有人(rén)說(shuō)，人(rén)工智能(néng)(ArtificialIntelligence)是未來(lái)。人(rén)工智能(néng)是科幻小說(shuō)。人(rén)工智能(néng)已經是我們日常生(shēng)活的一(yī)部分(fēn)。所有這(zhè)些(xiē)陳述都ok，這(zhè)主要取決于你所設想的人(rén)工智能(néng)是哪一(yī)類。

　　例如(rú)，今年早些(xiē)時(shí)候，GoogleDeepMind的Alphago程序擊敗了(le)韓國圍棋大師李世乭九段。人(rén)工智能(néng)、機器(qì)學習和深度學習這(zhè)些(xiē)詞成為(wèi)媒體(tǐ)熱詞，用來(lái)描述DeepMind是如(rú)何獲得成功的。盡管三者都是AlphaGo擊敗李世乭的因素，但(dàn)它們不是同一(yī)概念。

　　區别三者最簡單的方法：想象同心圓，人(rén)工智能(néng)(AI)是半徑最大的同心圓，向内是機器(qì)學習(MachineLearning)，最内是深入學習(DeepLearning)。

　　從概念的而提出到繁榮

　　自從幾位計算(suàn)機科學家在1956年的達特茅斯會議(yì)上(shàng)提到這(zhè)個(gè)詞以後，人(rén)工智能(néng)就(jiù)萦繞在實驗研究者們心中，不斷醞釀。在此後的幾十年裏，人(rén)工智能(néng)被标榜為(wèi)成就(jiù)人(rén)類文明美好(hǎo)(hǎo)未來(lái)的關(guān)鍵。

　　在過去的幾年裏，特别是2015以來(lái)，人(rén)工智能(néng)開始大爆發。這(zhè)在很大程度上(shàng)提高了(le)GPU的廣泛可用性，使得并行處理(lǐ)速度越來(lái)越快(kuài)，使用更便宜，而且功能(néng)更強大。整個(gè)大數據運動擁有無限的存儲和大量的數據：圖像，文本，交易，映射數據等等。

　　人(rén)工智能(néng)——機器(qì)所賦予的人(rén)的智能(néng)

　　早在1956年夏天的會議(yì)上(shàng)，人(rén)工智能(néng)先驅者的夢想是建立一(yī)個(gè)由新(xīn)興計算(suàn)機啓用的複雜的機器(qì)，具有與人(rén)的智能(néng)相似的特征。這(zhè)是我們認為(wèi)的「強人(rén)工智能(néng)」(GeneralAI)，而神話(huà)般的機器(qì)則會擁有我們所有的感知，甚至更多，并且像人(rén)類一(yī)樣思考。你已經在電影中見過這(zhè)些(xiē)機器(qì)無休止地運動，像朋(péng)友如(rú)C-3PO，或者敵人(rén)如(rú)終結者。一(yī)般的人(rén)工智能(néng)機器(qì)仍然隻是出現(xiàn)在電影和科幻小說(shuō)中。

　　我們目前可以實現(xiàn)的還是局限于「弱人(rén)工智能(néng)」(NarrowAI)。這(zhè)些(xiē)技術能(néng)夠像人(rén)類一(yī)樣執行特定的任務(wù)，或者比人(rén)類做的更好(hǎo)(hǎo)。像Pinterest上(shàng)的圖像分(fēn)類，Facebook上(shàng)的人(rén)臉識别等。

　　這(zhè)些(xiē)都是弱人(rén)工智能(néng)實踐中的例子(zǐ)。這(zhè)些(xiē)技術展示了(le)人(rén)類智力的一(yī)些(xiē)方面。但(dàn)如(rú)何展示?這(zhè)些(xiē)智力是從哪裏來(lái)的?這(zhè)些(xiē)問題促使我們進入到下(xià)一(yī)個(gè)階段，機器(qì)學習。

　　機器(qì)學習——一(yī)種實現(xiàn)人(rén)工智能(néng)的方法

　　機器(qì)學習最根本的點在于使用算(suàn)法來(lái)分(fēn)析數據的實踐、學習，然後對真實的事(shì)件作(zuò)出決定或預測。而不是用一(yī)組特定的指令生(shēng)成的硬編碼軟件程序來(lái)解決特定任務(wù)，機器(qì)是通過使用大量的數據和算(suàn)法來(lái)「訓練」，這(zhè)樣就(jiù)給了(le)它學習如(rú)何執行任務(wù)的能(néng)力。

　　機器(qì)學習是早期人(rén)工智能(néng)人(rén)群思考的産物，多年來(lái)形成的算(suàn)法包括決策樹學習、歸納邏輯編程、聚類、強化(huà)學習、貝葉斯網絡等等。正如(rú)我們所知，所有這(zhè)些(xiē)都沒有實現(xiàn)強人(rén)工智能(néng)的最終目标，而早期的機器(qì)學習方法甚至連弱人(rén)工智能(néng)都沒有觸及到。

　　事(shì)實證明，多年來(lái)機器(qì)學習的最佳應用領域之一(yī)是計算(suàn)機視(shì)覺，盡管仍然需要大量的手工編碼來(lái)完成這(zhè)項工作(zuò)。人(rén)們會去寫手工編碼分(fēn)類器(qì)，如(rú)邊緣檢測濾波器(qì)，以便程序可以識别一(yī)個(gè)目标的啓動和停止;進行形狀檢測以确定它是否有八個(gè)側面;同時(shí)确保分(fēn)類器(qì)能(néng)夠識别字母「s-t-o-p.」從那些(xiē)手工編碼分(fēn)類器(qì)中，機器(qì)就(jiù)會開發算(suàn)法使得圖像和「學習」更有意義，用來(lái)确定這(zhè)是否是一(yī)個(gè)停止标志。

　　結果還算(suàn)不錯，但(dàn)這(zhè)還不夠。特别是在霧天當标志不那麽清晰，或有一(yī)棵樹掩蓋了(le)标志的一(yī)部分(fēn)時(shí)，就(jiù)難以成功了(le)。還有一(yī)個(gè)原因，計算(suàn)機視(shì)覺和圖像檢測還不能(néng)與人(rén)類相媲美，它太脆弱，太容易受到周圍環境的影響。

　　随着時(shí)間(jiān)的推移，學習算(suàn)法改變了(le)這(zhè)一(yī)切。

　　深度學習——一(yī)種實現(xiàn)機器(qì)學習的技術

　　放(fàng)貓(HerdingCats)：YouTube視(shì)頻抓拍的貓的形象是深度學習的第一(yī)次突破性展示

　　在過去的幾十年中，早期機器(qì)學習的另一(yī)種算(suàn)法是人(rén)工神經網絡。神經網絡的靈感來(lái)自于我們對人(rén)類大腦生(shēng)物學的理(lǐ)解：所有這(zhè)些(xiē)神經元之間(jiān)的相互聯系。在一(yī)定的物理(lǐ)距離内，生(shēng)物大腦中的任何神經元可以連接到其他神經元，而人(rén)工神經網絡有離散的層、連接和數據傳播的方向。

　　例如(rú)，你可以把一(yī)個(gè)圖像分(fēn)割成很多部分(fēn)，這(zhè)些(xiē)可以輸入到神經網絡的第一(yī)層。在第一(yī)層中的單個(gè)神經元，然後将數據傳遞到第二層。第二層神經元做它的任務(wù)，等等，直到最後一(yī)層，那麽最終結果就(jiù)産生(shēng)了(le)。

　　每個(gè)神經元都為(wèi)其輸入分(fēn)配權重，分(fēn)配的權重正确與否與執行的任務(wù)相關(guān)。結果，最終的輸出由所有的權重所決定。這(zhè)樣，還是以「停止」标志牌為(wèi)例。将「停止」标志牌圖像的元素抽離分(fēn)析，然後由神經元「檢查」：其八邊形的外形，消防車火(huǒ)紅(hóng)的顔色，鮮明的字母，交通标志的大小，處于運動或靜止的狀态。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」的概念出現(xiàn)。該案例中，該系統中86%的可能(néng)是停止标志，7%的可能(néng)是速度限制标志，5%的可能(néng)性是挂在樹上(shàng)的風(fēng)筝等等。這(zhè)樣，網絡結構便會告知神經網絡是否正确。

　　但(dàn)這(zhè)個(gè)例子(zǐ)還是非常超前。因為(wèi)直到最近，神經網絡還是被人(rén)工智能(néng)研究所忽略。實際上(shàng)，在人(rén)工智能(néng)出現(xiàn)之初，神經網絡就(jiù)已經顯現(xiàn)了(le)，在「智能(néng)」方面還是産生(shēng)很小的價值。問題是甚至最基本的神經網絡都是靠大量的運算(suàn)。不過，多倫多大學的GeoffreyHinton領導的一(yī)個(gè)研究小組始終專注于其中，最終實現(xiàn)以超算(suàn)為(wèi)目标的并行算(suàn)法的運算(suàn)且概念的證明，但(dàn)直到GPU得到廣泛利用，這(zhè)些(xiē)承諾才得以實現(xiàn)。

　　回到之前「停止」标志的例子(zǐ)。神經網絡是被調制或「訓練」出來(lái)的，并且不時(shí)遇到錯誤的應答(dá)。它所需要的就(jiù)是訓練。需要呈現(xiàn)成百上(shàng)千甚至上(shàng)百萬的圖像，直到神經元輸入的權重被準确調制，那麽實際上(shàng)每次都能(néng)得到正确的信息，無論是否有霧，無論晴天還是雨天。隻有在那一(yī)點，神經網絡才學會一(yī)個(gè)停止标志是什(shén)麽樣的，Facebook上(shàng)你媽媽的臉是什(shén)麽樣，又或者是吳恩達(AndrewNg)教授2012年在Google上(shàng)學習到的貓的樣子(zǐ)。

　　吳恩達的突破在于将這(zhè)些(xiē)神經網絡顯着增大，增加了(le)層數和神經元，并通過系統的訓練運行大量的數據。在吳教授所舉案例中，數據就(jiù)是YouTube視(shì)頻中1000萬張圖像。他将深度學習中添加了(le)「深度」，也(yě)就(jiù)是這(zhè)些(xiē)神經網絡中的所有層。

　　通過在某些(xiē)場(chǎng)景中深度學習，機器(qì)訓練的圖像識别要比人(rén)做得好(hǎo)(hǎo)：從貓到辨别血液中癌症的指标，再到核磁共振成像中腫瘤。Google的AlphaGo先是學會了(le)如(rú)何下(xià)棋，然後它與自己下(xià)棋訓練。通過不斷地與自己下(xià)棋，反複練習，以此訓練自己的神經網絡。

　　深度學習，賦予人(rén)工智能(néng)光明的未來(lái)

　　深度學習使得許多機器(qì)學習應用得以實現(xiàn)，并拓展了(le)人(rén)工智能(néng)的整個(gè)領域。深度學習一(yī)一(yī)實現(xiàn)了(le)各種任務(wù)，并使得所有的機器(qì)輔助變成可能(néng)。無人(rén)駕駛汽車、預防性醫(yī)療保健、甚至的更好(hǎo)(hǎo)的電影推薦，都觸手可及或即将成為(wèi)現(xiàn)實。人(rén)工智能(néng)就(jiù)在現(xiàn)在，也(yě)在未來(lái)。有了(le)深度學習，人(rén)工智能(néng)可能(néng)甚至達到像我們暢想的科幻小說(shuō)一(yī)樣效果。我拿走了(le)你的C-3PO，當然，你有《終結者》就(jiù)行。（責編：pingxiaoli）