导读：今天首席CTO笔记来给各位分享关于人工智能怎么自己进化的的相关内容，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
从输入法“快速分享”，谈人工智能如何进化
近期，搜狗输入法手机版更新上线了“快速分享”功能，该功能可以让用户在使用QQ微信等产品聊天时，不必跳出微信场景可以直接在输入法中查找相应的资料，从餐厅、视频、音乐、地图、百科等等无所不包，用户可以直接在搜狗输入法中查找，并发送给对方，极大的提升了用户使用体验。
表面上看，这似乎只是一个小小的功能，但其核心则是人工智能的落地，用户只需要搜索关键词，就能够获取到对应的并且得到分类过的信息，这其实是人工智能在对用户需求进行感知，进而提供对应的服务与信息，而从中我们可以看到人工智能究竟如何进化。
进化第一步，在高频痛点场景出现
凯文凯利在其新书《必然》中谈到一个概念—“知化”，即凡是联网的物体都在变得越来越聪明，越来越智能，并且还能够自我生长，其能够感知我们，服务我们，会在我们越来越需要的高频时刻出现，逐渐变得无所不在。
因此，人工智能往往伴随出现在某个拥有海量用户的产品之中，其会根据用户的需求自行生长，例如淘宝中会出现给用户智能推荐的人工智能，而微信会出现为用户匹配广告的人工智能，在搜狗输入法中最常见的自然是输入法方面的人工智能，帮助用户纠正输入错误，以及自动联想词汇，这点搜狗输入法已经有了极为长期的积累。
此次搜狗输入法的“快速分享”正是“知化”寓言的实现，输入法自身就是高频场景，用户需要输入法这一入口来与机器对话，而输入法作为承载人机交互的第一入口必然同样是智能的，除了帮助用户纠错、热词关联、提供动图之外，其正在向更多的用户使用场景进行智能挖掘。根据《2016年第2季度中国第三方手机输入法市场研究报告》显示搜狗输入法占据了70.4%的绝对市场份额地位，使用率达到84.6%，因此有着绝对的用户数量，可以在此基础之上形成更多智能衍生。
“快速分享”功能切入的是用户在微信、QQ等场景聊天时，当需要谈论或者分享餐厅、视频、音乐、地图、百科这样的刚需内容时，用户需要繁琐的跳出聊天场景，通过在其他APP中搜索后再来分享，这是用户使用手机时的高频痛点。此次“快速分享”则可以让用户不必跳出，直接在搜狗输入法中快速找到相关信息，并一键发送给对方，及高效的实现输入到分享的一步到位操作，节省了大量的时间。
“快速分享”表面上看是用户的一个主动操作，但背后却是人工智能正在用智能将用户被动包围，在用户需要的地方全面出现，这是进化的第一步。
进化第二步，让用户形成强依赖
人工智能这种“生物”要想得到进化，必须得到环境的反馈，也就是要让用户使用，有大量的实际使用需求存在。
搜狗输入法并没有将“快速分享”功能强制覆盖，干扰到用户的正常使用，用户需要时可以在顶部右上角的小ICON中选择使用，其次还可以通过长按输入词汇进入，让极客用户先行，让多数用户慢慢适应。
早期的输入法是机械的，非智能化的，用户需要自己极为机械式的在一堆字词中翻阅寻找想要的字词，效率极为低下，当时所有人都不觉得是问题，并且默默忍受着默认输入法的折磨，认为折磨才是常态，但是当搜狗输入法的智能输入出现后，通过实际使用后，所有人才发现自己原来自己曾经受到过如此非人的折磨，从此不再更换输入法。
“快速分享”与早期的输入法的智能进化有异曲同工之处，当前的手机中微信聊天场景的切换也极为机械与繁琐，当用户需要发送相关内容信息，用户需要切换出去，再找到对应的APP，找到后再打开等待2-3秒启动，再输入关键词搜索，找到信息后，还要找到对应的分享按钮再进行分享，然后再在微信或者QQ中找到刚才聊天的人，这其实也是一种折磨，只不过用户被迫适应了而已。
“快速分享”同样又是利用人工智能，来解决用户的痛苦点的功能，只要功能放在那里，就会有用户会去尝试，而只要用户尝试过使用一次，就会感受到其中的便利，并逐渐形成强依赖关系，放弃原来复杂的切换操作，而快速分享在后期很有可能再次成为一个超级搜索入口，甚至直接完成生活服务的接入，潜力不容小觑。
进化第三步，与其他智能共同进化
人工智能的进化并不是独立的，而是与其他智能保持着互相依存的关系。
再以搜狗输入法为例，其不仅仅能够记录用户最常用词汇，他还能帮助用户自动关联网络热词，而这些热词用户从未有过输入记录，但输入法却依然能够提供给用户，其中的原因在于输入法的智能与搜狗的搜索引擎智能有着底层的关联，对于热词有着极强的抓取能力，最终协助输入法构成了热词关联功能。
“快速分享”功能同样不是一次空穴来风，其之所以能够仅凭用户输入的关键词判断分类，当用户输入“火锅”其会主动匹配餐厅而不是音乐等类目，输入“十年”主动匹配音乐而不是餐厅等类目，正是因为其多年在输入方面的积累，上亿的关键词数据让搜狗能够判断出每一个词背后所属的类目，才能够达成为用户实现瞬间的智能推荐，最终实现所搜即所要，最短时间内完成信息的获取。
再次，是其他智能的综合，例如定位的人工智能，搜狗地图的人工智能，QQ音乐调取数据的人工智能等等，当各种智能一起综合后，“快速分享”的功能才最终得以实现。
没有以上任何一种智能，“快速分享”都无法实现，因此，我们可以看到当前的人工智能越来越像某种生物，其依附于某个产品或者功能的形态出生，表面上似乎有新技术，但实际上却是多种人工智能在多年积累后共同综合起来的结果，而其自身又在不断进化前进，为其他人工智能产品的出现打下基础，成为其中的一个环节，彼此纠缠共同进化，互相依存，不分你我。
“快速分享”这个功能出现的背后，实际上是多种人工智能的共同进化。
作者微信公众号：“首席发言者”(shouxifayanzhe)
“AI”能自我进化吗？
AI确实进化了，它能做的事情越来越多，成绩斐然。它的背后是AI实现路径的“三级跳”。但是“AI自开发短期内应该无法替代人的工作，还有很长的路要走。”徐文娟说。赵志刚从学术角度分析道：“只有当人类把不同应用领域的AI模型设计出来，并进一步分解出一系列通用模块，如同化学中的元素周期表、生物中的DNA、RNA，这种自开发才能有更多的应用。”
“仅需几行代码就能构建一个回归模型。”程序员认可谷歌AutoML的工作表现，认为AutoML设计的模型和机器学习专家设计的不相上下。日前，谷歌工程师分别在中国和硅谷重点推介谷歌AutoML项目。不明就里的疑惑紧跟着纷至沓来——AI又进化了？！已经会自开发了？能操控自己的进化了？是要摆脱人类吗？
国家超级计算济南中心大数据研发部研究员赵志刚说：“起初我们用数学公式和‘if……then’等语句告诉计算机第一步做什么、第二步做什么，手把手地教，后来给机器n组输入和输出，中间的规则或规律由它自己学会。”
“之前，很多聪明的头脑花一辈子时间研究：如何抽取有效的特征。”专注于智能导购对话机器人的智能一点公司CTO莫瑜解释道，“神经网络算法的发明、深度学习技术的出现，使得AI进化到2.0，抽取特征的工作由AI自己进行，我们的工作也随之发生了变化。”
用数学函数的模式很容易解释“1.0”到“2.0”的转变：如果把识别图像、语义理解、下棋等任务的达成都看成是不同的Y=f（X），即输入的“猫”的图片、声音或棋招是“X”，输出的“猫”、回答、棋高一招是“Y”。深度学习之前，人通过自己的分析寻找函数f对应的公式，告诉给AI。而深度学习之后，人输入大量的X与Y的对应，AI自己发现函数f对应的公式。
“AI找到的函数f的具体内容，可能比人找到的更好，但是人类并不知道，就像一个黑匣子。”莫瑜说，“但是f的形式是AI研究员通过研究设计出来的，如果使用深度神经网络，网络中的模块以及模块之间的组织方式也是提前设计的。”
随着深度学习技术的成熟和普遍化，模型构建出现了特定可追寻的经验。“各种共性神经网络的发布，使得从业门槛越来越低。一些普通的模型构建与优化，刚毕业的学生在网上学学教程就能上手。”赵志刚说。
当构建模型成为可习得的技能，AutoML就出现了。它能做的正是AI研究员的模型设计工作。“将帮助不同公司建立人工智能系统，即使他们没有广泛的专业知识。”谷歌工程师这样推介。AI成功进化到3.0。
事实上，AutoML替代的仍旧是人类能够提炼出经验的工作。“如果说之前人描绘一套寻找函数f的‘路网’，在深度学习的技术辅助下，机器能最快找到优化路径；那么AI现在可以自己设计路网了。”赵志刚言简意赅。
可以看出，不论是深度学习、还是AutoML，都只替代人类的一部分群体已经钻研透了的工作。“机器能做的事情，尽量不要手工劳动”，这是很多程序员的人生信条，这个信条催生了AutoML。本着同样的信条，微软开发了DeepCoder。“它可以用来生成满足给定输入输出的程序。”莫瑜说，但它的表现目前还不尽如人意，只能编写一些简单的程序。
谁是“上帝”答案毫无疑问，人类。
既然AI在进化中走向了更高一阶的模型设计，那么“上帝之手”又发生了哪些变化呢？
“炼丹”，莫瑜用两个字形象地说起自己的工作，“智能一点是专业做智能客服的，研发人员的工作主要集中于问题建模（如何将实际问题转化为人工智能技术解决的问题）和算法优化（如何提升人工智能算法的效果）。”
“炼”意味着不断地调试和完善。“针对特定的人，越投脾气越好，回答越精准越好。”莫瑜说，“我们的X是客户的问话，Y是机器人客服的回复，中间的函数f需要训练。”
这是个不容易的任务。如果把人类社会的经验分为3类：有公式的确定规则、可言传的知识、只可意会不可言传的感觉。最后一类最难琢磨。
“因此，我们想办法构建完善的闭环反馈，了解特定用户的喜好，通过情感、趣味的表达，最终做到投其所好。”莫瑜说，“目前处于人机协同的工作阶段，但是越来越多样本的获取，将帮助我们的智能客服给出精准的、讨喜的回答。”
可见，并不是所有领域都适合交给AI自开发去做，比如问题建模方面，如何将实际问题抽象转换为机器学习问题， AI还无法自主完成。在AI2.0阶段，研发人员还需要人工设计函数f的形式。
人工智能如何自我进化
设计一种能够改进自身的人工智能是困难的，因为改进所需要的智能水平很高，或者说人工智能建立在复杂的基础上。无论是数学、程序还是各种智能模型都超出人工智能的理解能力，而要改进自身几乎不可能避开这些。那么可以从建立在简单基础上的低水平人工智能开始，使基础和智能水平相适应，从而能够不断自我进化达到很高水平。这不是新思路，只是缺乏理论指导，本文旨在提出一种初步理论。
自我进化的人工智能的关键在于正确设计初始智能和进化规则。强化学习也是如此，但它是复杂的人工智能，进化到一定程度会停止，需要人类来改进。简单的人工智能将类似人工生命，一开始是非常简单的，所有的复杂结构都是进化而来，这样能够避免自身超出自身的改进能力。初始智能和进化规则虽然是简单的，但是并不容易设计，需要符合一些原理。
初始智能的进化肯定会受到阻碍，这些阻碍足以导致进化失败，只有将阻碍转化为动力的进化方式才可能成功。比如初始智能可能会犯一些错误，但是正是从错误中学习才更加深刻，没有错误反而不好。闪电、火山、宇宙射线等对生命有害的因素对早期生命而言却是必不可少的，早期生命将劣势充分转化为优势不是偶然，如果生命不具有这种特性将无法诞生。初始智能能够进化得越来越复杂在于一个改变引起其他改变，这些改变又会引起更多改变，像滚雪球一样。这是一个递归的过程，初始智能和规则都需要体现递归的原理。智能体内部在任何时期都需要是递归的，进化这种时间上的递归和智能体这种空间上的递归是统一的。智能体必须是一个严密系统，各部分合理组织、紧密联系，同时既保持一定稳定性又保持一定可变性，保持稳定性是为了更好地变化，保持可变性是为了更好地稳定。智能体在很长时间内都不是在理解自身的基础上改进自身，而只是根据一些简单原则和方法。这些原则和方法需要不断更新，这是由智能体自身控制的，需要实现每次更新都是正确的并且促进下一次更新。智能体不一定需要自我复制，所有改变都可以发生在一个智能体上。规则之间的联系应该是非常紧密的，而且规则是统一的，各个部分采用同样的规则，这其实也是递归。因为当两个看似不相关的部分相遇时，它们能够很好地发生作用，就像遇到同类一样。规则还需要体现自相似这种递归，即简单规则组成的宏观规则和简单规则是相似的，只是层次不同而已。随着智能体的进化，规则本身也会进化，但是初始规则是不变的，新规则是初始规则的组合，那么初始规则必须是完备的，能够组成任何可能需要的规则。
初始智能处在一个虚拟环境中，与之构成一个系统共同进化。环境也可以理解为智能体的一部分，相当于它用于改进自身的工具。自我进化产生的智能必然是通用智能，因为只有通用智能才能解决自身遇到的各种问题。由于在虚拟环境中进化，它只是具备了智能的基本原理，就像婴儿大脑一样，有一个适应真实世界的过程，需要人类的引导和训练。
自我进化的人工智能是不可简约的，即要知道结果只有按照初始智能和规则一步步演化，没有更简单的方法可以准确预测。同时由于它是一个复杂的整体，除非深刻理解它，否则来自外部的修改可能都达不到预期效果，甚至适得其反，也就是说人类对进化过程是很难正确干预的。人类所做的只是设计初始智能和规则，进化过程可以为了研究而修改但是最终成品的进化过程是不应该修改的，因为容易出现无法预料的错误。研究进化过程时生命是一个重要参考，但是模拟生命进化是很困难的，因为生命建立在复杂的物质基础上。即使原理是简单的，还要充分理解物质性质才能正确理解和模拟生命，不如模拟更简单且更合适的。智能也是递归的，因为智能能够创造智能，其原理具有很强递归特性，从而非常适合自我进化。
人类为什么很难理解自我进化的原理？因为我们处在一个已经演化得非常复杂的世界，和初始智能的世界有巨大差异。我们遇到阻碍不一定需要转化为动力，有时忽视反而更好，有很多因素能够使我们突破阻碍，但是对于初始智能而言这是唯一能够成功的方式。我们的很多事物不需要是自我调节的，无论什么坏了都可以由人类来维修，但是对于初始智能而言没有任何高级智能能够帮助它。
既然人类可以直接设计人工智能，为什么还需要使其自我进化？因为有些是无法教给人工智能的，需要它自己去领悟。我认为技术奇点会由自我进化的人工智能达到，因为这样的智能才是完备的，直接设计的人工智能难免会有考虑不周之处，即使能够自我改进也会在未来遇到无法解决的问题。
目前主流的人工智能是将智能转化为计算，自我进化的人工智能则是将计算转化为智能。人类掌握了巨大的计算力却没有充分发挥出来，因为需要人类设计和改进算法。自我进化的人工智能其实是一种创造算法的算法，能够不断地将计算力转化为算法。人类学会创造新的智能是一个飞跃，学会创造自我进化的智能也是一个飞跃。
结语：以上就是首席CTO笔记为大家整理的关于人工智能怎么自己进化的的相关内容解答汇总了，希望对您有所帮助！如果解决了您的问题欢迎分享给更多关注此问题的朋友喔～