)??？我回答：我劉超。
但你不能規(guī)定在語(yǔ)音語(yǔ)義識(shí)別時(shí)，要求對(duì)著機(jī)器說(shuō)標(biāo)準(zhǔn)的書(shū)面語(yǔ)，這樣還是不夠智能，就像羅永浩在一次演講中說(shuō)的那樣，每次對(duì)著手機(jī)，用書(shū)面語(yǔ)說(shuō)：請(qǐng)幫我呼叫某某某，這是一件很尷尬的事情。
人工智能這個(gè)階段叫做專家系統(tǒng)。專家系統(tǒng)不易成功，一方面是知識(shí)比較難總結(jié)，另一方面總結(jié)出來(lái)的知識(shí)難以教給計(jì)算機(jī)。
因?yàn)槟阕约哼€迷迷糊糊，覺(jué)得似乎有規(guī)律，就是說(shuō)不出來(lái)，又怎么能夠通過(guò)編程教給計(jì)算機(jī)呢？
算了，教不會(huì)你自己學(xué)吧
于是人們想到：機(jī)器是和人完全不一樣的物種，干脆讓機(jī)器自己學(xué)習(xí)好了。
機(jī)器怎么學(xué)習(xí)呢？既然機(jī)器的統(tǒng)計(jì)能力這么強(qiáng)，基于統(tǒng)計(jì)學(xué)習(xí)，一定能從大量的數(shù)字中發(fā)現(xiàn)一定的規(guī)律。
其實(shí)在娛樂(lè)圈有很好的一個(gè)例子，可窺一斑：
有一位網(wǎng)友統(tǒng)計(jì)了知名歌手在大陸發(fā)行的 9 張專輯中 117 首歌曲的歌詞，同一詞語(yǔ)在一首歌出現(xiàn)只算一次，形容詞、名詞和動(dòng)詞的前十名如下表所示（詞語(yǔ)后面的數(shù)字是出現(xiàn)的次數(shù)）：
如果我們隨便寫(xiě)一串?dāng)?shù)字，然后按照數(shù)位依次在形容詞、名詞和動(dòng)詞中取出一個(gè)詞，連在一起會(huì)怎么樣呢？
例如取圓周率 3.1415926，對(duì)應(yīng)的詞語(yǔ)是：堅(jiān)強(qiáng)，路，飛，自由，雨，埋，迷惘。
稍微連接和潤(rùn)色一下：
是不是有點(diǎn)感覺(jué)了？當(dāng)然，真正基于統(tǒng)計(jì)的學(xué)習(xí)算法比這個(gè)簡(jiǎn)單的統(tǒng)計(jì)復(fù)雜得多。
然而統(tǒng)計(jì)學(xué)習(xí)比較容易理解簡(jiǎn)單的相關(guān)性：例如一個(gè)詞和另一個(gè)詞總是一起出現(xiàn)，兩個(gè)詞應(yīng)該有關(guān)系；而無(wú)法表達(dá)復(fù)雜的相關(guān)性。
并且統(tǒng)計(jì)方法的公式往往非常復(fù)雜，為了簡(jiǎn)化計(jì)算，常常做出各種獨(dú)立性的假設(shè)，來(lái)降低公式的計(jì)算難度，然而現(xiàn)實(shí)生活中，具有獨(dú)立性的事件是相對(duì)較少的。
模擬大腦的工作方式
于是人類開(kāi)始從機(jī)器的世界，反思人類的世界是怎么工作的。
人類的腦子里面不是存儲(chǔ)著大量的規(guī)則，也不是記錄著大量的統(tǒng)計(jì)數(shù)據(jù)，而是通過(guò)神經(jīng)元的觸發(fā)實(shí)現(xiàn)的。
每個(gè)神經(jīng)元有從其他神經(jīng)元的輸入，當(dāng)接收到輸入時(shí)，會(huì)產(chǎn)生一個(gè)輸出來(lái)刺激其他神經(jīng)元。于是大量的神經(jīng)元相互反應(yīng)，最終形成各種輸出的結(jié)果。
例如當(dāng)人們看到美女瞳孔會(huì)放大，絕不是大腦根據(jù)身材比例進(jìn)行規(guī)則判斷，也不是將人生中看過(guò)的所有的美女都統(tǒng)計(jì)一遍，而是神經(jīng)元從視網(wǎng)膜觸發(fā)到大腦再回到瞳孔。
在這個(gè)過(guò)程中，其實(shí)很難總結(jié)出每個(gè)神經(jīng)元對(duì)最終的結(jié)果起到了哪些作用，反正就是起作用了。
于是人們開(kāi)始用一個(gè)數(shù)學(xué)單元模擬神經(jīng)元。
這個(gè)神經(jīng)元有輸入，有輸出，輸入和輸出之間通過(guò)一個(gè)公式來(lái)表示，輸入根據(jù)重要程度不同(權(quán)重)，影響著輸出。
于是將 n 個(gè)神經(jīng)元通過(guò)像一張神經(jīng)網(wǎng)絡(luò)一樣連接在一起。n 這個(gè)數(shù)字可以很大很大，所有的神經(jīng)元可以分成很多列，每一列很多個(gè)排列起來(lái)。
每個(gè)神經(jīng)元對(duì)于輸入的權(quán)重可以都不相同，從而每個(gè)神經(jīng)元的公式也不相同。當(dāng)人們從這張網(wǎng)絡(luò)中輸入一個(gè)東西的時(shí)候，希望輸出一個(gè)對(duì)人類來(lái)講正確的結(jié)果。
例如上面的例子，輸入一個(gè)寫(xiě)著 2 的圖片，輸出的列表里面第二個(gè)數(shù)字最大，其實(shí)從機(jī)器來(lái)講，它既不知道輸入的這個(gè)圖片寫(xiě)的是 2，也不知道輸出的這一系列數(shù)字的意義，沒(méi)關(guān)系，人知道意義就可以了。
正如對(duì)于神經(jīng)元來(lái)說(shuō)，他們既不知道視網(wǎng)膜看到的是美女，也不知道瞳孔放大是為了看的清楚，反正看到美女，瞳孔放大了，就可以了。
對(duì)于任何一張神經(jīng)網(wǎng)絡(luò)，誰(shuí)也不敢保證輸入是 2，輸出一定是第二個(gè)數(shù)字最大，要保證這個(gè)結(jié)果，需要訓(xùn)練和學(xué)習(xí)。
畢竟看到美女而瞳孔放大也是人類很多年進(jìn)化的結(jié)果。學(xué)習(xí)的過(guò)程就是，輸入大量的圖片，如果結(jié)果不是想要的結(jié)果，則進(jìn)行調(diào)整。
如何調(diào)整呢？就是每個(gè)神經(jīng)元的每個(gè)權(quán)重都向目標(biāo)進(jìn)行微調(diào)，由于神經(jīng)元和權(quán)重實(shí)在是太多了，所以整張網(wǎng)絡(luò)產(chǎn)生的結(jié)果很難表現(xiàn)出非此即彼的結(jié)果，而是向著結(jié)果微微地進(jìn)步，最終能夠達(dá)到目標(biāo)結(jié)果。
當(dāng)然，這些調(diào)整的策略還是非常有技巧的，需要算法的高手來(lái)仔細(xì)的調(diào)整。正如人類見(jiàn)到美女，瞳孔一開(kāi)始沒(méi)有放大到能看清楚，于是美女跟別人跑了，下次學(xué)習(xí)的結(jié)果是瞳孔放大一點(diǎn)點(diǎn)，而不是放大鼻孔。
沒(méi)道理但做得到
聽(tīng)起來(lái)也沒(méi)有那么有道理，但的確能做到，就是這么任性！
神經(jīng)網(wǎng)絡(luò)的普遍性定理是這樣說(shuō)的，假設(shè)某個(gè)人給你某種復(fù)雜奇特的函數(shù)，f(x)：
不管這個(gè)函數(shù)是什么樣的，總會(huì)確保有個(gè)神經(jīng)網(wǎng)絡(luò)能夠?qū)θ魏慰赡艿妮斎?x，其值 f(x)（或者某個(gè)能夠準(zhǔn)確的近似）是神經(jīng)網(wǎng)絡(luò)的輸出。
如果在函數(shù)代表著規(guī)律，也意味著這個(gè)規(guī)律無(wú)論多么奇妙，多么不能理解，都是能通過(guò)大量的神經(jīng)元，通過(guò)大量權(quán)重的調(diào)整，表示出來(lái)的。
人工智能的經(jīng)濟(jì)學(xué)解釋
這讓我想到了經(jīng)濟(jì)學(xué)，于是比較容易理解了。
我們把每個(gè)神經(jīng)元當(dāng)成社會(huì)中從事經(jīng)濟(jì)活動(dòng)的個(gè)體。于是神經(jīng)網(wǎng)絡(luò)相當(dāng)于整個(gè)經(jīng)濟(jì)社會(huì)，每個(gè)神經(jīng)元對(duì)于社會(huì)的輸入，都有權(quán)重的調(diào)整，做出相應(yīng)的輸出。
比如工資漲了、菜價(jià)漲了、股票跌了，我應(yīng)該怎么辦、怎么花自己的錢(qián)。這里面沒(méi)有規(guī)律么？肯定有，但是具體什么規(guī)律呢？很難說(shuō)清楚。
基于專家系統(tǒng)的經(jīng)濟(jì)屬于計(jì)劃經(jīng)濟(jì)。整個(gè)經(jīng)濟(jì)規(guī)律的表示不希望通過(guò)每個(gè)經(jīng)濟(jì)個(gè)體的獨(dú)立決策表現(xiàn)出來(lái)，而是希望通過(guò)專家的高屋建瓴和遠(yuǎn)見(jiàn)卓識(shí)總結(jié)出來(lái)。但專家永遠(yuǎn)不可能知道哪個(gè)城市的哪個(gè)街道缺少一個(gè)賣甜豆腐腦的。
于是專家說(shuō)應(yīng)該產(chǎn)多少鋼鐵、產(chǎn)多少饅頭，往往距離人民生活的真正需求有較大的差距，就算整個(gè)計(jì)劃書(shū)寫(xiě)個(gè)幾百頁(yè)，也無(wú)法表達(dá)隱藏在人民生活中的小規(guī)律。
石經(jīng)理：13802408432盧經(jīng)理：18122448016
