有人說(shuō)，人工智能(ArtificialIntelligence)是未來。人工智能是科(kē)幻小說(shuō)。人工智能已經是我(wǒ)們日常生活的(de)一部分。所有這(zhè)些陳述都ok，這(zhè)主要取決于你所設想的(de)人工智能是哪一類。

　　例如，今年早些時候，GoogleDeepMind的(de)Alphago程序擊敗了韓國圍棋大師(shī)李世乭九段。人工智能、機器(qì)學(xué)習和深度學(xué)習這(zhè)些詞成為(wèi)媒體熱詞，用(yòng)來描述DeepMind是如何獲得成功的(de)。盡管三者都是AlphaGo擊敗李世乭的(de)因素，但(dàn)它們不(bù)是同一概念。

　　區(qū)别三者最簡單的(de)方法：想象同心圓，人工智能(AI)是半徑最大的(de)同心圓，向內(nèi)是機器(qì)學(xué)習(MachineLearning)，最內(nèi)是深入學(xué)習(DeepLearning)。

　　從概念的(de)而提出到繁榮

　　自從幾位計(jì)算機科(kē)學(xué)家在(zài)1956年的(de)達特茅斯會(huì)議(yì)上提到這(zhè)個(gè)詞以後，人工智能就萦繞在(zài)實驗研究者們心中，不(bù)斷醞釀。在(zài)此後的(de)幾十年裡(lǐ)，人工智能被标榜為(wèi)成就人類文明美好(hǎo)(hǎo)未來的(de)關鍵。

　　在(zài)過去的(de)幾年裡(lǐ)，特别是2015以來，人工智能開始大爆發。這(zhè)在(zài)很大程度上提高(gāo)了GPU的(de)廣泛可用(yòng)性，使得并行(xíng)處理(lǐ)速度越來越快，使用(yòng)更便宜，而且功能更強大。整個(gè)大數(shù)據運動擁有無限的(de)存儲和大量的(de)數(shù)據：圖像，文本，交易，映射數(shù)據等等。

　　人工智能——機器(qì)所賦予的(de)人的(de)智能

　　早在(zài)1956年夏天的(de)會(huì)議(yì)上，人工智能先驅者的(de)夢想是建立一個(gè)由新(xīn)興計(jì)算機啟用(yòng)的(de)複雜的(de)機器(qì)，具有與人的(de)智能相似的(de)特征。這(zhè)是我(wǒ)們認為(wèi)的(de)「強人工智能」(GeneralAI)，而神話般的(de)機器(qì)則會(huì)擁有我(wǒ)們所有的(de)感知，甚至更多，并且像人類一樣思考。你已經在(zài)電影中見過這(zhè)些機器(qì)無休止地(dì)運動，像朋(péng)友如C-3PO，或者敵人如終結者。一般的(de)人工智能機器(qì)仍然隻是出現在(zài)電影和科(kē)幻小說(shuō)中。

　　我(wǒ)們目前可以實現的(de)還是局限于「弱人工智能」(NarrowAI)。這(zhè)些技術能夠像人類一樣執行(xíng)特定的(de)任務(wù)，或者比人類做(zuò)的(de)更好(hǎo)(hǎo)。像Pinterest上的(de)圖像分類，Facebook上的(de)人臉識别等。

　　這(zhè)些都是弱人工智能實踐中的(de)例子(zi)。這(zhè)些技術展示了人類智力的(de)一些方面。但(dàn)如何展示?這(zhè)些智力是從哪裡(lǐ)來的(de)?這(zhè)些問題促使我(wǒ)們進入到下一個(gè)階段，機器(qì)學(xué)習。

　　機器(qì)學(xué)習——一種實現人工智能的(de)方法

　　機器(qì)學(xué)習最根本的(de)點在(zài)于使用(yòng)算法來分析數(shù)據的(de)實踐、學(xué)習，然後對真實的(de)事件(jiàn)作出決定或預測。而不(bù)是用(yòng)一組特定的(de)指令生成的(de)硬編碼軟件(jiàn)程序來解決特定任務(wù)，機器(qì)是通過使用(yòng)大量的(de)數(shù)據和算法來「訓練」，這(zhè)樣就給了它學(xué)習如何執行(xíng)任務(wù)的(de)能力。

　　機器(qì)學(xué)習是早期人工智能人群思考的(de)産物(wù)，多年來形成的(de)算法包括決策樹(shù)學(xué)習、歸納邏輯編程、聚類、強化(huà)(huà)學(xué)習、貝葉斯網絡等等。正如我(wǒ)們所知，所有這(zhè)些都沒有實現強人工智能的(de)最終目标，而早期的(de)機器(qì)學(xué)習方法甚至連弱人工智能都沒有觸及到。

　　事實證明，多年來機器(qì)學(xué)習的(de)最佳應用(yòng)領域之一是計(jì)算機視(shì)覺，盡管仍然需要大量的(de)手工編碼來完成這(zhè)項工作。人們會(huì)去寫手工編碼分類器(qì)，如邊緣檢測濾波器(qì)，以便程序可以識别一個(gè)目标的(de)啟動和停止;進行(xíng)形狀檢測以确定它是否有八個(gè)側面;同時确保分類器(qì)能夠識别字母「s-t-o-p.」從那些手工編碼分類器(qì)中，機器(qì)就會(huì)開發算法使得圖像和「學(xué)習」更有意義，用(yòng)來确定這(zhè)是否是一個(gè)停止标志。

　　結果還算不(bù)錯，但(dàn)這(zhè)還不(bù)夠。特别是在(zài)霧天當标志不(bù)那麼清晰，或有一棵樹(shù)掩蓋了标志的(de)一部分時，就難以成功了。還有一個(gè)原因，計(jì)算機視(shì)覺和圖像檢測還不(bù)能與人類相媲美，它太脆弱，太容易受到周圍環境的(de)影響。

　　随著(zhe)時間的(de)推移，學(xué)習算法改變了這(zhè)一切。

　　深度學(xué)習——一種實現機器(qì)學(xué)習的(de)技術

　　放貓(HerdingCats)：YouTube視(shì)頻(pín)抓拍(pāi)的(de)貓的(de)形象是深度學(xué)習的(de)第一次突破性展示

　　在(zài)過去的(de)幾十年中，早期機器(qì)學(xué)習的(de)另一種算法是人工神經網絡。神經網絡的(de)靈感來自于我(wǒ)們對人類大腦生物(wù)學(xué)的(de)理(lǐ)解：所有這(zhè)些神經元之間的(de)相互聯系。在(zài)一定的(de)物(wù)理(lǐ)距離(lí)內(nèi)，生物(wù)大腦中的(de)任何神經元可以連接到其他(tā)神經元，而人工神經網絡有離(lí)散的(de)層、連接和數(shù)據傳播的(de)方向。

　　例如，你可以把一個(gè)圖像分割成很多部分，這(zhè)些可以輸入到神經網絡的(de)第一層。在(zài)第一層中的(de)單個(gè)神經元，然後将數(shù)據傳遞到第二層。第二層神經元做(zuò)它的(de)任務(wù)，等等，直到最後一層，那麼最終結果就産生了。

　　每個(gè)神經元都為(wèi)其輸入分配權重，分配的(de)權重正确與否與執行(xíng)的(de)任務(wù)相關。結果，最終的(de)輸出由所有的(de)權重所決定。這(zhè)樣，還是以「停止」标志牌為(wèi)例。将「停止」标志牌圖像的(de)元素抽離(lí)分析，然後由神經元「檢查」：其八邊形的(de)外形，消防車火(huǒ)紅的(de)顔色，鮮明的(de)字母，交通标志的(de)大小，處于運動或靜(jìng)止的(de)狀态。神經網絡主要任務(wù)是總結是否是個(gè)停止标志。随即，基于權重、經過深思熟慮「概率向量」的(de)概念出現。該案例中，該系統中86%的(de)可能是停止标志，7%的(de)可能是速度限制标志，5%的(de)可能性是挂在(zài)樹(shù)上的(de)風筝等等。這(zhè)樣，網絡結構便會(huì)告知神經網絡是否正确。

　　但(dàn)這(zhè)個(gè)例子(zi)還是非常超前。因為(wèi)直到最近(jìn)，神經網絡還是被人工智能研究所忽略。實際上，在(zài)人工智能出現之初，神經網絡就已經顯現了，在(zài)「智能」方面還是産生很小的(de)價值。問題是甚至最基本的(de)神經網絡都是靠大量的(de)運算。不(bù)過，多倫多大學(xué)的(de)GeoffreyHinton領導的(de)一個(gè)研究小組始終專注于其中，最終實現以超算為(wèi)目标的(de)并行(xíng)算法的(de)運算且概念的(de)證明，但(dàn)直到GPU得到廣泛利用(yòng)，這(zhè)些承諾才得以實現。

　　回到之前「停止」标志的(de)例子(zi)。神經網絡是被調制或「訓練」出來的(de)，并且不(bù)時遇到錯誤的(de)應答(dá)。它所需要的(de)就是訓練。需要呈現成百上千甚至上百萬的(de)圖像，直到神經元輸入的(de)權重被準确調制，那麼實際上每次都能得到正确的(de)信息，無論是否有霧，無論晴天還是雨天。隻有在(zài)那一點，神經網絡才學(xué)會(huì)一個(gè)停止标志是什麼樣的(de)，Facebook上你媽(mā)媽(mā)的(de)臉是什麼樣，又(yòu)或者是吳恩達(AndrewNg)教授2012年在(zài)Google上學(xué)習到的(de)貓的(de)樣子(zi)。

　　吳恩達的(de)突破在(zài)于将這(zhè)些神經網絡顯著(zhe)增大，增加了層數(shù)和神經元，并通過系統的(de)訓練運行(xíng)大量的(de)數(shù)據。在(zài)吳教授所舉案例中，數(shù)據就是YouTube視(shì)頻(pín)中1000萬張圖像。他(tā)将深度學(xué)習中添加了「深度」，也就是這(zhè)些神經網絡中的(de)所有層。

　　通過在(zài)某些場景中深度學(xué)習，機器(qì)訓練的(de)圖像識别要比人做(zuò)得好(hǎo)(hǎo)：從貓到辨别血液中癌症的(de)指标，再到核磁共振成像中腫瘤。Google的(de)AlphaGo先是學(xué)會(huì)了如何下棋，然後它與自己下棋訓練。通過不(bù)斷地(dì)與自己下棋，反複練習，以此訓練自己的(de)神經網絡。

　　深度學(xué)習，賦予人工智能光明的(de)未來

　　深度學(xué)習使得許多機器(qì)學(xué)習應用(yòng)得以實現，并拓展了人工智能的(de)整個(gè)領域。深度學(xué)習一一實現了各種任務(wù)，并使得所有的(de)機器(qì)輔助變成可能。無人駕駛汽車、預防性醫(yī)療保健、甚至的(de)更好(hǎo)(hǎo)的(de)電影推薦，都觸手可及或即将成為(wèi)現實。人工智能就在(zài)現在(zài)，也在(zài)未來。有了深度學(xué)習，人工智能可能甚至達到像我(wǒ)們暢想的(de)科(kē)幻小說(shuō)一樣效果。我(wǒ)拿走了你的(de)C-3PO，當然，你有《終結者》就行(xíng)。（責編：pingxiaoli）