戏说福彩三D第2024346期一维推演（修改版）

摘要：以前就爱看《终结者》《机械公敌》这类电影，心里老琢磨为啥机器能像人一样思考呢？其实啊，人工智能可不是只存在于科幻电影里的东西了，它早就融入到咱们生活的方方面面。就说平常的事儿吧，好多公司门口的门禁用的是人脸识别，医院靠计算机快速分析肺部 CT 影像来诊断病情，

戏说福彩三D第2024346期一维推演

上期开奖317。

朋友好，今天是12月25日，星期三。

上期一维推演九大条件只错2个，可惜中位数发生错误。

一维（正向）观察，依然按1空集＋（个数）热度＋回补力度的预定方案执行。这个锚锭是不能乱变的，效果如何，只能看天意了。

号码分析很枯燥，不如加点料。照例先分享一篇文章：人工智能：从科幻到现实，改变生活的科技力量

以前就爱看《终结者》《机械公敌》这类电影，心里老琢磨为啥机器能像人一样思考呢？其实啊，人工智能可不是只存在于科幻电影里的东西了，它早就融入到咱们生活的方方面面。就说平常的事儿吧，好多公司门口的门禁用的是人脸识别，医院靠计算机快速分析肺部 CT 影像来诊断病情，开车在路上违章了，电子眼咔嚓一拍，罚单就来了。这里面的人脸识别、CT 影像识别、车牌识别，可都用到了人工智能。还有手机上的语音助手、智能音箱、美颜软件，短视频平台推荐你喜欢的视频，电子邮件的垃圾邮件拦截，这些也都是人工智能在发挥作用。以后咱们要实现自动驾驶、智慧工业这些高大上的领域，人工智能更是必不可少。要是没了人工智能，咱们的生活可能得倒退三十年，真不敢想象那会是啥样。所以今天呢，咱就好好聊聊人工智能这个话题，顺便也讲讲神经网络的基本工作原理，让大家心里有个底。

一、人工智能的发展历程

人工智能可不是最近才冒出来的新点子。很久以前，东西方的古老神话里就有关于人造人的故事。到了 20 世纪 30 年代到 50 年代，随着神经生物学、计算机科学、数学等学科的进步，人工智能才第一次走进科学家的视野。

1950 年，英国有个超厉害的计算机科学家叫图灵，他提出了一个很有意思的问题：机器会思考吗？然后他还搞出了一个测试机器智能的标准，叫图灵测试。就是让一个人 C 通过文字啥的跟另外一个人 A 和一台计算机 B 聊天，如果这个人 C 没法通过一连串的问题分清 A 和 B 谁是人谁是计算机，那这台计算机就算通过了图灵测试。图灵还预测到 2000 年的时候，计算机经过五分钟的问答，能骗过 30%的人，让大家以为它是真人。这图灵测试每年都有，到 2014 年，终于有个叫尤金古斯特曼的人工智能软件被 33%的人当成了 13 岁的小男孩，成功通过了测试。对了，计算机领域有个最高奖叫图灵奖，就是以图灵的名字命名的，这个奖在计算机界就相当于诺贝尔奖那么厉害。图灵在二战的时候帮英国制造计算机，破译德军密码，很多人觉得这是盟军打赢战争的关键之一，后来还被拍成了电影《模仿游戏》。

1956 年，美国的计算机科学家马文明茨基、约翰麦卡锡，还有信息论的奠基人香农这些大佬开了个达特茅斯会议，在这个会上，“人工智能”这个词就诞生了。从那以后，人工智能就开始快速发展。后来明茨基和麦卡锡因为在人工智能领域贡献大，都得了图灵奖。香农呢，他更牛，通信理论方面有个诺贝尔奖叫香农奖，就是用他的名字命名的。

不过在之后的几十年里，因为算法和计算机运算能力有限，人工智能起起落落。直到 1997 年，IBM 的人工智能程序“深蓝”打败了称霸国际象棋十二年的卡斯帕罗夫，人工智能才迎来第三次大发展。从那往后的二十多年，在人工智能算法方面出了好多厉害的人物。像多伦多大学的计算机学家杰弗里辛顿，他被称为深度学习之父，把反向传播算法 BP 用到了人工智能里；纽约大学的杨立坤，他搞的卷积神经网络 CNN 也很有名。这俩人加上加拿大蒙特利尔大学的约书亚本吉奥，一起拿了 2018 年的图灵奖。在这些科学家的努力下，人工智能在一些特定领域，比如图像识别，识别率都超过人类了。现在咱们上网看到外文，点一下翻译按钮就能变成中文，出国旅游用个人工智能软件就能跟当地人交流，多方便啊。

二、损失函数：计算机的思考方式

说到底，人工智能这事儿其实是个数学问题。咱举个例子，怎么预测房子的成交价格呢？大家可能都觉得大城市的房子比小城市贵，市区的比郊区贵，学区房更值钱。但怎么用数学把这关系表示出来呢？最简单的，咱们先假设房价和面积有关系。把一些房子的面积和成交价格的数据画在图上，会发现房价和面积差不多是正相关的。那咱们就想找个函数关系，能尽量准确地表示房价 y 和面积 x 的关系。最简单的就是直线关系，y = wx + b，这里 w 是直线的斜率，b 是截距。w 和 b 不一样，直线在图上的位置就不一样。但实际上，咱们很难让每个数据点都正好在这条直线上，预测的房价 yi 和实际房价 yi 总会有差别。这时候就用损失函数来衡量这个差别，把每个数据点真实价格 y 和预测价格 y 做差，再把这些差的平方加起来。如果损失函数很小，就说明咱们找的函数很接近实际数据，这就是好的回归分析。咱们的目标就是找到合适的 w 和 b，让这个误差函数最小，这在数学上叫最小二乘法。在高斯和勒让德那个时代，人们就找到了通过方程求解 w 和 b 的方法。但要是参数很多，高斯的方法就不太好用了，于是就有了梯度下降算法，通过一次次逼近，找到最小的损失函数和最优的参数。

简单说，损失函数 j 是参数 w 和 b 的函数。咱们大概画一下损失函数随着参数变化的样子，它可能有个最低点。当参数取合适的值，损失函数最小的时候，它就不随参数变化了，或者说对这个参数的梯度是零。要是参数不合适，损失函数就会随着参数变，梯度就不是零，而且梯度越大，离损失函数最低点就越远。所以咱们先随便设一对参数 wi 和 bi，然后用算法不断迭代。通过这个迭代方程，一步一步找到最优的参数，沿着误差损失函数找到那个让误差最小的点，这时候的 w 和 b 就是最好的解，代表了房价和面积关系最准确的直线。

当然了，房价可不光取决于面积，还可能和城市、房龄、位置这些因素有关。假如有面积参数 x1，城市参数 x2、房屋年龄 x3、位置参数 x4，那房价就可以假设是这四个参数的线性组合，这时候就有五个参数 w1 到 w4 和 b 了。咱们就得一直用梯度下降算法调整这些参数，找到最合适的一组，让预测结果和已知数据的误差函数最小。刚才是在二维平面上找损失函数最小值，现在是在五维空间里找，输入数据、计算、调整参数，这个过程就是机器学习或者训练。要是找到了最优解或者接近最优解，训练就结束了；要是没找到，就得调整参数和模型。这其实和人类学习的过程有点像，就像老话说的吃一堑长一智，只不过现在是用数学方法表现出来了。

三、神经网络：模拟人类大脑的智能网络

从本质上讲，人工智能就是通过一点点调整参数，找到一个损失函数，让输入的值能尽量准确地得到输出值。但实际的机器学习问题比刚才预测房价的例子要复杂得多。比如说房价不光和面积大小有关，还和离市中心远近、房龄长短、楼层情况、物业水平、周边有没有工厂、学校、医院，甚至汇率、人口结构这些因素都有关系，而且很可能不是简单的线性关系。在图像识别问题上，一张图就有上百万个像素点，也就是上百万个输入参数，这可咋整呢？为了解决这些复杂问题，科学家们就设计了神经网络算法。

大家在网上搜人工智能、机器学习、深度学习这些词的时候，可能会看到一张图，上面有好多圆圈，这些圆圈就叫神经元。神经网络的想法是从人类大脑来的。人脑子里有好几百亿个神经元细胞，每个神经元前面有树突用来接收信息。树突受到刺激后，神经元会判断刺激大小，如果刺激够大，就会通过神经递质或者电信号，经突触把信号传给下一级。1943 年，美国神经科学家沃尔特皮茨和沃伦麦卡洛克研究了人类神经元结构，他们发现人脑的神经元是多输入单输出系统，而且输出只有两种，0 或者 1。如果输出是 0，就表示上一级神经元不向下一级传信号；如果输出是 1，就表示传信号。用计算机来模拟人类大脑，就有了人工神经网络，他们还提出了最早的人工神经元模型 MP 模型。这个模型就是把输入参数 x1 到 xn 做线性组合得到函数值 y，再把 y 放到一个非线性的激活函数里，得到一个 0 到 1 之间的值。常用的激活函数叫西蒙的函数，这个函数的值越小，向下一级传信号的概率越低；值越大，传信号概率越大。这样就能把一堆输入数字变成 0 或者 1 的输出。只要参数选得合适，就能让计算机帮咱们做判断题。

比如说给计算机一张 25 个像素组成的纯黑白图像，让它判断这图像是不是字母 X。计算机可不像咱们人能直接看出图像内容，它只认识数字。这张图 25 个像素点，每个不是黑就是白，对计算机来说就是个 5 乘 5 的数字矩阵，每个输入端要么是 0，要么是 1。如果是灰度图或者彩色图呢？灰度图每个像素点可以用 0 到 255 之间的一个数字表示，相当于一个 8 位二进制数字；彩色图每个像素点得用 RGB 三个颜色的饱和度表示，数据量就更大了。但不管怎样，计算机眼里一张图就是一组数字，只是多少不一样。把图片代表的数字输入神经网络的输入层，数据依次流过隐层，传到输出层。输出只有两种可能，0 或者 1。输出 0 表示计算机觉得这不是 X，输出 1 表示它觉得是 X，这就完成了机器的识别过程。

在训练的时候，把好多张图片输入系统，同时告诉计算机正确答案，这样计算机就能算出误差函数。这个误差函数和预测房价的不太一样，但原理差不多，模型越接近实际，误差函数就越小。然后通过梯度下降算法，计算机一次次调整参数，让误差函数越来越小，最后得到一组最优解，训练就完成了。以后再给它一张图片，它就能判断这个字母是不是 X 了。

要是只判断一张图是不是 X，可能一层神经元就够了。但在现实中，像用人工智能翻译文章，得认识好几千个文字或者单词，还得理解意思、判断含义，一层神经元根本搞不定这么复杂的事儿。人脑中的神经元有好多层，每层又有好多神经细胞。所以人工智能也学这个结构，弄了多层的神经网络。多层神经网络的隐层有好多层神经元，每层又有很多神经元，相邻两层的神经元两两都有连接，这种就叫全连接网络，它能处理更复杂的问题，这样机器就能像人一样思考各种复杂的事儿了。

不过全连接网络有个大问题，就是太复杂了。比如说判断刚才那个 25 个像素的图像是不是 X，假设隐层有三层，每层 25 个神经元，那就得优化大概两千个参数。这还只是个简单的黑白图片，实际的图片像素成千上万，还有 RGB 三种颜色，训练的时候还得用大量图片，以前的计算机根本算不过来，这也是人工智能以前发展不起来的一个原因。后来辛顿搞出了反向传播算法，就是优化的时候不用同时对所有参数优化，先考虑最后一层的参数，优化完了再看前一层的参数，这样反复训练就行。他这工作让人工智能又火了起来，进入了第三次热潮。

再看看历史上的工业革命，每次都是因为科学技术有了大突破才发生的。18 世纪，牛顿力学等有了突破，瓦特改良蒸汽机，人类就进入了蒸汽时代，英国就成了日不落帝国。19 世纪末 20 世纪初，法拉第发现电磁感应，麦克斯韦阐明电磁波原理，人类发明了发电机和无线电通信技术，美国就成了世界第一强国。20 世纪中叶，电子技术、计算机技术突破了，人类进入电子时代。前三次工业革命中国都没赶上，但是现在不一样了，世界正处在以无线互联网、人工智能、新材料、生物技术等为代表的第四次工业革命当中，这次中国可没落下。不管是 5G 技术，还是人工智能技术，或者新材料、生物科技技术，中国的科学家和企业用了一二十年就追上来了，在很多新科学和新材料方面都走在世界前列。

就说北京的海淀区吧，在人工智能领域那可是有很好的产业基础和先发优势，科研力量一直带头创新。这里有清华大学、北京大学这些世界一流的高校院所，还有北京智源人工智能研究院、北京通用人工智能研究院、北京科学智能研究院这些新型研发机构和一批全国重点实验室。智源研究院搞大模型，弄出了 FLAG Open 一站式开源开放平台，发布悟道 3.0 系列大模型和模型评测、芯片评测平台。通研院发布通用智能小女孩通通评级、标准与测试平台、科研平台通信等，围绕价值与因果驱动的技术路线有了很多重大成果。科研智能研究院发布了全球首个深度势能原子势函数预训练模型，都涵盖了元素周期表近九十种元素，创新了科研基础设施。质朴华章发布全自研第四代基座大模型 GLM4，性能接近 GPT4；百川智能发布超千亿参数的大语言模型百川 3，在相关中文任务上比 GPT4 还厉害。