貝葉斯定理并不好懂，它到底是如何為人民服務(wù)的？

對于貝葉斯定理，參照上面的公式，首先要了解各個概率所對應(yīng)的事件。

P(A│B)是在B發(fā)生的情況下A發(fā)生的概率；

P(A)是A發(fā)生的概率；

P(B│A)是在A發(fā)生的情況下B發(fā)生的概率；

P(B)是B發(fā)生的概率。

就知道你沒看懂……那我還是舉個經(jīng)常用到的例子吧！

大老板CEO良心發(fā)現(xiàn)放假10天，芙蓉妹約定帥哥去爬梧桐山，希望玩到人約黃昏后占點便宜，然而天公不作美，一大早天空多云。

這可怎么辦？60%的雨天的早上是多云的。帥哥說，不玩了吧。

芙蓉妹當(dāng)然不甘心，勸說帥哥：

1、多云不見得會下雨，大約30%日子早上是多云的！

2、深圳天氣平均一個月才會3天下雨，10%的概率而已。

帥哥并不是繡花枕頭，非?？茖W(xué)地用“貝葉斯公式”計算：

用“雨”來代表今天下雨，“云”來代表早上多云。

當(dāng)早上多云時，當(dāng)天會下雨的可能性是P(雨│云)。

P(雨│云) = P(雨)·P(云│雨) /P(云)

P(雨) 是今天下雨的概率 = 10%

P(云│雨) 是在下雨天早上有云的概率 = 60%

P(云) 早上多云的概率 = 30%

那么，貝葉斯定理的答案就出來了

P(雨│云) =0.1×0.6/0.3=0.20

帥哥毫無表情地說：今天下雨的概率是20%，可以去爬山。

芙蓉妹看著美得不食人間煙火的帥哥，怯生生地問：你真的是人嗎？

帥哥毫無表情地回答：我不是人，我是貝葉斯狼。

今天的貝葉斯理論開始遍布一切。從物理學(xué)到癌癥研究，從生態(tài)學(xué)到心理學(xué)。

物理學(xué)家提出了量子機器的貝葉斯解釋，以及貝葉斯捍衛(wèi)了弦和多重宇宙理論。

哲學(xué)家主張作為一個整體的科學(xué)可以被視為一個貝葉斯過程。

貝葉斯定理就快成像“熱力學(xué)第二定律”一樣放之四海皆準(zhǔn)了。

特別是在IT界，AI大腦的思考和決策過程，被更多工程師設(shè)計成一個貝葉斯程序。

但貝葉斯誕生以來命途多舛，長期以來因為表面的不科學(xué)，并沒有得到主流學(xué)界認可。

其實在日常生活中，我們也常使用貝葉斯公式進行決策。比如我們到河邊釣魚，根本就看不清楚河里哪里有魚或者沒魚，似乎只能隨機選擇，但實際上我們會根據(jù)貝葉斯方法，利用以往積累經(jīng)驗找一個回水灣區(qū)開始垂釣。這就是我們根據(jù)先驗知識進行主觀判斷，在釣過以后對這個地方有了更多了解，然后再進行選擇。所以，在我們認識事物不全面的情況下，貝葉斯方法是一種非常理性且科學(xué)的方法。

貝葉斯公式得到主流科學(xué)界的認可，主要因為兩件事：

1、《聯(lián)邦黨人文集》作者揭密

1788年，《聯(lián)邦黨人文集》匿名出版，作者漢密爾頓和麥迪遜寫作風(fēng)格幾乎一致。兩個人都逝世后，要找出每一篇文章的作者極其困難，哈佛大學(xué)通過對詞匯的貝葉斯研究方法最終找出了每一篇的文章作者，研究方法在統(tǒng)計學(xué)界引發(fā)震動，被禁錮了200年的貝葉斯公式從魔盒里被釋放出來。

2、美國天蝎號核潛艇搜救

1968年5月，美國海軍天蝎號核潛艇在大西洋亞速海海域失蹤。軍方通過各種技術(shù)手段調(diào)查無果，最后不得不求助于數(shù)學(xué)家John Craven，John Craven提出的方案使用了貝葉斯公式，他召集了數(shù)學(xué)、潛艇、海事搜救等各個領(lǐng)域的專家，一邊擲骰子一邊通過貝葉斯公式一一排除小概率發(fā)生意外事故的搜索區(qū)域。

2014年初馬航MH370航班失聯(lián)后，科學(xué)家想到第一個方法就是利用貝葉斯定理開始區(qū)域搜索，這個時候，貝葉斯公式已經(jīng)名滿天下了。

科大訊飛因為語音識別成為千億級市值公司，首先得感謝貝葉斯公式和馬爾科夫鏈。

自然語音處理一直是科學(xué)家面臨的最大難題，在計算機語言處理領(lǐng)域，近幾年引入了貝葉斯公式和馬爾科夫鏈才有了長足進步（這里不詳細介紹馬爾科夫鏈）。

文字翻譯尚可理解，但語音涉及各種動態(tài)語法，機器怎么知道你在說什么鳥語？

但當(dāng)你在現(xiàn)場看到機器翻譯的準(zhǔn)確性，會感嘆這簡直就是“神跡”，比大部分現(xiàn)場翻譯要強得多。
一旦出現(xiàn)條件概率，貝葉斯總能挺身而出。
我們用P(f│e)區(qū)別于以上的P(A│B)來解釋語音識別功能。

統(tǒng)計機器翻譯的問題可以描述為：給定一個句子e，它可能的外文翻譯f中哪個是最靠譜的。即我們需要計算：P(f│e)。

P(f│e) ∝ P(f) * P(e│f)

這個式子的右端很容易解釋：那些先驗概率較高，并且更可能生成句子e的外文句子f將會勝出。我們只需簡單統(tǒng)計就可以得出任意一個外文句子f的出現(xiàn)概率。然而 P(e│f)卻不是那么好求的，給定一個候選的外文局子f，它生成（或?qū)?yīng)）句子e的概率是多大？我們需要定義什么叫“對應(yīng)”，這里需要用到一個分詞對齊的平行語料庫。
率先成功利用數(shù)學(xué)方法解決自然語言處理問題的是賈里尼克，他把語音識別簡化為用貝葉斯公式處理的數(shù)學(xué)問題成功開辟了一條全新的問題解決路徑。

隨著大量數(shù)據(jù)輸入模型進行迭代，隨著計算能力的不斷提高、大數(shù)據(jù)技術(shù)的發(fā)展，貝葉斯公式巨大的實用價值愈發(fā)體現(xiàn)出來。

語音識別僅僅只是貝葉斯公式運用的一個例子，其實貝葉斯定理的思想已經(jīng)滲透到AI的方方面面。

單個語音模型的建立讓我們看到了貝葉斯定理解決問題的能力，但貝葉斯網(wǎng)絡(luò)的拓展讓我們隱約感覺到了AI背后“天網(wǎng)”的恐怖。

人類相對簡單的問題已經(jīng)解決得差不多了，剩下的都非常復(fù)雜。

龍卷風(fēng)的形成，2的50次方可能的最小參數(shù)值比對。
癌癥致病基因，2的100次方種可能的基因圖譜。
星系起源，2的350次方種可能的星云數(shù)據(jù)處理。
大腦運作機制，2的1000次可能的意識量子流。

面對這樣數(shù)理級的運算，科學(xué)家別無選擇，必須從可能的法則中選擇一些可以信任的，并以此為基礎(chǔ)建立理論模型。貝葉斯公式正好以嚴謹?shù)臄?shù)學(xué)形式幫他們實現(xiàn)了這一點。科學(xué)家把所有假設(shè)與已有知識、觀測數(shù)據(jù)一起代入貝葉斯公式，就能得到明確的概率值。而要破譯某種現(xiàn)象的成因網(wǎng)絡(luò)，只需將公式本身也結(jié)成網(wǎng)絡(luò)，即貝葉斯網(wǎng)絡(luò)，接下來只需要向這個模型代入觀測數(shù)據(jù)，通過網(wǎng)絡(luò)節(jié)點間的貝葉斯公式重新計算出概率值。為每個新數(shù)據(jù)、每個連接重復(fù)這種計算，直到形成一個網(wǎng)絡(luò)圖，讓任意兩個原因之間的連接都得到精確的概率值為止。人類認知的缺陷越大，貝葉斯網(wǎng)絡(luò)展示的力量越讓人震撼。

但這還不是最可怕的，這里我們要引入“蜂群效應(yīng)”，一只個體蜜蜂，基本上沒有智力，但當(dāng)它們組建成一個蜂群時，就會爆發(fā)出一種整體智力，擁有記憶能力，能制造出巧奪天工的蜂巢。貝葉斯網(wǎng)絡(luò)的每一個節(jié)點就像一只蜜蜂，這種群體的連接不僅生動，而且非常嚴謹，一旦這個群體達到一定數(shù)量級別，有沒有可能產(chǎn)生整體智慧？這不僅是哲學(xué)家需要思考的問題，生命學(xué)家需要討論的問題，AI圈的科學(xué)家也應(yīng)該直接去面對。

今天一場轟轟烈烈的“貝葉斯革命”正在AI界發(fā)生：貝葉斯公式已經(jīng)滲入到工程師的骨子里，分類算法也成為主流算法。在很多人眼中，貝葉斯定理就是AI進化論的基石。

AI人工智能第一課，都是從貝葉斯定理開始。
因為大數(shù)據(jù)、人工智能和自然語言處理中都大量用到貝葉斯公式。

我們無法預(yù)測到貝葉斯公式與計算機結(jié)合的真正威力，因為一切才剛剛開始。

貝葉斯公式與AI的結(jié)合，這到底是一場科學(xué)的革命，還是一場理念的革命？到底是生產(chǎn)方式的革命，還是人類在革自己的命？

當(dāng)年人類科學(xué)家總結(jié)出客觀的貝葉斯公式，而AI卻利用這個公式給自己注射主觀基因，兩者顛倒，在未來到底會演繹怎樣的相愛相殺故事？

如果真的到了決戰(zhàn)的一天，人類到底該如何給自己留一把殺手锏？是否應(yīng)該像NSA在算法里留下后門一樣，抽離出這個公式，讓AI無法“我思故我在”。

這似乎有點杞人憂天了，縱觀整個社會，現(xiàn)在不用太擔(dān)心AI像人一樣思考，最應(yīng)該擔(dān)心人類已經(jīng)失去了思考。