有人說，人工智能（Artificial Intelligence）是未來。人工智能是科幻小說。人工智能已經(jīng)是我們?nèi)粘Ｉ畹囊徊糠?。所有這些陳述都 ok，這主要取決于你所設(shè)想的人工智能是哪一類。

例如，今年早些時(shí)候，Google DeepMind 的 Alphago 程序擊敗了韓國圍棋大師李世乭九段。人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)這些詞成為媒體熱詞，用來描述 DeepMind 是如何獲得成功的。盡管三者都是 AlphaGo 擊敗李世乭的因素，但它們不是同一概念。

區(qū)別三者最簡單的方法：想象同心圓，人工智能（AI）是半徑最大的同心圓，向內(nèi)是機(jī)器學(xué)習(xí)（Machine Learning），最內(nèi)是深入學(xué)習(xí)（Deep Learning）。

從概念的而提出到繁榮

自從幾位計(jì)算機(jī)科學(xué)家在 1956 年的達(dá)特茅斯會議上提到這個(gè)詞以后，人工智能就縈繞在實(shí)驗(yàn)研究者們心中，不斷醞釀。在此后的幾十年里，人工智能被標(biāo)榜為成就人類文明美好未來的關(guān)鍵。

在過去的幾年里，特別是 2015 以來，人工智能開始大爆發(fā)。這在很大程度上提高了 GPU 的廣泛可用性，使得并行處理速度越來越快，使用更便宜，而且功能更強(qiáng)大。整個(gè)大數(shù)據(jù)運(yùn)動擁有無限的存儲和大量的數(shù)據(jù)：圖像，文本，交易，映射數(shù)據(jù)等等。

人工智能——機(jī)器所賦予的人的智能

早在 1956 年夏天的會議上，人工智能先驅(qū)者的夢想是建立一個(gè)由新興計(jì)算機(jī)啟用的復(fù)雜的機(jī)器，具有與人的智能相似的特征。這是我們認(rèn)為的「強(qiáng)人工智能」（General AI），而神話般的機(jī)器則會擁有我們所有的感知，甚至更多，并且像人類一樣思考。你已經(jīng)在電影中見過這些機(jī)器無休止地運(yùn)動，像朋友如 C-3PO，或者敵人如終結(jié)者。一般的人工智能機(jī)器仍然只是出現(xiàn)在電影和科幻小說中。

我們目前可以實(shí)現(xiàn)的還是局限于「弱人工智能」（Narrow AI）。這些技術(shù)能夠像人類一樣執(zhí)行特定的任務(wù)，或者比人類做的更好。像 Pinterest 上的圖像分類，F(xiàn)acebook 上的人臉識別等。

這些都是弱人工智能實(shí)踐中的例子。這些技術(shù)展示了人類智力的一些方面。但如何展示？這些智力是從哪里來的？這些問題促使我們進(jìn)入到下一個(gè)階段，機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)——一種實(shí)現(xiàn)人工智能的方法

機(jī)器學(xué)習(xí)最根本的點(diǎn)在于使用算法來分析數(shù)據(jù)的實(shí)踐、學(xué)習(xí)，然后對真實(shí)的事件作出決定或預(yù)測。而不是用一組特定的指令生成的硬編碼軟件程序來解決特定任務(wù)，機(jī)器是通過使用大量的數(shù)據(jù)和算法來「訓(xùn)練」，這樣就給了它學(xué)習(xí)如何執(zhí)行任務(wù)的能力。

機(jī)器學(xué)習(xí)是早期人工智能人群思考的產(chǎn)物，多年來形成的算法包括決策樹學(xué)習(xí)、歸納邏輯編程、聚類、強(qiáng)化學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)等等。正如我們所知，所有這些都沒有實(shí)現(xiàn)強(qiáng)人工智能的最終目標(biāo)，而早期的機(jī)器學(xué)習(xí)方法甚至連弱人工智能都沒有觸及到。

事實(shí)證明，多年來機(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，盡管仍然需要大量的手工編碼來完成這項(xiàng)工作。人們會去寫手工編碼分類器，如邊緣檢測濾波器，以便程序可以識別一個(gè)目標(biāo)的啟動和停止；進(jìn)行形狀檢測以確定它是否有八個(gè)側(cè)面；同時(shí)確保分類器能夠識別字母「s-t-o-p.」從那些手工編碼分類器中，機(jī)器就會開發(fā)算法使得圖像和「學(xué)習(xí)」更有意義，用來確定這是否是一個(gè)停止標(biāo)志。

結(jié)果還算不錯(cuò)，但這還不夠。特別是在霧天當(dāng)標(biāo)志不那么清晰，或有一棵樹掩蓋了標(biāo)志的一部分時(shí)，就難以成功了。還有一個(gè)原因，計(jì)算機(jī)視覺和圖像檢測還不能與人類相媲美，它太脆弱，太容易受到周圍環(huán)境的影響。

隨著時(shí)間的推移，學(xué)習(xí)算法改變了這一切。

深度學(xué)習(xí)——一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)

放貓（Herding Cats）：YouTube 視頻抓拍的貓的形象是深度學(xué)習(xí)的第一次突破性展示

在過去的幾十年中，早期機(jī)器學(xué)習(xí)的另一種算法是人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的靈感來自于我們對人類大腦生物學(xué)的理解：所有這些神經(jīng)元之間的相互聯(lián)系。在一定的物理距離內(nèi)，生物大腦中的任何神經(jīng)元可以連接到其他神經(jīng)元，而人工神經(jīng)網(wǎng)絡(luò)有離散的層、連接和數(shù)據(jù)傳播的方向。

例如，你可以把一個(gè)圖像分割成很多部分，這些可以輸入到神經(jīng)網(wǎng)絡(luò)的第一層。在第一層中的單個(gè)神經(jīng)元，然后將數(shù)據(jù)傳遞到第二層。第二層神經(jīng)元做它的任務(wù)，等等，直到最后一層，那么最終結(jié)果就產(chǎn)生了。

每個(gè)神經(jīng)元都為其輸入分配權(quán)重，分配的權(quán)重正確與否與執(zhí)行的任務(wù)相關(guān)。結(jié)果，最終的輸出由所有的權(quán)重所決定。這樣，還是以「停止」標(biāo)志牌為例。將「停止」標(biāo)志牌圖像的元素抽離分析，然后由神經(jīng)元「檢查」：其八邊形的外形，消防車火紅的顏色，鮮明的字母，交通標(biāo)志的大小，處于運(yùn)動或靜止的狀態(tài)。神經(jīng)網(wǎng)絡(luò)主要任務(wù)是總結(jié)是否是個(gè)停止標(biāo)志。隨即，基于權(quán)重、經(jīng)過深思熟慮「概率向量」的概念出現(xiàn)。該案例中，該系統(tǒng)中 86% 的可能是停止標(biāo)志，7% 的可能是速度限制標(biāo)志，5% 的可能性是掛在樹上的風(fēng)箏等等。這樣，網(wǎng)絡(luò)結(jié)構(gòu)便會告知神經(jīng)網(wǎng)絡(luò)是否正確。

但這個(gè)例子還是非常超前。因?yàn)橹钡阶罱?，神?jīng)網(wǎng)絡(luò)還是被人工智能研究所忽略。實(shí)際上，在人工智能出現(xiàn)之初，神經(jīng)網(wǎng)絡(luò)就已經(jīng)顯現(xiàn)了，在「智能」方面還是產(chǎn)生很小的價(jià)值。問題是甚至最基本的神經(jīng)網(wǎng)絡(luò)都是靠大量的運(yùn)算。不過，多倫多大學(xué)的 Geoffrey Hinton 領(lǐng)導(dǎo)的一個(gè)研究小組始終專注于其中，最終實(shí)現(xiàn)以超算為目標(biāo)的并行算法的運(yùn)算且概念的證明，但直到 GPU 得到廣泛利用，這些承諾才得以實(shí)現(xiàn)。

回到之前「停止」標(biāo)志的例子。神經(jīng)網(wǎng)絡(luò)是被調(diào)制或「訓(xùn)練」出來的，并且不時(shí)遇到錯(cuò)誤的應(yīng)答。它所需要的就是訓(xùn)練。需要呈現(xiàn)成百上千甚至上百萬的圖像，直到神經(jīng)元輸入的權(quán)重被準(zhǔn)確調(diào)制，那么實(shí)際上每次都能得到正確的信息，無論是否有霧，無論晴天還是雨天。只有在那一點(diǎn)，神經(jīng)網(wǎng)絡(luò)才學(xué)會一個(gè)停止標(biāo)志是什么樣的，F(xiàn)acebook 上你媽媽的臉是什么樣，又或者是吳恩達(dá)（Andrew Ng）教授 2012 年在 Google 上學(xué)習(xí)到的貓的樣子。

吳恩達(dá)的突破在于將這些神經(jīng)網(wǎng)絡(luò)顯著增大，增加了層數(shù)和神經(jīng)元，并通過系統(tǒng)的訓(xùn)練運(yùn)行大量的數(shù)據(jù)。在吳教授所舉案例中，數(shù)據(jù)就是 YouTube 視頻中 1000 萬張圖像。他將深度學(xué)習(xí)中添加了「深度」，也就是這些神經(jīng)網(wǎng)絡(luò)中的所有層。

通過在某些場景中深度學(xué)習(xí)，機(jī)器訓(xùn)練的圖像識別要比人做得好：從貓到辨別血液中癌癥的指標(biāo)，再到核磁共振成像中腫瘤。Google 的 AlphaGo 先是學(xué)會了如何下棋，然后它與自己下棋訓(xùn)練。通過不斷地與自己下棋，反復(fù)練習(xí)，以此訓(xùn)練自己的神經(jīng)網(wǎng)絡(luò)。

深度學(xué)習(xí)，賦予人工智能光明的未來

深度學(xué)習(xí)使得許多機(jī)器學(xué)習(xí)應(yīng)用得以實(shí)現(xiàn)，并拓展了人工智能的整個(gè)領(lǐng)域。深度學(xué)習(xí)一一實(shí)現(xiàn)了各種任務(wù)，并使得所有的機(jī)器輔助變成可能。無人駕駛汽車、預(yù)防性醫(yī)療保健、甚至的更好的電影推薦，都觸手可及或即將成為現(xiàn)實(shí)。人工智能就在現(xiàn)在，也在未來。有了深度學(xué)習(xí)，人工智能可能甚至達(dá)到像我們暢想的科幻小說一樣效果。我拿走了你的 C-3PO，當(dāng)然，你有《終結(jié)者》就行。

T客匯 楊麗 張?zhí)K月

注：本稿件摘自數(shù)據(jù)觀入駐自媒體—人稱T客