【AI世代導(dǎo)讀】

人工智能代表了未來。

人工智能只屬于科幻小說。

人工智能已成為我們?nèi)粘Ｉ畹囊徊糠帧?/strong>

所有這些說法都是正確的，只是取決于你所說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。

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?！癆I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。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），無論是圖片、文字、交易信息，還是地圖數(shù)據(jù)。

讓我們來看看，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中不斷出現(xiàn)，但至少目前，我們還無法實(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，這些智能來自何處？這就要說到我們的下一篇章：機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)：帶來人工智能的方法

簡(jiǎn)單來說，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)方法甚至也沒有帶來狹義人工智能。

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。不過，計(jì)算機(jī)視覺技術(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)視覺在識(shí)別圖像時(shí)一直無法達(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，正確的學(xué)習(xí)算法將可以帶來不同。

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，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。只有通過數(shù)以十萬計(jì)，甚至百萬計(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

深度學(xué)習(xí)帶來了機(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。借助深度學(xué)習(xí)，人工智能將走過科幻小說階段，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。