我最近在股票量化交易的策略制定中第一次使用了支持向量机，支持向量机在Python语言中已经被写进了机器学习程序库，直接拿出来调用就可以。
支持向量机算法是Python机器学习算法中重要的一部分，它可以对大量数据进行分类和预测，可以在没有人类监督的情况下进行自我学习，因此股票分析中常用支持向量机的回归算法来预测指数。
当我开始使用支持向量机时感到这种工具十分方便，只要把影响股票价格的因子赋给训练集进行学习，机器就会自主得进行股票价格回归分析，省去了一系列人为的干扰因素，也让我感到人工智能的方便。
有些人担心人工智能会像我们所知道的那样终结文明，另一些人则认为它可以解决所有问题。
几年前人们认为用电脑挑战中国古代棋类游戏“围棋”的专业棋手都是徒劳的，人们认为人类会轻而易举地获胜。在国际象棋、国际跳棋和西洋双陆棋中，机器可能打败了最优秀人类对手，但围棋的复杂性和微妙性被认为是它与众不同的地方。人类的优越感在AlphaGo与李世石的对决中破灭了。在首尔的一场比赛中，AlphaGo程序以4比1的比分击败了韩国的李世石。李世石被广泛认为是世界上最优秀的棋手。
AlphaGo的胜利令许多围棋爱好者感到震惊，但它也进一步证明了一种被称为深度学习的人工智能(AI)技术的威力。在谷歌伦敦子公司DeepMind设计的AlphaGo中，有问题的数据集对棋盘配置进行编码，用于选择软件的获胜棋路。但是数据可以有很多种形式，在过去的几年里，这项技术已经被用于自动化许多其他传统程序难以完成的任务，包括识别图像、识别语音甚至驾驶汽车。
如今强大的计算机硬件、几乎无限的在线数据，以及更好的算法，使得深度学习变得切实可行，这重新激发了人们对人工智能的兴趣。在某种程度上，它也引发了人们对该技术可能构成的威胁的新讨论，就如电影中威胁人类生存的终结者。
物理学家斯蒂芬·霍金曾在警告称，人工智能可能意味着人类的终结。但它也带来了来自不同行业的巨额资金注入，许多高科技公司投资生产移动设备和其他具有更多智能功能和类似人类品质的消费品。在1980年代开始，人工智能领域还没有万维网，那时大数据时代也没有到来，要想得到一大批数据很难,并且很多数据没法被机器识别。
但是现在不同了，不仅可以轻易得到海量数据，而且随着计算机计算速度的提升，处理海量数据已经不是问题，另外各种各样的数据也都能被机器识别了，比如人脸就是一种数据，但是以前的机器无法识别人脸数据，直到现在由于人工智能的大幅度发展，人脸识别技术已经走向大规模使用。
人工神经元堪比人脑神经元
人工智能包括研究如何制造机器来模拟智能的各个方面。
一些科学家认为主要目标是实现类人智能，而另一些人的目标，如福尔斯所说，是“做得更多更好”。1956年，人工智能在新罕布什尔州的一个科学研讨会上正式诞生并催生了许多创造机器智能的方法。心理学家Frank Rosenblatt在20世纪50年代和60年代在一种被称为感知器的机械大脑中首次证明了神经网络是深度学习的基础。
神经网络由被称为单元的模拟神经元组成，这些单元按层排列。就像真正的神经元一样，每个单元都与相邻层中的其它几个单元相连，每个连接都有各自的权重。一个单位只会发送信号，换句话说，当上一层的加权信号之和超过某个阈值时，才会向下一层发送信号。
其思想是在输入处的某些数据集组生成特定的输出。换句话说，这些数据集被认为是特定物体的例子可能是一只猫、一把椅子或一个人的脸。在最前面说的支持向量机量化交易中，股票价格因子就是输入的数据，输出的便是股票价格回归值，而在一切过程全部由机器处理。
对网络进行训练的方法是，向每个对象提供多个示例，并观察它们如何接近产生正确的输出。正确答案和它们实际给出的答案之间的差异被用来调整权重，以便下次它们能更接近。通过这种方式，网络学习识别不同的对象。
当一个网络在新的未标记的数据上释放时，它应该能够正确地识别对象或其中的对象。语音识别便是如此，机器首先识别了成千上万种语音数据，下次当你对机器说话时机器就会对你的语音进行分类并处理。
研究人员几十年来一直努力建立可靠、高效的神经网络。他们想要做的是建立多层次的网络。层越来越抽象的描述对象在上一层,因此,例如,第一层可能量化光明与黑暗的图像的像素,第二层就可以确定边缘像素内的基本形状,然后第三层可以使用这些信息来识别对象。
不幸的是，调整权重的过程涉及到将信息从设备的输出向后传递到连续的层，而这些信息在从一层传递到另一层时就会退化。换句话说，在那个阶段使用多层深度学习是不可能的。
这个问题在本世纪的头几年由许多科学家提出，其中包括多伦多大学的杰弗里·辛顿。解决方案包括在学习过程中清晰地分离神经元层，从而避免权重调整的退化。这是个重大突破，加上大数据的可用性和廉价、快速的处理器，促成了我们现在看到的许多人工智能的实际应用。
人工智能也可能愚弄人类
无人驾驶汽车是讨论最多的应用之一。特斯拉汽车公司采用深度学习的方法，首先观察了人类驾驶的无数小时的情况，然后使用传感器记录汽车不断变化的环境，尤其是附近车辆的速度和位置，以及驾驶员的反应。然后，环境数据和驾驶员数据被匹配起来，作为深度学习模型的输入，后者作为标签建立模型，使汽车表现得像人类驾驶员一样，需要不断调整权重，使模型的预期输出和实际输出最终一致。
除了驾驶，深度学习还被用来提高图像识别。，谷歌在训练了一个拥有10亿个连接的神经网络后，报告了16%的成功率，这个神经网络可以区分YouTube上数百万个随机选择的视频中包含的2.2万个不同对象。与此同时，DeepMind通过创建一种深度学习算法展示了它的多功能性，这种算法可以玩49款不同的街机游戏，包括经典的《太空入侵者》，机器会从头开始学习，然后打败专业玩家。
在掌握人类语言方面，所谓的聊天机器人正成为移动设备和家庭生活中越来越普遍的功能。它们使用预先定义的脚本和深度学习来回答查询和进行简单的对话。苹果的Siri和亚马逊的Echo扬声器就是两个例子，它们都可以报告体育比赛比分、推荐餐厅和转发日程表。
与此同时，由三名俄罗斯科学家开发的聊天机器人尤金·古斯特曼在通过了图灵测试，当时它在伦敦皇家学会进行的五分钟打字对话中，说服了超过30%的评委相信它是人类，这种成果简直令人乍舌，能通过图灵测试说明计算机已经能愚弄人类了。
人工智能也被用来改善其他类型的语言处理。另一位深度学习的先驱者，瑞士戴勒莫尔人工智能研究所的主任于尔根施米德胡贝尔领导了一个开发“长短时记忆”的团队。这项技术现在用于谷歌的机器翻译和智能手机语音识别软件，它使用了所谓的递归神经网络，其中包含允许存储数据的反馈回路。
神奇的递归神经网络
施米德休伯现在的目标是建造一种被称为通用或真正的人工智能机器，这种设备深受科幻作家的喜爱，它具备人类智能的所有重要属性，包括推理、目标寻找、好奇心和创造力。
他的想法是将深度学习递归神经网络与递归神经网络结合起来，递归神经网络的工作是设计实验，让第一个算法尽可能多地了解世界。自20世纪70年代以来，施米德休伯的“座右铭”一直是建造一台比人类更聪明的人工智能机器，这样人类就可以退休了。
施密德胡贝尔表示可以生成真正的智力只有一个递归神经网络类人脑。用一种设备,将尽可能多的处理器在一个给定的体积和许多短的电线，然后连接这些处理器,节约能源,允许在有氧条件下通信。他认为，在未来的25年内，这样一个会唱歌、会跳舞的装置将会出现在我们的生活中。
他的结论是基于这样一个事实：电脑处理器的价格每5年就会下降10倍，而人脑中神经元的数量是当今最大的人工神经网络的10万倍。因此人工智能的潜力还有很大，毕竟人脑神经元数量是机器神经网络单元的10万倍。
科学家们距离理解人类大脑的工作方式，尤其是大脑现象的时间特性，还有很长的路要走。与人类不同，人工智能软件无法同时进行多种复杂的操作。深度学习已经改变了视觉和语音识别等应用的游戏规则，因为有几乎无限数量的数据可用。
但是人工智能技术将无法在其他数据更难获取的领域产生重大影响，要想让人工智能发挥作用就必须先有数据。目前来讲人工智能的数据依靠人类给予，让机器能够自主搜寻和获取数据将是重大突破。
虽然机器可以通过试图复制人类行为来做一些有用的事情，但福斯汀对机器执行复杂规划和协调等人类无法完成的任务感兴趣。他通过清晰的逻辑推理来训练软件，他希望这种方法能在包括医学在内的多个领域取得成功。他解释说，在这里，概率模型可以被用来找出针对特定症状的最佳治疗方案。
这也是谷歌的自动驾驶汽车所采用的方法。每辆车都使用多种传感器来监控周围的交通，并将数据输入计算机程序员创建的概率模型中，该模型可以预测附近每辆车、骑自行车的人和行人的下一步行动。福尔斯指出，特斯拉在深度学习技术上与谷歌形成鲜明对比，特斯拉利用深度学习技术得以绕过多年艰苦的设计工作，从而更快地将自己的汽车推向市场。
但是这种方法也有缺点，一个致命的事故可能这样产生：一辆特斯拉车以S型的方式直接开车到一个拖车前挡在它前面。这样一个场景,显然没有任何司机遇到过，正常的司机也不会把自己的车开到一辆拖车前面，因此这是一种数据缺失情况。由于没有基础模型，因此无法保证软件能根据数据进行正确的预测。
机器面对伦理问题也会两难
根据斯坦福大学一项关于人工智能未来趋势的研究，自动驾驶汽车可能会带来显著的好处，包括消除交通堵塞和停车问题。围绕特斯拉事件的宣传突显出，人们对人工智能构成的危险多么敏感，因此，人们对电脑而非人造成的崩溃的容忍度是多么低。从本质上讲，如果一个人出了错，或者汽车出了问题，那就是另一回事了，因为你会有一种失控的感觉。
人工智能也会带来伦理问题，有一个经典问题便是，火车前面两条轨道，一条轨道绑上4个素不相识的别人，一条轨道绑着自己的爱人，如果火车必须向前开，那么应该走哪条轨道？如果是你你会怎样选择？如果火车是机器操纵的，机器又会怎样选择？机器肯定也会很为难，因为人类从来没做出过这种选择，便没有这一种数据支持。
还有应当做些什么来保护很多人的生计？人们由于人工智能而可能失去工作。随着机器智能在越来越多的生活领域开始与人类智能竞争，科学家们普遍更加意识到人工智能对社会的潜在影响。
一些研究人员，比如施米德胡贝尔，正在考虑人工智能的终极挑战：“技术奇点”，也就是机器智能超越人类智能并迅速加速消失的点。慕尼黑工业大学的聊天机器人专家西蒙海格里奇认为技术奇点只有在我们对人类大脑有了更好的了解之后才会出现。
然而，他认为，人工智能尤其是机器学习最近的进展表明，未来或内，可能会出现必要的突破，对人脑智慧产生重大的冲击。至于可能的后果，他显然是乐观的。他认为，要让人工智能机器成为真正的智能，它必须有同理心，因此不会对人类构成威胁。
对其他人来说，这样的讨论是多余的。福尔廷表示，人们对深度学习的期望过高，在他看来，这导致了“机器人或电脑取代人类”的误导性言论。他补充道:“在人工智能领域，我们嘲笑这些事情。“但他也急于对近期的成就做出积极评价。即使我们不能到达技术奇点，人工智能仍然可以发生一些惊人的事情。人们意识到这一点是件好事。
人工智能是人类的春天
1950年，英国数学家艾伦·图灵创建了一项测试，用以区分人类和机器。一个人使用键盘和屏幕与另一个人和一台机器进行交流。如果在谈话之后，审问者相信机器可能是人，那么机器就赢了。然而，当代科学家指出，图灵测试并不能真正判断一台机器是否具有人类智能。机器有必要学习搜索技巧来假装自己是人类，这也说明机器会模仿人的行为来伪装自己。
瑞士洛桑联邦理工学院使用配备微型高光谱摄像机的农业无人机监控农作物，这是人工智能在农业领域释放潜力的一个例子。该软件应用人工智能，将植物的波长光谱特征转化为有关作物状况的重要信息，从而帮助农民决定何时使用化学品和化肥。算法还可以根据分析的模式预测结果，这大大提高了食品生产的效率。
即便人工智能会在智力上超越人类，但是人工智能有必要拥有同情心，如果能让机器懂得何是爱，那么机器对于人类来讲将是生产力与造福力的天堂。
