【AI世代導(dǎo)讀】

人工智能代表了未來(lái),。

人工智能只屬于科幻小說(shuō),。

人工智能已成為我們?nèi)粘Ｉ畹囊徊糠帧?/strong>

所有這些說(shuō)法都是正確的，只是取決于你所說(shuō)的是什么樣的人工智能,。

今年早些時(shí)候谷歌(微博)Deepmind的AlphaGo擊敗了韓國(guó)圍棋大師李世石,。媒體在報(bào)道AlphaGo的勝利時(shí)，混雜使用了人工智能,、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等多種術(shù)語(yǔ),。

實(shí)際上，這三方面技術(shù)都為AlphaGo的勝利做出了貢獻(xiàn),。然而,，這三項(xiàng)技術(shù)各有不同,。

英偉達(dá)官方網(wǎng)站近期刊文,，介紹了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)概念的區(qū)別,。英偉達(dá)的GPU（圖形處理芯片）目前被廣泛用于人工智能研究,。“AI世代”（微信號(hào)：tencentAI）進(jìn)行了翻譯整理,。

下面這個(gè)圖表可以直觀地看到這些術(shù)語(yǔ)之間的關(guān)聯(lián),。其中，人工智能的范疇最大,，機(jī)器學(xué)習(xí)次之,，而深度學(xué)習(xí)最小。但實(shí)際上,，深度學(xué)習(xí)推動(dòng)了今天人工智能的大爆發(fā),。

從不被看好到快速發(fā)展

人工智能最初可以追溯至1956年,，當(dāng)時(shí)多名計(jì)算機(jī)科學(xué)家在達(dá)特茅斯會(huì)議上共同提出了人工智能的概念。在隨后幾十年中,，人工智能一方面被認(rèn)為是人類文明未來(lái)的發(fā)展方向,，另一方面也被認(rèn)為是難以企及的夢(mèng)想。實(shí)際上,，直到2012年之前,，情況一直如此。

過(guò)去幾年,，人工智能實(shí)現(xiàn)了爆炸式發(fā)展,，尤其是自2015年以來(lái)。這在很大程度上是由于,，GPU的發(fā)展使并行計(jì)算變得速度更快,、成本更低、性能更強(qiáng)大,。與此同時(shí),，存儲(chǔ)設(shè)備的容量變得越來(lái)越大，而我們正獲得海量數(shù)據(jù)（即大數(shù)據(jù)的發(fā)展）,，無(wú)論是圖片,、文字、交易信息,，還是地圖數(shù)據(jù),。

讓我們來(lái)看看，計(jì)算機(jī)科學(xué)家是如何推動(dòng)人工智能從一項(xiàng)不被看好的技術(shù)發(fā)展成為被數(shù)億用戶使用的多款應(yīng)用,。

人工智能：來(lái)自機(jī)器的人類智能

回到1956年夏天的那次會(huì)議,。當(dāng)時(shí)，人工智能行業(yè)的先驅(qū)提出開(kāi)發(fā)復(fù)雜的機(jī)器,，使其具備人類智能的特征,。這一概念被我們稱作“通用人工智能”。這樣的機(jī)器具備人類全部的感知能力（甚至更多）,、邏輯推理能力,，能像人類一樣去思考。在許多電影里，你都可以看到這樣的機(jī)器成為人類的朋友,，例如《星球大戰(zhàn)》中的C-3PO,，以及終結(jié)者。通用人工智能機(jī)器仍在電影和科幻小說(shuō)中不斷出現(xiàn),，但至少目前,，我們還無(wú)法實(shí)現(xiàn)這樣的人工智能。

目前我們所能實(shí)現(xiàn)的是“狹義人工智能”,。對(duì)于特定任務(wù),，這樣的技術(shù)能做得像人類一樣好，甚至更好,。這種人工智能的范例包括Pinterest的圖像分類服務(wù),，以及Facebook的人臉識(shí)別功能。

狹義人工智能具備人類智能的某些方面,。那么,，這些智能來(lái)自何處？這就要說(shuō)到我們的下一篇章：機(jī)器學(xué)習(xí),。

機(jī)器學(xué)習(xí)：帶來(lái)人工智能的方法

簡(jiǎn)單來(lái)說(shuō),，機(jī)器學(xué)習(xí)利用算法去分析數(shù)據(jù)、學(xué)習(xí)數(shù)據(jù),，隨后對(duì)現(xiàn)實(shí)世界情況作出判斷和預(yù)測(cè),。因此，與預(yù)先編寫(xiě)好,、只能按照特定邏輯去執(zhí)行指令的軟件不同,，機(jī)器實(shí)際上是在用大量數(shù)據(jù)和算法去“自我訓(xùn)練”，從而學(xué)會(huì)如何完成一項(xiàng)任務(wù),。

機(jī)器學(xué)習(xí)的概念來(lái)自于人工智能發(fā)展的早期,。隨后多年中，基于算法的方法包括決策樹(shù)學(xué)習(xí),、歸納邏輯編程,、聚類算法,、強(qiáng)化學(xué)習(xí),，以及貝葉斯網(wǎng)絡(luò)等等。正如我們所知,，這些技術(shù)最終都未能形成通用人工智能,，而早期的機(jī)器學(xué)習(xí)方法甚至也沒(méi)有帶來(lái)狹義人工智能。

多年的研究結(jié)果表明,，機(jī)器學(xué)習(xí)的最佳應(yīng)用領(lǐng)域之一是計(jì)算機(jī)視覺(jué),。不過(guò),，計(jì)算機(jī)視覺(jué)技術(shù)仍需要大量人工編程才能實(shí)現(xiàn)。需要人工編碼的技術(shù)包括,，用于識(shí)別照片中對(duì)象邊緣的邊緣探測(cè)濾鏡,，用于判斷形狀的形狀識(shí)別算法，以及用于識(shí)別字符,，例如“STOP”的分類器,。利用這些人工編碼的分類器，算法可以理解圖像,，判斷這是否是停止標(biāo)志,。

這種技術(shù)很強(qiáng)大，但還不算完美,。例如在霧天,，路邊標(biāo)志很可能看不清楚，而行道樹(shù)可能也會(huì)遮擋標(biāo)志的一部分,。直到最近,，計(jì)算機(jī)視覺(jué)在識(shí)別圖像時(shí)一直無(wú)法達(dá)到人類的水平，這樣的識(shí)別技術(shù)太脆弱,，出錯(cuò)率太高,。

不過(guò)，正確的學(xué)習(xí)算法將可以帶來(lái)不同,。

深度學(xué)習(xí)：實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)

機(jī)器學(xué)習(xí)專家們?cè)缙谔岢龅牧硪环N基于算法的方法,，即人工神經(jīng)網(wǎng)絡(luò)，隨后得到了發(fā)展,。神經(jīng)網(wǎng)絡(luò)的概念來(lái)自于人類大腦理解事物的方式：神經(jīng)元之間的互聯(lián),。然而，與神經(jīng)元緊密聯(lián)系在一起的人類大腦不同,，人工神經(jīng)網(wǎng)絡(luò)由離散的分層,、連接，以及數(shù)據(jù)傳播方向構(gòu)成,。

例如,，你可以拍攝一張照片，將其分成多個(gè)小塊,，并輸入神經(jīng)網(wǎng)絡(luò)的第一層之中,。隨后，第一層神經(jīng)元將會(huì)把處理過(guò)的數(shù)據(jù)傳遞給第二層神經(jīng)元,。第二層神經(jīng)元去完成自己的處理任務(wù),。這樣的處理一直持續(xù)至最后一層，以輸出最終結(jié)果。

每個(gè)神經(jīng)元都會(huì)為輸入信息賦予權(quán)重,，即對(duì)于正在執(zhí)行的任務(wù),，正確或錯(cuò)誤的可能狀態(tài)。最終輸出結(jié)果基于對(duì)所有這些權(quán)重信息的相加,。以停止標(biāo)志為例,。標(biāo)志圖片將會(huì)被分割，并由神經(jīng)元去“分析”,，包括整體形狀,、顏色、字母,、尺寸,，以及移動(dòng)情況。神經(jīng)網(wǎng)絡(luò)的任務(wù)是判斷這是否就是停止標(biāo)志,。為此,，神經(jīng)網(wǎng)絡(luò)將基于權(quán)重信息得出“可能性向量”。在我們的示例中,，神經(jīng)網(wǎng)絡(luò)認(rèn)為,，這有86%的可能性是停止標(biāo)志，有7%的可能性是限速標(biāo)志,，5%的可能性是卡在樹(shù)上的風(fēng)箏,。隨后，網(wǎng)絡(luò)架構(gòu)師會(huì)告訴神經(jīng)網(wǎng)絡(luò),，做出的判斷是否正確,。

人工神經(jīng)網(wǎng)絡(luò)在人工智能的誕生早期就已出現(xiàn)，但在“智能性”方面一直未能取得太大突破,。問(wèn)題在于,，最基本的神經(jīng)網(wǎng)絡(luò)也需要大量的計(jì)算資源，因此很難實(shí)現(xiàn),。不過(guò),，由多倫多大學(xué)的吉奧夫里·辛頓（Geoffrey Hinton）帶領(lǐng)的一個(gè)小型研究團(tuán)隊(duì)持續(xù)地進(jìn)行這方面的嘗試，最終找到了一種可以由超級(jí)計(jì)算機(jī)運(yùn)行的算法,，證明了這一概念,。然而，直到GPU開(kāi)始大規(guī)模部署之后,，這種技術(shù)才得以普及,。

回到停止標(biāo)志的例子，人工神經(jīng)網(wǎng)絡(luò)仍然很有可能得出錯(cuò)誤的答案,。這種神經(jīng)網(wǎng)絡(luò)所需的是訓(xùn)練,。只有通過(guò)數(shù)以十萬(wàn)計(jì),，甚至百萬(wàn)計(jì)的照片進(jìn)行訓(xùn)練,，神經(jīng)元對(duì)輸入信息的加權(quán)才能足夠精確,，從而持續(xù)得出正確的結(jié)果，無(wú)論是否有霧,，是否下雨,。只有在達(dá)到這種程度之后，神經(jīng)網(wǎng)絡(luò)才能自行判斷停止標(biāo)志應(yīng)該是什么樣,。實(shí)際上,，2012年，人工智能專家吳恩達(dá)在供職于谷歌期間開(kāi)發(fā)了神經(jīng)網(wǎng)絡(luò)系統(tǒng),，成功識(shí)別出小貓,。

吳恩達(dá)取得突破的方法是擴(kuò)大神經(jīng)網(wǎng)絡(luò)的規(guī)模，增加更多的分層和神經(jīng)元,，并利用海量數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行訓(xùn)練,。吳恩達(dá)的研究利用了1000萬(wàn)個(gè)YouTube視頻。由于神經(jīng)網(wǎng)絡(luò)分為很多層,，因此吳恩達(dá)強(qiáng)調(diào)了深度學(xué)習(xí)的“深度”,。

目前，基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)在某些情況下甚至比人工做得更好,，而識(shí)別的對(duì)象也不僅是小貓,，還包括血液中癌癥的指標(biāo)，以及核磁共振中的腫瘤跡象,。谷歌AlphaGo學(xué)會(huì)了圍棋游戲,，并利用神經(jīng)網(wǎng)絡(luò)自我對(duì)弈，逐漸變得非常強(qiáng)大,。

深度學(xué)習(xí)引領(lǐng)人工智能的未來(lái)

深度學(xué)習(xí)帶來(lái)了機(jī)器學(xué)習(xí)的許多實(shí)用應(yīng)用,，拓展了人工智能的適用領(lǐng)域。深度學(xué)習(xí)系統(tǒng)將任務(wù)分解,，讓機(jī)器可以去完成這些任務(wù),。利用深度學(xué)習(xí)，無(wú)人駕駛汽車,、更強(qiáng)大的預(yù)防醫(yī)療,，甚至更好的電影推薦都將成為可能。人工智能代表了現(xiàn)在和未來(lái),。借助深度學(xué)習(xí),，人工智能將走過(guò)科幻小說(shuō)階段，C-3PO機(jī)器人和終結(jié)者將會(huì)成為現(xiàn)實(shí),。（編譯/AI世代 李瑋）

推薦：關(guān)注“AI世代”微信號(hào)（tencentai）,，穿越時(shí)空30年,，進(jìn)入機(jī)器人的時(shí)代。