原创:王稳斧 资料来源：单博
一、真假元宇宙
最近，元宇宙的概念非常流行，互联网上的也铺天盖地。但就我个人而言，我认为有很多人在元宇宙的概念中摩擦热点，元宇宙仍处于概念阶段。很多人说他们在做元宇宙，但实际上很难区分真假。在元宇宙这个词出现之前，其实有很多相关的概念，比如虚拟现实（ VR ）、数字孪生、自动化等。数字孪生其实是模拟建模，比如中国的国产飞机 919 在生产过程中，大型机械化电气化设备将涉及一些与数字孪生相关的数字仿真。事实上，元宇宙的概念应该更加理性。关于元宇宙，人们达成了一个共识，即它必须是一个确定的未来，但它如何以及何时到来仍然不得而知。
关于一个技术的发展，经常可以用 Gartner 技术成熟度曲线来对它进行一个衡量。在一个技术诞生初期会有一个爆发期，但是往往会带来一个过高的期望，来到一个峰值。峰值过后就会有一个下降的冷却期。之后，在泡沫崩盘之后会有一个缓慢爬升的过程，最后才能投入到真实的生产科研这些应用当中。
如果你想在虚拟世界中生活、互联网和人际交往，你实际上需要大量的基础设施、软硬件的发展、市场的培育和内容的建设建设，这需要这些甚至更多的协调才能实现。因此，元宇宙是真是假，众说纷纭，所以我们必须以相对冷静务实的态度看待元宇宙。
人工智能现在在哪里？
人们普遍认为AI它是一个相对接近元宇宙的方向，我们可以通过 AI 和元宇宙之间的关联来了解一下 AI 现在技术发展到什么程度，未来会发展到什么。人机交互和信息传递是元宇宙的一个重要方面 AI 也有很多应用。比如抖音，你有没有发现抖音越刷越爱看？感兴趣的内容每天都推荐。还有淘宝，即使最近不想买东西，偶尔也会打开淘宝看看。淘宝会根据最近浏览的产品推荐可能感兴趣的产品，比如最近浏览的手机耳机，可能会推荐其他电子产品；搜索衣服后，你会推荐很多符合美学和价格的衣服。此外，还有很多音乐软件推荐猜你喜欢等等。这些都是日常生活中推荐系统的应用。
计算机视觉也广泛应用于日常生活中。例如，手机解锁、上下班刷脸打卡、高速火车站机场等需要通过人证比较进行身份检查、自动驾驶等。自然语言处理也是如此，人们的生活不能与有道词典和其他翻译软件分开。
三、了解人工智能
许多书籍和教科书都说，人工智能没有明确的定义。但我们可以把它定义为给机器的智能，即像人一样感知，像人一样思考，像人一样行为。事实上，感知和决策控制是机器应该具备的人类智能。感知就像人类的视觉和听觉；思考，像人一样在不同的情况下做出决定；做出决定和执行，这是人类的行为。
人工智能这个词在人工智能诞生之初是怎么来的？事实上，它最早与控制论密切相关。事实上，控制论和人工智能是一个相辅相成的概念。控制论这个词出现得更早，其实是早期人工智能的概念。随着学术界的争论和风暴，一群 AI 为了脱离维纳的控制论，学者们开始了一个叫做人工智能的新词。因此，如果你搜索谷歌的词频，你也可以看到，在早期，在20世纪50年代和60年代，控制论这个词迎来了一波高峰，但后来它下降了。
在这个时代，当谈到人工智能时，它实际上是两个概念，即算法工具和智能硬件。由于人工智能实际上是在硬件的推动下发展起来的，三驾马车指的是算法、算力和数据。事实上，算法工具是深度学习和强化学习。AlphaGo 它结合了深度学习和强化学习。硬件系统主要指移动芯片，如手机芯片。
人工智能算法中最流行的术语是深度学习。然而，人工智能有许多类型，如符号主义、连接主义、统计主义、行为主义等。不同的算法类别将在这些类别下诞生。不同算法类别中有许多算法。人工智能有许多算法，如知识地图、专家系统、遗传算法等，它们都属于 AI的算法。但在过去的十年里，深度学习更受欢迎，但如果你真的想扎根于人工智能，不要放弃其他算法，因为人工智能的发展一直是河东和河西的30年。符号主义和专家制度在最早的时候特别流行，现在也不流行，但是没人知道他十年后不会再流行了。
在人工智能诞生之初，科学家们会思考如何实现人工智能，然后就诞生了不同的流派。在最早的符号主义中，科学家们认为，人类的智力可以通过这种基于规则的数学逻辑和数学逻辑（加、减、乘、除、和或非）来实现。因为计算机刚诞生的时候就用这些来计算。但即使是现在的人脑原理，人们也没有完全理解，现在的计算机仍然不能取代人脑，所以符号主义没有走得太远，逐渐衰落。
其实在人工智能诞生的早期，还有另外一个流派就叫做连接主义，或者叫连接流派。它模拟了大脑的连接结构。主要是模拟人脑结构。人脑由神经元组成，机器脑由人工神经元组成；人脑皮层层层连接，机器内的大脑由人工神经元层层连接。这就是连接主义的思想，所以它也属于神经网络和深度学习。因此，从最早的人工神经元到多层感知机，再到神经网络，这些学习算法已经成为深度学习。
其实行为主义也一直在流行。代表行为主义的算法是遗传算法。遗传算法是强化学习的一个特例。这种算法模拟人类的行动和决策，人类看到什么，会做什么。例如，当人类看到前方有障碍物时，科学家认为，如果机器能像人一样从感知到行为映射，那么机器就有人类的智力，所以它被称为行为主义。
最后一个流派叫统计，很像数理统计。其实是机器学习，因为机器学习的全称叫统计机器学习。这类流派的科学家希望系统能自动从数据中获取知识，而不需要告诉他，也就是说，在数据中学习也可以称为经验。在经验中学习，其实和人的学习过程很像。例如，监督学习和无监督学习就像人类学习的过程。机器学习通常分为监督学习、无监督学习和强化学习。监督学习就像老师说的，哪个是对的，哪个是错的。在这个标签或老师的监督下，在数据中生成算法和模型。监督学习非常适合解决分类或回归问题。监督学习没有教师，相当于完全自学的状态，所以没有监督或没有教师学习，非常适合解决一些聚类问题，没有明显的标签或明显的，甚至没有明确的对错问题。例如，社交网络中的一些舆论信息可以通过聚类进行分析。另一种是加强学习，适合解决机器人控制、自动驾驶、围棋、国际象棋等决策问题。当然，围棋因为难度大，在 2016 直到年份 AlphaGo 但也不能叫完全解决。
机器学习后发展到神经网络。根据网络结构，神经网络可分为卷积神经网络和递归神经网络（或循环神经网络）两类。卷积神经网络更适合解决空间相关信号，如照片。递归神经网络或循环神经网络适用于解决与时间相关的信号，如语音信号。
什么时候才能发展深度学习？在 2012 ImageNet 挑战赛里，Alex 提出了一个将深度学习转化为参数可调可学习状态的网络。所以从 2013 年初，深度学习蓬勃发展。但这场挑战赛最早只在学术界有一定的影响力。工业界和公众什么时候开始关注深度学习？其实是 AlphaGo 克服人类后，但克服人类的是深度强化学习，但却让深度学习火了，这也是很有意思的情况。
以人脸识别为例
若让机器实现人脸识别，总共分几步？其实三步就够了。若要求高，则需要四步。第一步是做人脸检测，先检测人脸区域，再识别。但在检测和识别中也需要检测关键点。人脸的关键点是什么？比如鼻子、嘴巴、眼睛、眼角、鼻翼、嘴角等。关键点的作用是人脸识别不一定是对着镜头，可能是侧面，部分人脸可以通过关键点矫正，然后通过正面人脸进行比较。
有多少步骤可以解决人脸检测问题？事实上，人脸检测最早分为三个步骤，经过深入学习的发展，人脸检测过程变得简单。算法虽然变得复杂，但过程变得简单，速度变得越来越快。目前有一些目标测试被称为两阶段测试，例如 RCNN 系列算法。还有一阶段算法，比如 YOLO，SSD 系列。在深度学习的驱动下，目标检测算法兵分为一阶段和两阶段。
五、像人一样做决定&以自动驾驶为例
就一辆车而言，让 AI 取代司机的过程是完全取代人的过程。用什么来代替人的眼睛呢？可以是激光雷达，但激光雷达的价格很高；也可能是摄像头，如特斯拉，不使用激光雷达，只基于视觉障碍检测；也可以是毫米波雷达。因为毫米波雷达测距远，价格便宜，可以装很多车。一般来说，自动驾驶的计算设备在汽车的后备箱中，由工控机组成GPU 等组成。还包括一些执行单元，如方向盘、油门等。
要实现无人驾驶，需要解决几个问题？首先要解决车道线、障碍物等感知问题。第二，要认识到它，克服一些不确定性，增强鲁棒的检测等。三是决策，看到障碍物，还要思考如何规划轨迹。第四是控制，最后是执行。此外，如高精度地图、定位感知和 GPS、北斗等，这些也是很重要的环节。
在自动驾驶中，有许多传感器获取数据，如单目相机、双目相机、毫米波雷达、激光雷达等，这将涉及传感器的集成。事实上，传感器集成是一个非常传统的科学研究方向。在早期，它被称为数据集成，但随着科学研究领域流行词汇的变化，它现在更被称为多模式集成。
事实上，学习人工智能并不难现上述目标检测任务只需要十几行代码。元宇宙是下一代互联网，是人类未来的数字生存。元宇宙是一系列技术的连点成线终极元宇宙将包括：互联网、物联网、AR / VR、3D 图形渲染、AI 人工智能、高性能计算、云计算等技术有改变世界的潜力。如果你对元宇宙感兴趣，不知道从哪里开始，那么从 AI 人们认为，开始学习与元宇宙最相似的方向是一个不错的选择。