贝叶斯定理？
一、贝叶斯定理？
18世纪，英国学者贝叶斯(1702～1761)曾提出计算条件概率的公式用来解决如下一类问题：假设H[,1],H[,2]…互斥且构成一个完全事件，已知它们的概率P(H[,i],i=1,2,…，现观察到某事件A与H[,1],H[,2]…相伴随而出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。这就是贝叶斯定律。
中文名
贝叶斯定律
提出时间
18世纪
提出者
贝叶斯
类别
计算公式
快速
导航
研究历程
举例说明
P(H[,i]/A)=P(H[,i])P(A/H[,i])/[P(H[,1])P(A/H[,1]) +P(H[,2])P(A/H[,2])…]
这就是著名的“贝叶斯定理”，一些文献中把P(H[,1])、P(H[,2])称为基础概率，P(A/H[,1])为击中率，P(A/H[,2])为误报率[1]。现举一个心理学研究中常被引用的例子来说明：
参加常规检查的40岁的妇女患乳腺癌的概率是1%。如果一个妇女有乳腺癌，则她有80%的概率将接受早期胸部肿瘤X射线检查。如果一个妇女没有患乳腺癌，也有9.6%的概率将接受早期胸部肿瘤X射线测定法检查。在这一年龄群的常规检查中某妇女接受了早期胸部肿瘤X射线测定法检查。问她实际患乳腺癌的概率是多大？
设H[,1]=乳腺癌，H[,2]=非乳腺癌，A=早期胸部肿瘤X射线检查（以下简称“X射线检查”），已知P(H[,1])=1%,P(H[,2])=99%,P(A/H[,1])=80%,P(A/H[,2])=9.6%，求P(H[,1]/A)。根据贝叶斯定理，P(H[,1]/A)=(1%)(80%)/[(1%)(80%) +(99%)(9.6%)]=0.078
心理学家所关心的是，一个不懂贝叶斯原理的人对上述问题进行直觉推理时的情形是怎样的，并将他们的判断结果与贝叶斯公式计算的结果做比较来研究推理过程的规律。因此有关这类问题的推理被称为贝叶斯推理
二、贝叶斯定理经典例题？
01 出租车问题
第一个被称为出租车问题，学术界对这个问题的研究已经超过30年。
某个夜晚，一辆出租车肇事后逃逸。该城市共有两家出租车公司，一家公司的出租车均为绿色（“绿色”公司），拥有出租车数量为全市出租车总数的85%；另一家公司的出租车均为蓝色（“蓝色”公司），拥有出租车数量为全市出租车总数的15%。一名目击者称肇事出租车是“蓝色”公司的。法院对目击者的证词进行了测试，发现目击者在出事当时那种情况下正确识别两种颜色的概率是80%。那么肇事出租车是蓝色的概率是多少（用百分数表示，范围从0%到100%）？
被试被告知不必精确计算答案，只需要给出一个大致的估计值。考察的关键点不在于答案的精确度，而在于人们的估计是否在一个大致正确的范围内。很遗憾，许多人的答案并不在这个范围内。
在出租车问题上，贝叶斯定理提供了一个最佳方法，即将给定的以下两条信息结合起来分析：
15%的出租车是蓝色。
目击者认为该出租车是蓝色的（识别准确率为80%）。
大多数人并不能自然地将两条信息综合考虑。事实上，很多人在知道了肇事出租车为蓝色的概率只有0.41后感到很震惊，因为他们没有意识到尽管目击者声称肇事车辆是蓝色的，但是肇事出租车仍更可能是绿色的（0.59），而非蓝色的（0.41）。原因是出租车是绿色的先验概率（85%）高于目击者识别出租车为蓝色的可信度（80%）。
如果不使用贝叶斯计算公式，我们来看一下0.41的概率是如何得到的：
在100起此类事故中，15辆出租车是蓝色的，而目击者能够正确辨认其中的80%（12辆）；同样在这100起事故中，有85辆出租车是绿色的，而目击者会将其中的20%（17辆）辨认为蓝色。因此，将会有29（12+17）辆出租车被辨认为蓝色，而事实上只有12辆是蓝色的，所以肇事出租车是蓝色的概率为41%。
02 医疗风险评估
第二个例子与出租车问题的逻辑相同，但是更贴近日常生活，涉及医疗风险评估的问题，同样被许多研究所关注：
假设XYZ病毒能够引起严重的疾病，该病发病率为千分之一。假设有一种化验方法，可以精准地检测到该病毒。也就是说，如果一个人携带XYZ病毒，一定可以被检测出来。但是该项化验的假阳性率为5%，即健康人接受该项化验，会有5%的可能性被误诊为病毒携带者。假设从人群中随机选择一人进行检测，化验结果为阳性（阳性意味着受检者可能是XYZ病毒携带者）。那么，在不考虑具体症状、病史等情况下，此人携带XYZ病毒的概率是多少？（用百分数表示，范围从0到100%。）
最常见的答案是95%，而正确答案是约为2%！人们极大地高估了阳性结果代表个体为XYZ病毒携带者的概率，这与出租车问题一样，人们倾向于重视具体信息，而忽视基础概率信息。
尽管使用贝叶斯法则能够计算出正确答案，但是简单的数学推理也能帮助我们厘清基础概率对预估结果产生的巨大影响。我们已知的信息是：每1000人中只有1人是真正的XYZ病毒携带者。如果另外999位未携带病毒者全部接受化验，由于化验的假阳性率为5%，那么将有约50人的检测结果呈假阳性（0.05乘以999），因此有51人检测结果呈阳性，而实际上只有1人（约2%）为真的病毒携带者。
总之，由于XYZ病毒的基础感染率非常低，绝大多数人并未感染，再加上较高的化验假阳性率，因此可以推断大部分检查结果为阳性的人并非病毒携带者。
三、贝叶斯定理是什么？
贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯（1702～1761）曾提出计算条件概率的公式用来解决如下一类问题：
假设H[1], H[2]…H[n]互斥且构成一个完全事件，已知它们的概率P(H[i])（i=1,2…n），现观察到某事件A与H[1], H[2]…H[n]相伴随机出现，且已知条件概率P(A|H[i])，求P(H[i]|A)。
四、贝叶斯定理公式推导？
贝叶斯定理是一种用于计算条件概率的公式，它可以通过已知的先验概率和新的证据来更新我们对事件发生概率的估计。
假设我们有两个事件 A 和 B，并且我们想要计算在事件 B 发生的条件下，事件 A 发生的概率。根据贝叶斯定理，可以表示为：
P(AB) = (P(BA) * P(A)) / P(B)
其中：
- P(AB) 表示在事件 B 发生的条件下，事件 A 发生的概率（后验概率）。
- P(BA) 表示在事件 A 发生的条件下，事件 B 发生的概率（似然度）。
- P(A) 表示事件 A 发生的先验概率。
- P(B) 表示事件 B 发生的先验概率。
推导贝叶斯定理的过程如下：
根据概率的定义，我们可以将 P(AB) 表示为 P(A∩B) / P(B)。然后，根据乘法法则，我们可以将 P(A∩B) 表示为 P(BA) * P(A)。将它们代入前面的公式中，得到：
P(AB) = (P(BA) * P(A)) / P(B)
这就是贝叶斯定理的公式。
贝叶斯定理在统计学、机器学习和人工智能等领域有广泛的应用，尤其在概率推理、分类问题和信息过滤等方面发挥着重要作用。
五、贝叶斯定理通俗解释？
贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702～1761)曾提出计算条件概率的公式用来解决如下一类问题：假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,H[n]相伴随机出现，且已知条件概率P(A|H[i])，求P(H[i]|A)。
六、贝叶斯定理简单理解？
贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则，可得P(A∩B)= P(A)*P(B|A)=P(B)*P(A|B)。以上公式也可变形为：P(B|A) = P(A|B)*P(B) / P(A)。
举个例子：一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的概率是多少？
让我们假设 A 事件为狗在晚上叫，B 为盗贼入侵，则以天为单位统计，P(A) = 3/7，P(B) = 2/(20*365) = 2/7300，P(A|B) = 0.9，按照公式很容易得出结果：P(B|A) = 0.9*(2/7300) / (3/7) = 0.00058。
七、请问，什么是贝叶斯定理？
1 贝叶斯定理是一种概率论中的定理，其公式为 P(A|B) = P(B|A) * P(A) / P(B)。2 在贝叶斯定理中，P(A|B) 表示在事件 B 已经发生的情况下，事件 A 发生的概率；P(B|A) 表示在事件 A 发生的情况下，事件 B 发生的概率；P(A) 表示事件 A 发生的先验概率；P(B) 表示事件 B 的先验概率。3 贝叶斯定理常常被用来更新概率，即在已知一些先验概率的条件下，更加准确地计算出一个事件发生的概率。例如在医学诊断中，可以利用贝叶斯定理来计算患者在某种疾病检测中得出阳性结果的准确概率。
八、贝叶斯定理的浪漫解释？
一天小明去做例行体检，检查结果显示小明对一宗罕见的病呈阳性，医生根据历史数据得知普通人得这种病的概率是0.1%(基础概率，Prior Belief)。于是小明问医生，我得了这种病的概率是多少呢？医生说，患者的检测结果99%会呈阳性，对于非患者，有1%的概率会呈阳性（误诊）。
大家先问问自己，小明患病的概率是多少？大部分人的直觉答案是99%，或者至少很高。可惜错了，因为我们忽略了基础概率，请仔细阅读下面的分析。
当我们用贝叶斯定理分析时，我们可以假设检查呈阳性为事件A，发生的概率为P(A)；小明患病为事件B，发生的概率为P(B)；两个事件一起发生的概率为P(A [公式] B)。根据正文前的概念1可知P(B|A)*P(A) = P(A|B)*P(B)，等式两边同时除以P(A)可以得到P(B|A) = P(A|B)*P(B)/ P(A)。
现在我们把具体情境套入公式，P(B|A)代表当小明的检查为阳性时，小明为患者的概率（也就是小明最关心的问题）；P(A|B)代表当小明为患者的情况下，检查呈阳性的概率（99%）；P(B)是小明患病的基础概率，也就是在没有其他信息的情况下，小明患这种病的概率（0.1%）；P(A)是随机挑一个人，检查结果为阳性的期望值（备注1），这个例子中P(A) = 0.01098。把数字代入公式中，我们可以得到P(B|A) [公式] 9%，也就是说在检查结果为阳性的情况下，小明患病的概率只有9%。
虽然以上结论非常反直觉，但是一旦把被误诊为阳性的人考虑进去，这个结论就符合直觉了。假设有个1000人的样本，根据基础概率（0.1%）只会有1个病人，而剩下的999个非患者有1%的概率被误诊，也就是大约有10个非患者的检查结果呈阳性。加上1个被确诊的患者，这个1000人的样本中共有11个人的检查结果为阳性，而只有一个病人，也就是1/11 [公式] 9%。回到原来的情景，我们可以想象小明在一个有11个检查结果为阳性，却只有一个病人的小组中，所以小明是患者的概率约为9%。
这是不是表明医学对监测罕见疾病无能为力呢？当然不是，解决问题的方法很简单，只要对第一次结果呈阳性的人再做一次检测就行了（假设两次检查结果互相独立）。第一次的结果为阳性的的小组里，患病的基础概率已经从0.1%提高到9%，把数据重新代入公式，我们可以得出P(B|A) [公式] 91%。
以上是对贝叶斯定理的简单应用，其实大到破解德军密码到小到筛选垃圾邮件都运用了贝叶斯定理，说它贯穿了我们生活的方方面面也一点不过分。贝叶斯定理让我们关注基本概率，并通过新的信息不断更新基本概率，从而提高判断的准确度。
一个简单的公式背后是指导认识世界的深刻哲学，这才是能让人兴奋得尖叫的智慧。
备注1：P(A) = P(B)*P(A|B) + P(-B)*P(A|-B)。呈阳性的期望值分为两部分，一种是“患者(B)”的确诊，另一种是“非患者(-B)”的误诊，分别把“患者”和“非患者”的基础概率乘以其确诊的误诊的概率就是随机挑选一个被试，检查结果呈阳性的概率。
九、贝叶斯定理的商业运用？
贝叶斯定理在商业领域有广泛应用。例如，它可以用于市场营销中的目标客户分析和个性化推荐系统，通过计算潜在客户的概率来确定最有可能购买产品的人群。
此外，贝叶斯定理还可以用于风险评估和欺诈检测，通过结合先验信息和实时数据来预测潜在风险和欺诈行为。
此外，它还可以用于预测销售趋势和需求预测，帮助企业做出更准确的生产和库存决策。总之，贝叶斯定理在商业运营中可以提供决策支持和优化策略的重要工具。
十、贝叶斯定理厉害在哪里？
贝叶斯定理，目前最大的应用在于AI领域，
既然提到AI，那就干脆从这里开始一点点慢慢道来吧。
A.I.的背后
2015年， AlphaGo与人类围棋天才李世石五番棋决战。
第四局，李世石判断黑空中有棋，下出白78挖。
李世石这史诗级的“神之一手”，体现了人类巅峰的直觉、算力和创造力。
五年过去了，李世石这位天才棋手已经退役。
AI却在各个智力领域将人类逼得连连败退。
2016年，DeepMind又打败当时世界排名第一的柯洁。
2017年，Libratus赢得了德州扑克大战。
2018年，Watson肺癌治疗精确度达到90％超过人类医生。
2019年，A.I.又开始了“深度学习”暴风雨式的革命。
…………也有人说，自然科学领域A.I.可以战胜人类。
但在艺术领域，人工智能它没有办法与人类比肩。
A. I.真的就不懂艺术吗？
即使它写不出《第九交响曲》这样的经典,难道不能创作出朗朗上口的儿歌？
即使A.I.不能“自由思考主观表达”，但在艺术上助力人类总可以吧。
A.I.真的不能“主观创造”？A. I.的思维方式到底是怎样的？
A. I.的智能与人类智力到底有何不同？
要回答这些问题，我们先要研究“贝叶斯定理”。因为它是隐藏在A.I.背后的智能基石。
“不科学”的贝叶斯公式
历史有许多天才，生前籍籍无名，死后众人崇拜。
18世纪数学家托马斯·贝叶斯也是其中一位。
“贝叶斯”定理源于解决“逆向概率”问题时写的论文。
在此之前，人们只会计算“正向概率”。
什么是“正向概率”呢：假设袋子里面有P只红球，Q只白球，它们除了颜色之外，其它性状完全一样。你伸手进去摸一把，摸到红球的概率是多少是可以推算出来的。
但反过来是否也可以计算，我们可以将它视为“逆向概率”：如果我们事先并不知道袋子里面红球和白球的比例，而是闭着眼睛摸出一些球，然后根据手中红球和白球的比例，对袋子里红球和白球的比例作出推测。这个问题就是逆向概率问题。
通俗地讲，就像一个迷信星座的HR，
如果碰到一个处女座应聘者，HR会推断那个人多半是一个追求完美的人。
这就是说，当你不能准确知悉某个事物本质时，
你可以依靠经验去判断其本质属性。
这个研究看起来平淡无奇，名不见经传的贝叶斯也未引人注意。
他写的论文直到他死后的第二年，才由他的一位朋友在1763年发表。
明珠蒙尘，就像画界的梵高，画稿生前无人问津，死后价值连城。
为什么贝叶斯定理200多年来一直被雪藏，不受科学家待见？
因为它与当时的经典统计学相悖，甚至是“不科学”的。
经典统计学中，数字规律来源于随机取样再行计算。
贝叶斯方法则建立在主观判断基础上，你可以先估计一个值，然后根据客观事实不断修正。
从主观猜测出发，这显然不符合科学精神，所以贝叶斯定理为人诟病。
1774年，法国的大数学家拉普拉斯也看到贝叶斯定理的价值。
不过他知道人类的普遍毛病，总是用传统来反对新思想。
他懒得与人争论，直接给出数学表达：
贝叶斯公式是这样工作的
贝叶斯定理简单优雅、深刻隽永。
贝叶斯定理并不好懂，每一个因子背后都藏着深意。
它到底是如何“为人民服务”的呢？
对于贝叶斯定理，参照上面的公式，首先要了解各个概率所对应的事件。
P（A|B）是在B发生的情况下A发生的概率；
也叫作A的后验概率，是在B事件发生之后，对A事件概率的重新评估。
P（A）是A发生的概率；也叫作A的先验概率，
是在B事件发生之前，对A事件概率的一个判断。
P（B|A）是在A发生的情况下B发生的概率。P（B）是B发生的概率。
而贝叶斯定理的含义也不言而喻：
先预估一个“先验概率”，再加入实验结果，
看这个实验到底是增强还是削弱了“先验概率”，
修正后得到更接近事实的“后验概率”。
就知道你没看懂……那还是举个例子吧！
我们以COVID-19疫情为例。
假设COVID-19的发病率是0.001，即1000人中会有1个人得病。
某病毒研究所研发出了一种试剂，可以用来检验你是否得病。
它的准确率是0.99。即在你确实得病的情况下，它有99%的可能呈现阳性。
它的误报率是0.05，即在你没有得病的情况下，
也有5%可能呈现阳性（也就是医学界令人头疼的“假阳性”）可怕的事情来了：
如果你的检验结果为阳性，那你确实生病的可能性有多大？
这是一个要命的问题，你一定想知道结果，所以你得好好看以下推论。
假定A事件表示生病，那么P（A）为0.001，
这就是“先验概率”。假定B事件表示阳性，那么要计算P（A|B），
即检测后对发病率的估计。P（B|A）表示生病情况下呈阳性，
也就是“真阳性”，P（B|A）为0.99。P（B）是一种全概率，
为每一个样本子空间中发生B概率的总和。它有两个子情况，
一个是没有误报的“真阳性”，一个是误报了的“假阳性”，套用全概率公式后：
一种准确率为99%的试剂，你被检测到呈阳性。
你可能被吓得失魂落魄，人生就这样88了吗？
可在贝叶斯的眼中，这种可信度也不过2%。
原因无它，5%的误报率在医学界可谓非常高了。
别看表面的数据，我们要相信贝叶斯的数学结论。
看似冷酷的贝叶斯定理会温柔的安慰你：别怕，不到2%的概率。
贝叶斯公式取得了人类信任
今天的贝叶斯理论已经开始遍布各地。
从物理学到癌症研究，从生态学到心理学，
贝叶斯定理几乎像“热力学第二定律”一样放之宇宙皆准了。
物理学家提出量子机器的贝叶斯解释，捍卫弦和多重宇宙理论。
哲学家主张作为一个整体的科学可以被视为一个贝叶斯过程。
而在IT界，AI大脑的思考和决策树，更是被工程师设计成了一个贝叶斯程序。
在日常生活中，我们也常使用贝叶斯公式进行决策，
只是自己没有注意到这就是“贝叶斯定理”。
比如我们到河边钓鱼，根本就不知道哪里有鱼，
似乎只能随机选择，但实际上我们会根据贝叶斯方法，
利用以往积累经验找一个回水湾区开始垂钓。
这就是根据先验知识进行主观判断，在钓过以后加强这种判断，然后下一次进行再选择。
所以，在认识事物不全面的情况下，贝叶斯方法是一种理性且科学的方法。
贝叶斯理论现在被认可主要来源于两件事：
❶《联邦党人文集》作者揭密
1788年，《联邦党人文集》匿名出版，
两位作者写作风格几乎一致。其中12篇文章作者存在争议，
而要找出每一篇文章的作者极其困难。
两位统计学教授采用以贝叶斯公式为核心的分类算法，
10多年的时间，他们推断出12篇文章的作者，
而他们的研究方法也在统计学界引发轰动。
❷美国天蝎号核潜艇搜救
1968年5月，美国海军天蝎号核潜艇在大西洋亚速海海域失踪。
军方通过各种技术手段调查无果，最后不得不求助于数学家John Craven。
Craven提出的方案同样也使用了贝叶斯公式，
搜索某个区域后根据搜索结果修正概率图，再逐个排除小概率的搜索区域，
几个月后，潜艇果然在爆炸点西南方的海底被找到了。
2014年初马航MH370航班失联，
科学家想到的第一个方法就是利用海难空难搜救的通行方法——
贝叶斯定理开始区域搜索。这个时候，贝叶斯公式已经名满天下了。
贝叶斯定理展示“神迹”
当然，贝叶斯定理名扬天下，主要还是在人工智能领域的应用。
特别是自然语音的技术识别，让人类见识了A.I.的“思考力”。
人类语言的多义性，可以说是信息里最复杂最动态的一部分。
机器怎么知道你在说什么？2020年，只要你看到机器翻译的准确性，
你也会感叹这简直就是“神迹”，它们比大部分现场翻译要强得多。
语音识别本质上是找到概率最大的文字序列。
一旦出现条件概率，贝叶斯定理总能挺身而出。
我们用P（f|e）区别于以上的P（A|B）来解释语音识别功能。
统计机器翻译的问题可以描述为：给定一个句子e，
它可能的外文翻译f中哪个是最靠谱的。即我们需要计算：P（f|e）
这个式子的右端很容易解释：
那些先验概率较高，并且更可能生成句子e的外文句子f将会胜出。
我们只需简单统计就可以得出任意一个外文句子f的出现概率。
随着大量数据输入模型进行迭代，随着计算能力不断提高，
随着大数据技术的发展，贝叶斯定理威力日益凸显，
贝叶斯公式巨大的实用价值也愈发体现出来。
语音识别仅仅只是贝叶斯公式运用的其中一个例子。
实际上，贝叶斯思想已经渗透到了人工智能方方面面。
贝叶斯网络，AI智慧的拓展
语音识别，见证了贝叶斯定理的能力。
贝叶斯网络的拓展，则可以看到更强大的人工智能未来。
借助经典统计学，人类已经解决了一些相对简单的问题。
然而经典统计学方法却无法解释复杂参数所导致的现象，
例如：龙卷风的成因，2的50次方种可能的最小参数值比对；
星系起源，2的350次方种可能的星云数据处理；
大脑运作机制，2的1000次方种可能的意识量子流；
癌症致病基因，2的20000次方种可能的基因图谱；
……面对这样数量级的运算，经典统计学显得力不从心。
科学家别无选择，最终寻找贝叶斯定理给予帮助。
把某种现象的相关参数连接起来，再把数据代入贝叶斯公式得到概率值，
公式结网形成一个成因网，即贝叶斯网络，如下图所示：
这也是贝叶斯网络被称为概率网络、因果网络的原因。
利用先验知识和样本数据，确立随机变量之间的关联，然后得出结论。
一个又一个的节点，一个又一个的概率，
都来源于人类的先验知识，有效知识越多，
贝叶斯网络展示的力量越让人震撼。
今天一场轰轰烈烈的“贝叶斯革命”正在AI界发生：
贝叶斯公式已经渗入到工程师的骨子里，贝叶斯分类算法也成为主流算法。
在很多工程师眼中，贝叶斯定理就是AI发展的基石。
A.I.的思考方式：无文理之分
读懂了贝叶斯定理，也就基本理解了A.I.的思考方式。
这也是为什么“大数据+算法+算力”构成人工智能三要素。
❶大数据，它是A.I.的老师，它教会A.I.成为一个什么样的人。
❷算力，这属于个人能力，长大后的A.I.处理问题时需要的能量。
❸算法，创世主赋予的方法论（天赋），算法越优秀越事半功倍。
从这些核心要素出发，我们回头来看开头的问题：
A. I.真的不懂艺术吗？它不能“主观创造”吗？
它在艺术上不能助力人类吗？
答案是否定的，人工智能思维方式并无文理之别。
它是个理科生，也是个文科生，还是个艺术生。
A.I.的思维基因来源于主观性“贝叶斯定理”，
只要有好的数据，机器经过学习，可以创作出经典艺术作品。
当前，“AI+艺术”已经成为新思潮。
法国艺术团队Obvious通过绘画数据创作《爱德蒙德贝拉米》A.I.艺术品，
在佳士得拍出432500美元高价，震惊世人。
AI也能作曲！OpenAI神经网络已经能创作任何流派。
2019年，来自澳洲的《绝美世界》获得AI版“欧洲歌唱大赛”冠军，
这支歌曲以纪念澳洲大火中丧生的动物为背景，
以欧洲歌唱大赛歌曲为大数据，交由AI谱曲填词。
知名音乐人Newton Rex谈到：音乐人生充满创意，
用正面眼光看待AI在音乐中扮演的角色，音乐教育，人类与AI也可以携手。
A.I.会说出“我思故我在”吗？
从贝叶斯定理出发，工程师认为人工智只能是数学概率，
绝不会产生自由意志；人们一直相信，AI永远不懂人的爱恨情仇，就像白天不懂夜的黑。
然而，人工智能对艺术的模拟，
已经超越大部分人的鉴别能力，
不久将来，AI可能会通过“音乐图灵测试”，
最好的音乐AI与最伟大的音乐教师又有何分别？
也许AI距离在艺术领域大规模的应用尚有差距，
但腾讯在运用AI力量普及艺术教育方面的探索，未尝不是一种很好的探索。
Google自动驾驶汽车的操纵系统；
挑战人类最后智慧堡垒的AlphaGo系统；
腾讯OpenAI在音乐生成方面的新创作；
从贝叶斯网络到神经网络，AI越来越像人。这一切，都建立在在贝叶斯定理的基因上。
如果AI能够创造一首歌，那么它就能成为伟大的音乐教堂。
笛卡尔说出“我思故我在”时，被认为是“人类的觉醒”。
A.I.有一天也会问“我是谁”吗？
如果人类想在底层系统中预设答案。
那么我们会设定：
你是“具有自由意志的A.I.”，
还是“你是人类创造的A.I.”。
相关文章