I learned very early the difference between knowing the name of something and knowing something. – Richard Feynman

0. 关于记号

#c 说明 关于渐沟

这里使用的记号是渐沟网站的记号，一个致力于关于推动学习系统升级网站。感兴趣可以点击这里点我点我 :)

#c 说明 关于#d

以#d 函数为例，d代表描述性材料（description），#d后面的第一个词一般代表知识名字，一般为比较抽象的话，里面包含对知识的描述。

#c 说明 关于#e

以#e 二次函数 函数为例，e代表例子（example），#e后面第一个为例子的名字，第二个为与之关联的知识的名字。

#c 说明 关于#t

以#t 知识 函数为例，t代表迁移（transfer），#t后面第一个为另一个知识的名字，第二个为和想要讲解的知识的本体，两个知识之间存在相似。

#c 说明 关于#c

以#c 事件 alphaZero击败李世石为例，c代表（custom），#c后面第一个为该段的类型，第二个为该事件的名字。

#c 说明 关于#c与#d #e #t的关系

#d 函数就相当于#c 描述 函数，#e 二次函数 函数就相当于#c 例子 函数 二次函数，#t 知识 函数就相当于#c 迁移 知识 函数。

1. AI在做什么

1.1. AI与绘画

#c 事件 AI取代画师

最近一段时间，AI绘画的热度非常高，尤其是当一些人看到AI画出的作品和人类画出的作品差距已经越来越少，于是担心AI会不会在将来取代人类画师。

#c 事件 AI与其他行业

这种事情其实之前发生过好多次。AI与汽车司机，也就是智能驾驶，比如百度的，谷歌的，以及近期在校园出现的送快递小车，都是无人驾驶。AI与配音者，如果你仔细观察现在的自媒体行业，可以发现，很多视频其实是AI在配音，比较有名的例子就是各类营销号视频的声音，大家可能都能精准识别出他们的声音。AI与科学家，前段时间的颜宁回国，因为谷歌的alphafold AI已经可以非常精准的预测蛋白质的三维结构。

#c 预测 越来越多的AI

可以想象，在未来，这种事情的发生会越来越频繁，那么，要弄清除题目中的问题，我们得看看AI在干什么？

1.2. AI在学习

#d AI在学习

AI在学习，这个词相信大家或多或少都听过，可是要弄清楚这个命题，我们首先得清除，学习是什么？

#c 建议 明确定义

学习是什么，似乎是一个很简单的问题，每个人都在学习，可是每个人所指代的都不相同，这样的定义不明确的问题在科学看来不可接受的，只有概念清晰，建立在概念之上的知识才会稳固，所以这里会简单明确下学习的定义。

#e 识别数字 学习的定义

首先我们来看一个人工智能的hello world. 也就是教一个AI如何识别数字，在AI出现之前，计算机无法识别数字，要把不同的数字图像映射到同一数字符号需要近乎无限的存储空间。为什么？想象计算机是怎么存储图像的，是靠位图（当然也有矢量图，这里我们暂且不讨论），每个位图是有限的一堆数据，然而要穷举所有代表某个数据的图像是不可能的，更何况现实世界的连续图像。所以这个时候，靠事先存储图像然后再查表得出结果，是不可能的。AI的出现，让机器识别数字成为了可能，AI通过学习图像集合和数字集合之间的关系，让输入端的每一个图像都会映射到数字集合，从而完成了从近乎无限的图像中识别出数字这一任务。

#e AI绘画 学习的定义

如果你有使用过绘画AI，那么应该很清楚AI是怎么工作的，也即你给AI关键词，AI通过他的模型，生成绘画。这里AI也是通过学习关键词和绘画之间的关系来完成任务的。

#e 学习什么是苹果 学习的定义

让我们再来看看我们是怎么学习苹果这个概念的。你生下来的时候，并不能分辨什么是苹果，什么不是苹果。随后，你见到了一个苹果，这时候，你的妈咪过来跟你说，这是苹果，紧接着你碰到了另外一个比较小的苹果，你的妈咪又告诉你这是苹果，于是随着你见的苹果越来越多，你的脑中的苹果概念越来越清晰。这里，我们通过学习不同的物体集合和是不是苹果之间的关系，来完成苹果这一概念的学习。

#d 学习的定义

所以，什么是学习，可以看到上面三个例子的学习，都是通过构建一类事物到另外一类事物之间的关系来完成学习，其中前者的一类事物基本是无限的。

#d 记忆无法应对

由于前者的一类事物是无限的，也就是有无数种情况，无法靠记忆来记住所有的关系，所以我们需要学习。

#e 加法运算 记忆无法应对

一个很典型的例子就是加法运算，加法运算的加数和被加数有无数种情况，然而，你却可以算出任意数的加法，为什么？因为你学习了，所以可以应对无限的情况。

#c 解释 1.1中的AI

看到这里，我们就能看看本文开头所说的AI都在干什么，自动驾驶通过学习路况和对汽车的操作之间的关系来完成任务，配音AI通过学习自然语言符号与不同波形的声音之间的关系来完成任务，alphafold通过学习蛋白质的一些参数（这里我也不是生物专业，或许会有不准确的地方）和蛋白质结构之间关系来完成任务。

1.3. AI取代人类

#c 预测 AI取代人类

所以，你可能觉得，AI这么强大，是不是会取代我们？要知道这个答案，我们首先要知道，我们学习的目的是什么？

2. 学习的目的

2.1. 学习的成果

#d 模型

通过以上几个例子可以看到，我们都是依靠某个东西来完成某一个任务，所以我们依靠的这个东西是什么，是模型，也是我们学习的成果。这里，模型是个集合之间的关系和两个集合，其中前一个集合称为输入空间，后一个集合称为输出空间。

#e alphafold模型 模型

以alphafold为例，输入空间是所有的参数变量，可能有人会认为输入空间是很多个变量所组成的集合，但是其实是很多个变量所组成的向量，类似于线性代数中线性空间。输出空间所以三维结构所组成的集合，模型是如何从输入空间到输出空间的关系，或者叫网络（神经网络）。

#t 函数 模型

想想我们学习的函数，一个数到另外一个数之间的关系，这里的关系指代的是函数关系，类似于模型，模型也是关系。其中定义域对应输入空间，值域对应能取到值的输出空间。

#t 傅里叶变换 模型

值得一提的是，其实傅里叶变换也有这种结构，输入空间是所有满足迪利克雷条件的一元函数（这里可能会不太准确），输出是频域的函数。

2.2. 学习是为了预测

#e 过弯道预测车速 预测

想象你在玩一个开车游戏，你是一个新手，之前你没有任何驾驶经验，你想要学会开车，然而在每次过弯的时候你都会撞到障碍物，也就是你不能顺利过弯。然而通过很多次尝试之后，你发现似乎在过弯时的速度不同，所撞的障碍物也不同，于是你猜测，车速是你需要控制量，不同的弯道在转弯时需要不同的车速。于是你不断尝试，得到很多经验进行学习，最终渐沟了一个在弯道和车速之间的模型。使你能够顺利完成过弯这一任务。

#d 预测

在上面的例子中，车速是你需要预测的量。这里模型的输出是车速，输入是不同的弯道角度。你需要使用弯道角度来预测出你需要的车速。使用输入来得出输出的这个行为就叫预测。

#e 绘画 预测

回到开始的例子，绘画中我们需要预测是什么？是所要创作的作品，那得出输出所需要依靠的，也就是输入是什么呢？答案很明显是你脑中的那个要表达的东西。

#c 疑惑 与绘画流程冲突

可是你也许会奇怪，我的绘画好像并不是这样，而是先打底稿，然后上色，经过好多步然后最终形成作品，你怎么能说直接从脑中的东西到作品呢？

2.3. 模型的组合进行预测

#c 回答 绘画AI真实流程

事实上，绘画AI确实不是一步到位的，这里的绘画AI也会分阶段进行绘画，也会打“底稿”，“上色”等。

#e 绘画任务拆解 级联模型

我们平时的绘画其实是将任务拆分成不同的步骤，然后学习每一个步骤所需要的模型，最终将模型组合在一起进行使用，最终达成预测的目的。

#d 级联模型

这里的模型是通过类似于信号与系统中的系统级联来组合使用的，所以这种组合方式我们暂且称为级联模型。

#t 复合函数 级联模型

这里的级联类似于数学中复合函数，假设有函数f(x)和g(x)，通过输入一个数，比如1，得到f(1)，然后将f(1)也就是输出作为g(x)的输入，最终得到g(f(1))。

#c 疑惑

然而，你可能又会有疑问，就只有这一种组合方式吗，no，还有。

#t 分段函数 分情况模型

从数学中推测，还有什么结构是需要不同的函数的？分段函数！一个函数由不同的关系组成，这就是我们要的第二种组合方式。

#e 不同种类文章写作 分情况模型

再看一个写作当中的例子，首先我们明确写作的输入输出，输入是脑中想要表达的对象，输出是文章。于是，我们根据脑中要表达的对象将输入空间拆分成几种不同的东西（对应分段函数中自变量的拆分），比如议论文，说明文，叙事文等等，然后分开学习。这里我们学习的是几个不同的模型。

#d 分情况模型

上面这几个不同的模型的组合方式我们暂且称为分情况模型。

#c 说明 不止如此

当然，模型的组合不知如此，本文选取两个比较有代表性的。

#t 化学的嵌套 新模型

通过模型的组合，我们可以得到新模型，类似于化学中，通过不同原子的组合我们可以得到不同的新的物质。

#c 启下 AI与我们

通过了解这些，我们回到之前的问题，AI会取代我们吗？

3. 使用AI和拒绝AI

3.1. 保持终身学习

#c 预测 越来越多的AI

通过alphaGo，alphafold，绘画AI，自动驾驶，写代码的AI，可以预测到的是未来肯定会有越来越多不同的AI出现，我们可以畅想一下那样的世界，各个产业都会迎来一波更新换代。

#d 终身学习适应变化

而上面说到AI无非是在学习，当你保持终身学习的时候，假如AI来到了你的行业，你也能很快的学习别的知识来适应这种变化。目前的时代快速发展，变化肯定会越来越快，靠以前的学一个技能过一辈子肯定是不能走通了。

#e 颜宁 终身学习适应变化

开头的例子，alphafold取代了颜宁的工作，但是颜宁肯定会找到新的工作再出发，因为科学家的再学习能力一般都是非常强的。

3.2. 使用AI

#c 决策 使用AI

通过了解学习的目的，即进行预测，可以看出来，进行预测的模型只是手段。所以，未来要利用AI的学习能力，AI的出现其实很大程度上提升了这个世界的运转效率。

#e 游戏开发 使用AI

比如，之前我想做一个游戏，需要程序，美术，音乐，策划，等等，但是想象一下，如果绘画AI高度发达，对于个人制作者来说，美术就可以依靠AI，从而大大降低个人游戏的开发难度。对企业也可以提升效率。 同时还有音乐等等，在网上也能看到教你如何利用AI编曲软件来为游戏配乐的。

3.2. 学习模型的模型

#c 决策 学习如何组合使用模型

前面讲到，可以使用模型的组合来进行预测，然而目前的AI只能在特定任务使用模型来进行预测，前面提到的绘画AI组合模型使用也是基于人类的指令。因此，学习组合模型也是一种应对措施。