查看“周晓锋:万物皆算法”的源代码

{{4}}
以下内容为周晓锋演讲实录：

今天我要跟大家分享的内容叫万物皆算法。在开始演讲之前，我想问大家一个问题：你今天为什么会来？答案五花八门。

我还想问大家第二个问题：什么样的活动会吸引你参加呢？比如我看到今天的活动场面这么火爆，我也很想组织一场活动。

于是我就给大家发了一个调查问卷，上面写着：什么样的时间段你会有时间来？活动的主题是什么你更有兴趣？每个人都有自己的答案。

我把问卷和答案收集起来，经过整理和计算，就会得到一个图形。这个图形长得像一棵树，节点就是你对一个活动是否感兴趣的原因。

它是按照重要程度从上到下排列的。我拿到这个图形之后就可以了解大家的喜好，对活动内容做出调节。这棵树有一个名字叫做决策树。它属于一类机器学习算法。

在给大家解释什么是机器学习算法之前，我们来看一下什么是算法。

图中这个问题大家都很熟悉了。把大象装冰箱分为三步，其实这就是一个算法。算法就是我们解决一类特定问题有限步骤的描述。它是我们用来解决一类问题的方法，而不是只进行一次计算所采用的方法。

你知道了这个答案之后，下次你把一只企鹅装冰箱，把一头老虎装冰箱，就都会了。

算法有什么用呢？如果我们说数学是用来描述自然的语言，算法其实就是我们改变世界的工具，所以算法是一类工具。

人们从古至今一直在尝试着用数学知识为我们的生活服务。比如，中国在魏晋时期，刘徽在《九章算术》里就用多边形的面积去逼近圆的面积，为了求解到π的近似值。

中世纪，意大利数学家斐波那契发现了一个很有意思的规律，比如有一对兔子，这对兔子从第三个月开始每个月会生一对小兔子，然后小兔子从它们的第三个月开始每个月又会生一对小小兔子，子子孙孙无穷尽也。

那么，我们能不能计算出来每个月的兔子数量是多少呢？

可以，我们有公式，这也是一个算法。我们把这个数列连起来就是斐波那契数列。

这个数列有很多特殊的地方。比如说最简单的，它的任意一项都等于前两项之和。我们把数列里面的每一项作为一个正方形的边长，它可以无限地拼接成长方形。

图中长方形与正方形的比例是黄金分割比例。我们再把正方形里面的内接弧线拼接起来就形成了一个螺线，也就是斐波那契螺线。

图中这个海螺的形状就是斐波那契螺线。松果和向日葵种子的排列方式，甚至银河系的形状都是按照斐波那契螺线的形状生长的。

黄金分割和斐波那契数列被人们广泛地应用到建筑、绘画乃至LOGO的设计中。因为人们觉得符合黄金分割比例的这种构图就是美的，就是和谐的。

甚至有人用斐波那契数列来分割股票的走势，进行股票交易。

我讲的这些内容都是数学，跟算法有什么关系呢？写成公式就是数学，我们用这个知识来解决生活中的问题就是算法。

其实大家每天都在用算法，我们现在就来看一下身边有哪些算法。

外卖的出现拯救了一大批懒癌患者，甚至有些人在生活中已经离不开外卖了。

你知道当你躺在沙发上抱怨为什么自己11点时点的外卖，12点还没有送来的时候，外卖小哥在做什么吗？为了尽快把餐送到你的手上，他其实想走一条最近的路线。

我们假设他现在同时给三个用户送餐，他有三种选择。理想的解法就是在三种选择里找到一条最近的路线，然后按照这个顺序去送餐就可以了。

如果同时给五个用户送餐呢？路线选择便成了60种。

现在用户增加到10个，大家猜一猜这个路线变成了多少种？大于180万种。

更不要提，其实我还没有计算餐馆数量，外卖小哥还要去取餐。这个问题实际上就是一个典型的旅行商问题。

比如，我是一个推销员，我想走遍这些城市而且不要重复，我希望规划出一条最短的路线去实现。但实际上这个问题是很难得到一个最优解的。

城市数量越多，解的空间越呈爆炸式的增长。这个问题就解决不了了吗？

我们看一下动物界是怎么做的。

蚂蚁是一种神奇的动物。我们不说蚂蚁团队是怎样做到逢山开路、遇水架桥；也不说它们在没有设计师的情况下，是怎么建造一个庞大精美的蚁穴的；我们今天单说蚂蚁是怎样找到回家的路的。

不管食物和蚁穴之间有多少障碍物，蚂蚁都有这个本领，它们就能找到回家的近路。怎么做的呢？

其实开始的时候，它们是以等概率，随机选择路线的。

但是它在走路的时候会分泌一种叫信息素的东西，后面的蚂蚁会倾向于选择信息素浓的那条路去走。

我们知道走了近路的蚂蚁往返的次数就多，这条路线上的信息素的浓度就越大。时间一长，所有的蚂蚁都自动集中到这条近路上去了。

人类就学习了蚂蚁的这种本领，模拟它们的这种行为发明了蚁群算法，专门解决刚才说的求解不了的问题。

不光蚂蚁有这种本领，蜜蜂在各个花朵和蜂巢之间，也会规划出一条比较近的路线。还有鱼群、萤火虫等都有很多本领。

人类就模拟了各种各样的动物的行为，发明了各种各样的算法。我们把这一类算法叫作智能搜索算法。

旅行商问题在我们的生活中很常见，比如集成电路的设计和焊接问题就是一个旅行商问题。

还有连锁超市的货物配送问题也是旅行商问题。

给大家分享了传统算法、智能搜索算法，现在到了大家最想听的机器学习算法。

我们说计算机的出现让人类的计算能力大大提高了。我们只要把数据和公式转换成算法一起交给计算机，它就会自动给我们计算出结果。

但是随着信息化的发展越来越好，数据呈现爆炸性的增长。人类越来越发现有点hold不住这些数据了。海量的数据使我们没有办法去从里面挖掘、总结规律。

比如，最开始做图像处理的时候，如果想识别一个车牌，人类需要先教计算机，车牌有一个固定的形状信息，它有特定的纹理信息，再加上一定的颜色信息，照着这个规律去找车牌。这时候，计算机就从图片里很快能把车牌定位到。

但是如果这个问题复杂化了，如果图片上是一只猫的话，按照刚才的方法是行不通的。

所以我们就换了一种思维，把一些数据和我们已经知道的一些结果提交给计算机，由计算机来替我们总结和挖掘里面的规律，然后形成一个公式，之后再告诉我们。这个想法就是机器学习算法的思想。

按照这个思路我们来看，这时候要识别一只猫，只需要给计算机看大量的、用人工标记好的含有猫的图片，然后由机器自己去总结和抽取规律。

它抽取到的这些特征有些是我们可以理解的，有些可能超出了我们的认知范围。再给计算机一张新的图片的时候，它就可以从里面搜索到猫。

同样，在自动驾驶领域，我们不用再费心地去总结车辆有什么特征，路牌有什么特征，行人有什么特征。

我们只需要把标记好的街景交给计算机，它就会自动抽取这些物体的特征。等到上路的时候实现自动识别。

采用相同原理的还有AlphaGo。我们都知道AlphaGo在围棋上已经战胜了人类。

在AlphaGo Master之前，它按照人类的方法去学习怎么下棋，然后跟人类对弈。可是到了AlphaGo Zero的时候，它完全抛弃了人类给它总结的这些知识。

它怎么学习的呢？自己跟自己下棋，怎么下呢？它按照等概率随机地在任何一个位置上落子，下一个黑子，再下一个白子，就这样下了1000多盘棋。

如果用四个字来形容这个时候的水平可以说是惨不忍睹，连小学生的水平都不如。但是没有关系。它采用机器学习的原理，从这1000多个棋局中去学习，学习两个思路。

第一个就是这些落子的位置应该不是等概率的，肯定是下在某些地方好，某些地方不好，它就学习这些不同的位置的落子概率是什么。第二个就是在当前的局面下，往哪一步发展会让它赢的概率更大。

学习到了这些知识之后，自己再跟自己下棋，又下了1000多盘。这时候的水平就比刚才略有提高。

然后它再去总结其中的规律，更新自己的教练系统，再指导自己下棋。就这样反复下，下了五天，它就学会了围棋里面人类总结出来的所有定式。

人类总结这些定式花费了几百年。什么叫定式呢？就是招法。AlphaGo参透了人类所有顶级的招法，不但如此，它还自创了几套招法，自己找到了几个定式，这些定式人类到现在还没有找到。

每次讲到这个话题的时候，总会有人说人工智能打败了人类，感到很沮丧。其实大可不必担心，因为AlphaGo的应用范围很窄，只能做下棋这件事。

它不会唱歌，也不会写诗，如果你想让它做别的事情就得重新训练，甚至重写代码。这就比人类差得多了。虽然我们学得慢，但是我们忘得快。

忘得快也不怕，因为我们会用基础知识去推导，我们想一想原理，想一想学过的其他事情，我们就会做这件事。

这种举一反三的能力，人工智能到现在为止是绝对没有的。你大可不必担心人工智能打败人类，这至少是以后的事情。

生活中的机器学习算法

回到决策树，我们开头说的决策树也是一样的思想，数据就是我给你的问卷，结果就是大家做的答案，经过我的推导和计算就得到了这棵决策树，决策树可以帮我们做很多事情。

比如我知道了一个以往用户的个人情况和他偿还贷款的情况，我就可以判断一个新的用户有没有偿还贷款的能力。

还可以通过对一车西瓜进行学习，学习它的颜色、纹理、敲起来的声音，然后做出一棵挑瓜的决策树，给我们吃瓜群众挑一个又甜又大的西瓜。

我们现在的生活其实已经被机器学习算法包围了。我们像依赖手机一样依赖算法，比如我说睡觉了，晚安。其实不是睡觉，潜台词是躺在床上开始刷手机，一玩玩到后半夜。

比如看抖音，里面的内容太好看了，手机放不下。为什么放不下手机？因为它给你推送的都是很有意思的内容。为什么一直推送你感兴趣的，它怎么知道你喜欢什么呢？

这后面运行的就是推荐算法。它的原理就是：在刷抖音的时候，你对每一条视频的点赞、转发、评论，以及有没有看完这条视频，看完这条视频以后，有没有进到作者的主页里面看他其他的视频。

你的这些行为都被软件记录下来，然后它会给你做一个用户画像，你用软件的时间越多，它了解你就越多，甚至知道你的喜好，知道你的购物习惯，知道你的作息时间。

它会按照这些标签把用户进行分组，相似的人都分到一组。跟你相似的这组人，其他人看过并且喜欢的视频就会推送给你，而你会有很大的概率喜欢这条视频。

如果一味地这样给你推送，你可能也会觉得厌烦，审美疲劳了。它会给你推送一些其他的内容，如热门视频，你的好友发布的视频，你关注的人发布的视频，当然还有一些营销性质的广告视频。

它会按照排序算法做一个列表，按照优先级放在那里，等着你去浏览。

由于你前一天晚上刷手机熬夜了，第二天早上要迟到了，你会用手机叫个车。这时候后台运行的是你的规划路线和空闲车辆的位置匹配算法，后台运行的还有计价算法。

我们知道高峰时期很难打到车，但是加价就可以。计价算法就会根据你叫车的地区用户的繁忙程度、空闲车辆情况，给你推荐一个加价的金额。

甚至如果你总加价的话，它还会根据你以往的加价记录，精准地给你计算出来一个让你勉强可以接受的价格。好不容易到了公司，你坐下来打开网页上邮箱，网页两面弹出大大的广告页面，都是你昨天晚上搜索的物品信息。

更过分的是，我们经常用聊天软件跟别人聊天的时候，如果提到了某个商品，隔天就会收到推送广告。我自己前两天被小区的流浪猫挠了，晚上我就用手机搜索狂犬疫苗。

第二天早上，我在床上躺着刷微博的时候，给我推送的第一条内容就是大学生因狂犬病痛失生命，吓得我赶紧去打疫苗。

生活中还有很多很多类似情况，比如你使用搜索引擎，你用手机刷脸解锁，你骑共享单车，你跟智能音箱对话。只要你细心观察，其实背后都是机器学习算法。

我们从远古时代利用算法治水耕田，到工业时代利用算法进行大规模生产，再到现在的信息时代，我们实现了初级的人工智能。

我们一直在追求更好。但是机器学习还有很多局限性。就像这张图片，机器并不能正确地区分出小狗和玛芬蛋糕的区别。

当然还有很多在大家看不见的领域，比如工业领域，机器学习算法的应用还没有像互联网领域那么成熟和普及。

图中这种精密的装配工作，现在机器就做不了。

而且，机器学习并不能帮助我们为大家量身订作一款你喜欢的产品。后面还有很多工作要做。

我跟我的团队就是致力于把机器学习算法应用到工业领域，解决更多的问题，让我们的工业生产变得更智能化。

也许几十年以后，那时候的人们回头看现在的我们，说我们的机器学习算法根本就不算是算法，我们的人工智能根本就不是人工智能，但是不怕，因为我们一直在追求更好。

人类追求更好也是我们刻在基因里面的算法。