如何训练大脑，形成行动与回报的闭环，建立出类拔萃的决策系统？

现在的汽车，与几年前相比，已经发生了很大的变化。

比如：

在路上，我们可以看到绿色的新能源车牌

拿出手机，我们可以方便地使用网约车、代驾、共享汽车等服务

车内配置，增加了触控大屏、语音控制、自动泊车等新功能

驱动汽车行业发展的动力，包括以下方面：

1. 动力系统 - 电动、混合动力正在逐步兴起

2. 新材料 - 包括高强度、轻重量的合金车身，纳米材料的挡风玻璃等

3. 用户的出行偏好 - 部分用户已经从享受驾驶乐趣，逐步发展为想要把手脚和大脑从驾驶中释放出来，提高车内时间的利用效率

4. 人工智能技术的逐步成熟 - 语音识别、自动泊车等辅助系统已应用到上市车型中，而谷歌waymo等自动驾驶正在迅速发展。

5. 则是车的互联 - 随着传感器、处理器、5G、云计算、大数据等相关技术的发展，与手机的发展历程类似，汽车也正在互联的方向发展。

按此趋势发展，汽车行业的下一个阶段，将是智能汽车的互联时代。

那么，汽车产业链中的各类玩家，在这个新时代中，将会怎么玩呢？下面分别介绍：

1. 网络运营商：也就是移动、电信和联通，他们干啥呢？在车里面预装Sim卡。听起来似乎还有点科幻，实际上已经不远了。运营商的明星产品：带宽，在5G时代会有更多的应用场景。2018年，中国联通已经开始了eSIM的试点和布局，车联网就是eSIM的应用场景之一。

2. 智能手机厂商：通过智能手机与车载系统的连接，提供车载电话、音乐、导航等应用，苹果的Carplay就是做这件事的，目前已经有超过400种车型支持Carplay，以后挡风玻璃的AR显示，也有可能成为智能手机的扩展屏幕。

3. 云服务商：对于Google Cloud、亚马逊AWS、微软Azure、阿里云等云服务商而言，车的云端接入以及相关的大数据和人工智能服务，将是下一个业务增长点。

4. 导航服务商：出行导航是用车的强需求，车载GPS原来是车企的自留地，但智能手机出现以来，车载导航已经逐渐被高德地图等手机导航软件取代。而下一个阶段，无人驾驶对高精度地图的需求，才可能成为新的机会。

5. 内容服务商：包括音乐、电台等等，司机的时间和注意力，对于内容服务商而言，一直是重要资源，从传统的调频电台，到现在流行的手机FM，与车的连接都是重要的流量入口。

6. 保险公司：保险公司和车联网有啥关系呢？还真有，关系还挺大。大家知道，现在的车险报价和理赔历史数据是相关的，目前还没有和驾驶行为结合起来。其实车险报价和驾驶行为是可以结合的，比如我的驾驶行为习惯良好，遵守交通法规，很少猛踩油门刹车猛打方向盘，出险的概率自然是低的。UBI车险(Usage Based Insurance)就是基于驾驶行为的保险，用户提供车载传感器采集的驾驶行为数据，获得更为精准的车险报价，这件事在平安保险也已经开始布局了。

下面总结一下今天的内容，今天我们介绍了驱动汽车行业发展的新能源、新材料、新技术等多重动力，阐述了汽车产业链中的各类玩家在智能汽车互联时代的新玩法。

相信未来的汽车，会为我们的出行，提供更好的服务。

无人驾驶汽车(Self-driving Car)，是目前非常热门的领域之一，谷歌、通用、福特、大众、奔驰、宝马、沃尔沃、百度、Uber、特斯拉、苹果等等公司都在进行投资。

今天的这期节目，我向大家介绍一下无人驾驶汽车的基本原理。

首先，我们停下来思考一下人驾驶汽车的场景。

今天你开车去参加朋友聚会，如果是熟悉的目的地，基本上是不需要导航的，因为大脑里有地图，对于不熟悉的地点，那就用手机的地图软件导航过去；行驶在路上的时候，你眼观六路耳听八方，观察路况、交通指示牌、周边车辆、当前位置、路径导航等等信息；对于路上的车辆、障碍物等物体，根据他们当前位置、速度、所发信号等信息作出预判，以决定当前是加速、减速还是左右并道，然后控制手中的方向盘和脚下的油门刹车。

当然，作为老司机，以上的这个过程，其实已经习以为常，无需思考。

我们的大脑、神经网络和肌肉，经过长时间的训练，已经将驾驶技能变成了自然能力的延伸。

然而，以上场景中有六个要素，在无人驾驶系统中进行了借鉴和拓展，下面一一进行介绍：

地图

对于有人和无人驾驶，地图都是不可缺少的。不管是老司机大脑中的地图还是导航App中的地图，我们需要从地图中获取当前位置、目的地、路径、路况等信息。

而无人驾驶对地图精度的要求会高出很多，普通的地图，精确到米就可以了，因为驾驶员可以在近距离进行微调。而无人驾驶的地图精度，必须达到厘米，否则无人驾驶汽车一定会撞上。另外，无人驾驶的地图，需要更为丰富的驾驶辅助信息，比如路标、交通灯、速度限制等等，这些信息都可以帮助系统做出行驶决策，计算机比人擅长的能力之一，就是记住海量的驾驶辅助信息，并在需要的时候查询使用。

感知

和司机一样，无人驾驶系统需要实时地获取周边信息，以便做出判断决策。不同的是，司机采用的是眼睛耳朵等感官，无人驾驶系统采用的是摄像头、雷达、激光等传感器

由摄像头采集的图像视频等数据，运用计算机视觉的方法，采用卷积神经网络(CNN)，可以对车、行人、道路、障碍物、路牌等物体，进行识别、分类、追踪

由雷达、激光等传感器采集的点阵数据，则可以用来获取距离、速度等信息

这一系列传感器信息，还可以和地图信息进行融合，这样，感知系统就可以做到“心中有图眼观六路耳听八方”。

定位

说起定位，我们首先会想到GPS，GPS对于手机用户导航是足够的。但是GPS的定位误差，在信号充足的开阔空间里，是1~3米，这对于无人驾驶来说是远远不够的。

无人驾驶，需要的是精确到厘米的定位，否则误差的几十公分，就会发生安全事故。

无人驾驶定位采用的方法，通常是多种定位方式的结合，比如：

- 实时动态RTK(Real-Time Kinematic)，是作为GPS的拓展

- 惯性测量，依据牛顿定律，通过速度和加速度计算位移

- 激光雷达和视觉定位，是运用周边信息，对定位的进一步校准

预测

和司机的预判一样，无人驾驶系统需要对周边情况作出预测，以作出控制决策。比如前方有车并道，根据距离和速度情况，决定需不需要踩刹车等等。

无人驾驶系统，把周边物体的位置、速度、加速度等信息，抽象成为不同的时间序列。

有了之前时间点的信息，预测下一个时间点的信息，这是递归神经网络(RNN)擅长解决的问题。

前面感知的数据，除了用于定位，也会用于预测。

规划

规划包括了路由、轨迹和速度规划等

从起点到终点的路由规划，这个和手机导航差不多

行驶过程中的轨迹规划，包括让车保持在车道中轴线的轨迹，前方有障碍时变道的轨迹等等

另外，还有结合车道限速、周边车辆信息的速度规划

这里面运用了很多计算机图论相关的知识

控制

控制主要是无人驾驶系统向车的动力、制动、转向系统发送指令的过程。

控制指令发出后，通过感知采集实时反馈信息，这一点和人为驾驶也是相似的。

总结一下今天的内容，今天我向大家介绍了无人驾驶的基本原理，从地图、感知、定位、预测、规划到控制，无人驾驶系统结合了测绘、传感、通讯、计算机视觉、神经网络、图论、信号与控制等多领域的科学技术，成为了众多科技公司的关注焦点。

随着城市路政规划、交通法规、商业保险等等配套设施的发展完善，相信在未来的某一天，无人驾驶会为我们的出行，带来更大的便利！

各位听众朋友，新年好！

2019年的第一期节目，我选了这样一个标题：别让AI主宰了你的生活！

你也许会说，AI主宰人类，这都是些科幻片，“老K主播，你在逗我玩吧？！”

然而，AI逐步渗入人类生活这件事，不是耸人听闻，而是真真切切的正在进行时。

这里所说的AI，并不一定都像“终结者”一样钢筋铁骨刀枪不入。我们日常所用的各种系统，它们后台的算法，其本质上都是AI。

今天，你早上起来看的新闻，上班路上坐的网约车，朋友圈的第三条广告，中午点的外卖，下午淘的宝贝，休闲时玩的游戏，睡觉前刷的短视频，背后全都有AI的功劳。

而与此同时，这些AI正在服务成千上万个你！

对于每个人而言，时间和精力，都是我们宝贵的财富。

时间是有限的，每人每天只有24小时；

精力也是有限的，困了累了需要休息。

但是，我们所发明的AI，从某种意义上来说，也正在不断吞噬我们自己的时间和精力。

来看一下智能时代的两大趋势：

趋势一：伴随着科技的进步，人正在变得越来越懒…...

在媒体匮乏的年代，我们需要主动地获取信息，收电台，听评书，看露天电影，追小说连载

再后来有了电视，信息开始变得丰富起来，坐在家里选选台，不出门就可以知天下事

再后来有了互联网，门户网站的编辑们，帮助我们进行了信息分类，方便了检索

再后来有了搜索引擎，输几个关键词，想要找的内容，很快就搜到了

再后来，就有了推荐引擎，运用大数据和AI，向你推荐你喜欢的信息，都不用输关键词，手一刷，内容就来了，而且你用的越多，后台的AI就越懂你，给你推荐的内容更准确，让你更加爱不释手。

国外的Facebook，早已推出了News Feed一类的产品，这个英文feed很形象，你喜欢什么，AI都可以喂给你。

国内的新闻、短视频，也还在如火如荼日新月异地发展，不断地把用户的视线，留在方寸之间的手机屏幕上。

趋势二：“眼球经济”的动力驱使下，平台服务商们的能力，正在变得越来越强。

平台服务商研发的AI，正在帮助平台持续地吸引用户的注意力，给用户画像，向用户推荐Ta感兴趣的内容、商品和服务，向广告主们提供精准的投放服务；而从中获取的回报，又可以投入研发更为强大的系统。

从社交、搜索、电商到团购、游戏、约车、新闻、短视频…在我们身边，已经有N个超级系统，具备同时服务几十亿人的能力。

从技术发展前景来看，智能系统正以前所未有的速度飞速发展；

从商业竞争格局来看，未来所有规模化的公司，都必须以大数据、AI的智能系统作为支撑；

这一过程将不可逆转。

AI与人共存的超级智能时代，不是即将来临，而是早已到了！

在这样的超级智能时代中，

AI对你的生活可能产生的负面影响，不是像“终结者”一样把你干掉，而是使你对内容上瘾，每天盯着手机看十几个小时，耗费掉你的时间和精力。

今天的这期节目，我们关注了智能时代的两大趋势：人越来越懒，机器越来越强。

明白了这些事，你会发现，其实问题的本质，还是如何管理好自己，了解科技，掌握科技，让科技更好地为我们服务。

新的一年已经开始，祝大家2019更上一层楼！

霍金的最后著作《重大问题简答》里，阐述了他对于科学和社会所面临的最大问题的思考，关于人工智能，霍金表达了他的担忧。

“The concern is that AI would take off on its own and redesign itself at an ever-increasing rate. Humans, who are limited by slow biological evolution, couldn’t compete and would be superseded.”

—《Brief Answers to the Big Questions》

他的担忧，并不是AI取代人的工作。

从历史发展进程来看，从工业革命以来，蒸汽、电、计算机的发明，每一次都取代了一部分的工作，但同时创造了更多的工作，在这个维度，AI和人类发明的很多工具一样，将成为人能力的延伸和扩展，可以使得人从重复低效的劳动中解放出来，做更为重要的事情。

霍金所担心的，是人工智能具备自我学习和迭代能力。

一旦AI可以发展出自己的意愿，我们无法保证“AI的意愿”和人类保持一致。

近年的《西部世界》等科幻片，已经在描绘这样的场景，然而，科学家霍金的担忧，不仅仅是科幻，更不会是空穴来风。

这期节目，我给大家介绍一下，在这个领域最前沿的研究：通用人工智能(Artificial General Intelligence)

首先介绍一下通用人工智能的概念：

从本专辑之前的节目中，大家可以知道，人工智能的基本方法是通过标注数据对模型进行训练，图像识别要用海量图片作为数据输入，而语音识别要用海量语音作为数据输入，训练出来的人工智能，都是某一领域的专家。比如AlphaGo下棋很厉害，但是无法像Siri一样与人对话。不能跨领域的AI，是所谓的“弱”人工智能。

如何训练出既能读书写字又会唱歌跳舞，琴棋书画样样皆通的“强”人工智能，是一项很大的挑战。

通用性，是“弱”人工智能与“强”人工智能的分水岭。

为了解决通用的问题，采用的方法也有所不同。

比如，马斯克投资的OpenAI，采用了一种叫做Universe的结构，它包含了三个组成部分：环境environment、接口interface和智能代理agent。我在文稿中给出了示意图，听音频的朋友，可以想象眼前有三个方框，从左到右依次是环境、接口、智能代理。

- 环境是真实世界问题的抽象，比如，浏览网页、PS照片、编辑文稿等等

- 接口包含了输入与输出两类，Universe采用了信息时代我们最为熟悉的接口：键盘、鼠标和屏幕。

- 智能代理，则是人工智能的算法模型，这里主要是深度强化学习这一类的自我产生训练数据的方法。

值得注意的是，这个结构已经具备了通用性。今天我们使用个人电脑、手机、平板来处理各种问题，显示屏用于提供系统状态和反馈，鼠标键盘触屏用于提供控制，这是我们非常熟悉的方式，如果把人换成智能代理，就变成了Universe的结构。

有了方法论以后，Universe在左侧的环境中，导入了真实世界中的很多问题。

其中电竞游戏，因其玩法策略的复杂性，成为了主要研究内容之一。

从当年乔布斯曾参与设计研发的雅达利游戏(Atari Games)到近期风靡全球的星际争霸、DOTA等大型网络游戏，都与Universe环境进行了集成。

在右侧的智能代理，则是各种类型的算法和模型。

比如，著名的演员与批评家方法（Actor-Critics），演员选择表演行为，批评家评判行为提供反馈，演员根据反馈对行为进行改进，以此迭代。

其中，深度强化学习，结合了深度学习在数据特征提取方面的优势，和强化学习在序列决策任务方面的优势，是目前通用人工智能领域最有效的方法。

在上一期节目中，我介绍了“左右互搏”的阿尔法狗，通过自我迭代升级，成为了棋类领域的通用人工智能。

而DeepMind在今年宣布的Impala，采用一个通用算法，通过自我迭代升级，已经可以完成30项不同的认知任务，采用更少的数据，却在性能上超越了之前的智能代理。

媒体报导则更加惊人：说原来预计在2035年左右才会出现的第一代通用人工智能，已经整整提前了18年！

当然，我们也不必杞人忧天，所谓

“滚滚长江东逝水，浪花淘尽英雄…古今多少事，都付笑谈中”

展望明天，同时也要活在当下。

今天的这期节目，我们回顾了霍金先生的担忧：人工智能的自我迭代能力，并介绍了通用人工智能的前沿进展。

其实，人的核心能力，也是一样，从2018走向2019，我们具备这种能力，才能不断地迭代进步。

祝大家在2019年迭代升级！

金庸大侠的武侠小说里面，老顽童周伯通被黄药师关在桃花岛上，一个人找不到对手，只有左右互搏， 从而悟出了新的武功。

而现实生活中，闻名遐迩的AlphaZero，采用的也是这样的方法。

今天的这期节目，向大家介绍一下阿尔法狗“左右互搏”的科技原理。

DeepMind公司的这一系列研究，有三个主要的里程碑：

第一阶段，AlphaGo通过学习人类棋手的棋谱，以4:1战胜人类超一流棋手李世石

在这个阶段，AlphaGo的训练方法，叫做监督式学习(Supervised Learning)，简单理解，就是从人类职业围棋高手对弈的棋谱中进行学习，集百家之长，来对付一个对手。在特定局面之下，走哪一步的胜率更高，都是精确的数据。

然而，现有的棋谱毕竟是有限的，把天下九段高手的武功全部学完，水平到了十段，就变成独孤求败了，很难再有提升。

（值得一提的是，在人工智能的很多应用领域，一旦超越了人类，再想提升就会变得很难，其主要原因，都是缺乏用于学习的标注数据。）

因此，在第二阶段，AlphaGo采用了新的训练方法，叫做强化学习(Reinforced Learning)，自己与自己下棋，左右互搏，利用这一过程中产生的数据进行学习。

值得注意的是，用于训练的数据中，不包含任何人类高手的棋谱，零经验，正如它的名字AlphaGoZero。

那么问题来了，没有人类高手的棋谱作为训练数据，如何判断左右互搏中下出的棋，是好棋还是坏棋呢？

一盘棋最终的胜负当然是判断标准，但，左手赢了并不代表左手下的棋都是好棋，只能表明在这一盘总共的n步棋当中，有若干步棋，左手比右手下得好。

那么，我们能不能对这些相对好的下法有所保留，再通过左右互搏，迭代出更好的下法呢？答案是能。

强化学习的核心思路，就是建立一个评价反馈系统，让智能体以“试错”的方式进行学习，通过环境提供反馈，对好的行为予以鼓励，对坏的行为予以惩罚，久而久之，好的行为就会被保留下来。

凭借TPU的超级计算能力，采用左右互搏的方法，人类棋手不曾下过的棋也放在了训练数据中，因此AlphaGoZero以100:0战胜了前面的AlphaGo。

第三阶段，DeepMind团队把左右互搏的方法拓展到其他棋类，训练出新的AI。AlphaZero横跨围棋、国际象棋、将棋，通过8小时训练战胜AlphaGo，4小时训练战胜了可碾压当年“深蓝”的顶级国际象棋程序Stockfish，2小时训练战胜顶级将棋程序Elmo，成为了跨界棋王。

AlphaZero的训练，只需要知道这几类棋的规则，通过左右互搏产生数据，在棋类领域具备了一定的通用性，向通用人工智能迈出了一步。

总结一下今天的内容：

今天我们以AlphaGo的发展历程为主线，介绍了“监督式学习”与“强化学习”的概念。

监督式学习，是在师傅的监督下，学习什么是好的什么是坏的。

强化学习，是采用“试错”的方式学习，通过环境进行评估反馈，做的好时有奖励，做的不好时被批评。

当年，深蓝战胜国际象棋世界冠军卡斯帕罗夫；

去年，AlphaGo赢了围棋世界冠军李世石、柯洁；

今年，OpenAI 5又在DOTA2这样的多人实时战略游戏中，战胜了职业游戏高手。

在棋牌、电竞等领域，人工智能战胜人类，一次次引起了媒体的广泛关注。

而这一系列算法模型等研究成果，又可以在其他应用领域中，创造出更大的价值。

前一阵的《中国好声音》里面，有一期节目，我们的师弟宿涵，向杰伦展示了如何用人工智能谱曲。

在此之前，微软团队也宣布，小冰具备了看图写诗的能力，还出版了由人工智能创作的现代诗集《阳光失了玻璃窗》。

而在苹果安卓的应用市场上，已经有非常多的app（deep art/prisma等等），可以将你拍摄的照片，处理成梵高、毕加索画作的风格。

那么，AI已经具备艺术创作的能力了吗？

答案是：Yes and No，是也不是。

先说一下Yes的部分：

大家知道，在音乐、诗词、美术等领域，知名的艺术家，都有自己的独特风格。

莫扎特优美典雅的旋律、苏东坡豪迈旷达的诗词、梵高充满想象力的画作...

而这些宏观上的风格，是从微观上的一系列特征中体现出来的。

- 音乐中的节奏、旋律、音色

- 诗词中的韵律、平仄、对仗

- 绘画中的构图、色调、光效等等

而从海量数据中，提取数据特征，正好是人工智能所擅长的事情。

莫扎特、苏东坡、梵高所具备的独特风格，从大数据和人工智能的视角来看，是他们作品的数据特征与其他人不同。

简单举例来说：

在音乐中，“1 3 5”后面的下一个音用什么，莫扎特有常用套路

在诗词中，“大江东去”后面接什么，苏东坡有常用套路

在绘画中，向日葵的形态、颜色、纹理，梵高有常用套路

对于音乐、诗词这一类有前后序列关系的数据，可以采用RNN的结构来提取数据特征，并预测下一个音或字。

对于绘画这样的图像数据，可以采用CNN的结构提取数据特征，并且通过迁移，将这些特征应用到新的照片上。

(这里的RNN和CNN都属于人工智能中的神经网络结构，分别是Recurrent Neural Network和Convolutional Neural Network的缩写。)

回答开篇的问题，准确的讲，应该说AI可以提取艺术作品的数据特征，并且依据这些数据特征，生成新的作品。

目前的AI艺术创作，都是基于这样的基本原理。

下面来说一下No的部分：

以目前我们对于脑科学的认知水平来说，灵感、创意等等是人与机器的本质差别。

制造与创作，这两个词现在还是有差别的。

人工智能的方法，采用数据特征提取与迁移，可以制造出新的作品。

而艺术家们，是如何产生这些本源的灵感创意，并且创作出这些作品的，我们目前还不得而知。

在现阶段，人工智能与艺术家二者的融合已经开始，有一些新派的艺术家，从AI生成的作品中获得灵感，进行再创作。

伴随脑科学的进步，或许在不久的将来，AI的艺术创作将成为现实。

我们身边的各种媒体，常常出现这样三个词汇：人工智能、机器学习、深度学习，今天这期节目，为大家介绍一下它们之间的相互关系。

人工智能，Artificial Intelligence，简称AI，顾名思义，是指采用人工方式使得计算机具备认知、分析、判断、预测等能力的方法。

早在上世纪50年代，工程师就已经开始尝试，让机器像人类一样思考和解决问题。

AI的实现方式，可以采用数据学习，也可以采用逻辑编程。

早期的人工智能，多数是采用逻辑编程的方式实现的，比如一些棋牌类的AI，在某种局面下应该走哪一步，是可以通过逻辑的if else来实现的；而从AlphaGo战胜李世石以来，数据学习的方式取得了非常好的效果，在研究和应用领域都受到非常高的关注。

值得一提的是，逻辑编程的传统方式，在今天仍占有一席之地，2018年的星际争霸AI大赛中，获得冠军的队伍采用的方法，就是基于规则的逻辑编程，甚至击败了采用数据学习的Facebook AI团队。

机器学习，Machine Learning，简称ML，是人工智能的子领域之一，特指采用数据学习实现人工智能的一类方法。机器学习起源于上世纪80年代，主要研究特定的算法和数学模型，采用海量数据，训练出数学模型的参数。

在前面人工智能图像识别的一期节目中，我们介绍了一个简单的式子：X*W=Y，这里的W就是我们的模型，机器学习先要根据问题设计出模型W，然后采用已知的Xtrain和Ytrain，训练出W中的参数，然后对未知的Xtest可就解出Ytest。

机器学习有非常多的应用场景：

比如根据关键字词等数据识别出垃圾短信和邮件，根据电商平台的订单数据作出供需预测，根据浏览/关注/点赞/回复数据进行新闻头条、短视频的内容推送等等。

深度学习，Deep Learning，简称DL，则是机器学习的子领域之一，特指采用多层结构提取数据特征的机器学习方法。深度学习的方法，在一定程度上参考了人处理问题的过程。比如我们识别一辆车，视网膜成像以后，由神经网络进行处理，再把信息传送给大脑，这其中既包含了轮廓、形状、颜色等具象信息，也包含了车灯、反光镜、排气管等抽象信息。深度学习借鉴了这一过程，采用多层结构提取数据特征，低层神经元处理后的信息再传给高层神经元，充分利用数据的低维具象特征和高维抽象特征，实现数据分类、回归等系统目标。

近年以来，在图像识别、语音识别、自然语言处理、机器翻译等应用领域，采用深度学习的方式都取得了突破进展。

以语音识别为例，输入一段语音，要输出一段文本。

以前的机器学习方式，是分步骤的，先识别出“a o e i u u”这些音节特征，然后再识别字，然后再识别词和句子。

而深度学习，直接是端到端的，这边是语音，那边是文本，用系统提取数据特征，减少了人为提取中间特征的子步骤。

总结一下今天的内容：

第一，人工智能、机器学习、深度学习是随着时间进程逐步发展而来的。

上世纪50年代、80年代、本世纪10年代是三个主要的时间节点。

第二，人工智能、机器学习、深度学习在概念范畴上是逐步递进的。

深度学习是采用多层结构提取特征的机器学习方法，机器学习是采用数据训练来实现人工智能的方法。

希望今天的内容，能对你有所帮助。

阿凡达的英文avatar 是化身的意思

影片中的男一号最厉害的本事，是在一个密封舱里，用脑电与阿凡达连接，让自己的超级化身在真实世界里驰骋。

然而，这件事仅仅是科幻吗？

你如果到过科技馆，应该会注意过一款脑电游戏：一张桌子，上面一个金属小球，玩家戴上一款特制头盔，然后注意力集中起来，用自己的脑电波让球前后滚动。

这里面所用到的，是一种叫做EEG的脑电技术。

其基本原理是这样的：

大脑在活动时，大量神经元产生的生物电，会使得头部表面的电位差发生变化。

通过电极采集这些信号，我们就可以记录下脑电波。

大脑在处于不同的状态时，脑电波会呈现出不同的波形。

比如，

你用大脑默默计数，从1默念到100，脑电波会出现一种波形。

你开始冥想，想象你身边是蓝天白云红花绿草，脑电波会出现第二种波形。

你回味你最喜欢的旋律，“Do Re Mi Fa So”，脑电波会出现第三种波形。

当然，不同人的脑电波也是各不相同的。

而且，数学家在思考数学问题、画家在进行创作、音乐家在谱曲时，所形成的脑电波，呈现的规律性可能会更强。

这种采集脑电波的方法，有点类似于这样的场景：

在一个万人体育馆里，正在进行一场足球比赛。

你虽然没有门票，但是在体育馆外也能知晓比赛进程。如何做到呢？当你听到一阵欢呼声后的叹息声，那一定是精彩射门但没进球；持久不息的掌声和欢呼，才是进球。

有了采集脑电波的方法，如果我们记录下特定的波形，并且把它作为外部系统的控制信号，这样，你的脑电波就可以用来控制外部系统！

以前面提到的脑电游戏为例：

我们把体验者从1默念到100的脑电波，设定为让金属小球向前滚动；把从100默念到1的脑电波，设定为让金属小球向后滚动。这样，金属小球就可以被体验者的脑电控制了。

采用相同的原理，我们可以把金属小球换成是虚拟世界中的英雄人物，或者真实世界中的阿凡达，通过训练，就可以用脑电波来控制这些外部系统。

TED上有一期节目，生物学家训练猴子�用意念控制机械手臂，给自己喂橙汁，控制机械肢体。

我在文稿中给出了TED上的播放链接，感兴趣的朋友可以参考。

https://www.ted.com/talks/miguel_nicolelis_a_monkey_that_controls_a_robot_with_its_thoughts_no_really?language=zh-cn#t-815195

下面，我们来发挥一下想象力，大胆构想一个未来的应用场景：

今天我和你说话，是用我的大脑，控制我的嘴部肌肉，讲出的语言通过空气振动，传到你的耳中，你的大脑处理了这些信号，然后明白了我在讲什么。

因为空气振动的传播距离有限，我们发明了电话，将声波转化为电波来进行传输。

因为语言不通，我们又发明了机器翻译，这头说的中文，那头出来的是英文。

但是，我们觉得这样还不够简单。

更酷的方式，是我戴上一顶帽子，你戴上一顶帽子，我用大脑想一下要给你说什么，我的帽子把我的想法告诉了你的帽子，然后你就懂了。

这便是钢铁侠马斯克的neurallink正在进行的一件事。

今天的节目，我们主要介绍了阿凡达背后的脑电科技，人类的大脑是目前世界上最为复杂的系统之一，随着研究的不断深入，以及生物科技与计算机科技更为紧密的结合，相信我们的未来生活，一定会更加丰富多彩。

感兴趣的朋友们，可以订阅这一专辑，也欢迎你在留言区，分享你的观点，我们共同进步。

在上一期节目里，我们提到：人工智能可以做短视频实时分类。短视频里面是广场舞、吉他弹唱，还是头文字D的车技飘移，都可以被AI识别出来。

这是怎样做到的呢？

我们先思考这样一个问题：今天如果你来看视频，你自己，如何识别出里面的车呢？

“车”是一个抽象概念，并不与生俱来，而是在后天的过程中，通过数据的学习训练，逐步形成的。

小时候的看图识字、生活中的观察、驾校培训、好莱坞大片...这些数据，不断地帮助我们构建和完善大脑中的模型：一辆车，应该具有轮子、门、挡风玻璃、尾灯、排气管、后视镜等要素，这些要素之间还有空间关系（当然，除了视觉等采集到的数据，发动机轰鸣声、汽油味等其他感官要素，也是大脑中车模型的组成部分）。

值得一提的是，大脑基于原有模型，还可以吸收新的数据进行叠加学习，比如特斯拉不需要排气管，现在路上见到的绿色牌照是新能源车，等等。

对于一张全新的图像，视网膜采集像素，神经元提取颜色、轮廓等信息，大脑将图像信息与抽象概念进行比对，然后形成了图像中是否有车的判断。

那么，AI如何能做到图像识别呢？

我们很自然想到一种方法，就是模仿人的信息处理过程：通过大量的数据，让计算机形成模型，建立图片与抽象概念之间的关联关系。

我们用一个非常简单的等式，来说明这个过程。

这个等式是：

X * W = Y

这里，X是输入，也就是我们看到的图像；

W是模型，你可以理解为我们大脑中关于车的模型；

Y是输出，也就是抽象概念中的“车”。

AI图像识别，有两个步骤：

第一步，学习训练。也就是已知X和Y，求解W的过程。学习的方法，是找来大量的车的照片，给这些图像都打上”车“这个标签，进行模型训练。打个比方，还没有完成训练的AI，有点像个小孩，你需要给他很多张图片，用这些数据来训练他，告诉他这些都是车，他才能慢慢掌握车的特征。

第二步，预测判断。也就是已知W，给出新的X，求解新的Y的过程。打个比方，已经完成训练的AI，有点像车的专家，因为他见过了太多的车，抓住了车的特征，所以就很容易做出判断，即便是有些新款式的概念车，他也能识别出来。

这样的方法，还可以推广到很多其他的应用场景：

比如机器翻译，左边的X是英文，右边的Y是中文，google的Chrome浏览器就可以帮你翻译你看不懂的英文网页。

语音识别，左边的X是语音，右边的Y是文字，苹果的Siri和小米的小爱同学就能听懂你的话

包括更为复杂的自动驾驶等等，其基本原理都是一致的。

总结一下我们今天的内容，其实是一个简单的公式：

X * W = Y

采用海量的标签化数据，人工智能可以被训练出来，帮助我们做预测和判断。

在后续的节目中，我将继续介绍我们身边的科技，感兴趣的朋友们，可以订阅这一专辑，也欢迎你在留言区，分享你的观点，我们共同进步。