有人說，人工(gōng)智能(néng)(ArtificialIntelligence)是未來。人工(gōng)智能(néng)是科幻小(xiǎo)說。人工(gōng)智能(néng)已經是我們日常生(shēng)活的一(yī)部分。所有這些陳述都ok，這主要取決于你所設想的人工(gōng)智能(néng)是哪一(yī)類。

　　例如，今年(nián)早些時候，GoogleDeepMind的Alphago程序擊敗了韓國(guó)圍棋大師(shī)李世乭九段。人工(gōng)智能(néng)、機(jī)器(qì)學習和深度學習這些詞成為(wèi)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(yī)概念。

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

　　從(cóng)概念的而提出到(dào)繁榮

　　自(zì)從(cóng)幾位計算(suàn)機(jī)科學家在1956年(nián)的達特茅斯會(huì)議上(shàng)提到(dào)這個(gè)詞以後，人工(gōng)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(nián)裡(lǐ)，人工(gōng)智能(néng)被标榜為(wèi)成就(jiù)人類文明美好未來的關鍵。

　　在過去的幾年(nián)裡(lǐ)，特别是2015以來，人工(gōng)智能(néng)開(kāi)始大爆發。這在很大程度上(shàng)提高(gāo)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(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。

　　人工(gōng)智能(néng)——機(jī)器(qì)所賦予的人的智能(néng)

　　早在1956年(nián)夏天的會(huì)議上(shàng)，人工(gōng)智能(néng)先驅者的夢想是建立一(yī)個(gè)由新興計算(suàn)機(jī)啓用的複雜(zá)的機(jī)器(qì)，具有與人的智能(néng)相(xiàng)似的特征。這是我們認為(wèi)的「強人工(gōng)智能(néng)」(GeneralAI)，而神話般的機(jī)器(qì)則會(huì)擁有我們所有的感知，甚至更多(duō)，并且像人類一(yī)樣思考。你已經在電(diàn)影中見(jiàn)過這些機(jī)器(qì)無休止地運動，像朋友(yǒu)如C-3PO，或者敵人如終結者。一(yī)般的人工(gōng)智能(néng)機(jī)器(qì)仍然隻是出現在電(diàn)影和科幻小(xiǎo)說中。

　　我們目前可以實現的還(hái)是局限于「弱人工(gōng)智能(néng)」(NarrowAI)。這些技(jì)術(shù)能(néng)夠像人類一(yī)樣執行特定的任務，或者比人類做的更好。像Pinterest上(shàng)的圖像分類，Facebook上(shàng)的人臉識别等。

　　這些都是弱人工(gōng)智能(néng)實踐中的例子。這些技(jì)術(shù)展示了人類智力的一(yī)些方面。但如何展示?這些智力是從(cóng)哪裡(lǐ)來的?這些問題促使我們進入到(dào)下(xià)一(yī)個(gè)階段，機(jī)器(qì)學習。

　　機(jī)器(qì)學習——一(yī)種實現人工(gōng)智能(néng)的方法

　　機(jī)器(qì)學習最根本的點在于使用算(suàn)法來分析數據的實踐、學習，然後對真實的事(shì)件(jiàn)作出決定或預測。而不是用一(yī)組特定的指令生(shēng)成的硬編碼軟件(jiàn)程序來解決特定任務，機(jī)器(qì)是通(tōng)過使用大量的數據和算(suàn)法來「訓練」，這樣就(jiù)給了它學習如何執行任務的能(néng)力。

　　機(jī)器(qì)學習是早期人工(gōng)智能(néng)人群思考的産物(wù)，多(duō)年(nián)來形成的算(suàn)法包括決策樹學習、歸納邏輯編程、聚類、強化學習、貝葉斯網絡等等。正如我們所知，所有這些都沒有實現強人工(gōng)智能(néng)的最終目标，而早期的機(jī)器(qì)學習方法甚至連弱人工(gōng)智能(néng)都沒有觸及到(dào)。

　　事(shì)實證明，多(duō)年(nián)來機(jī)器(qì)學習的最佳應用領域之一(yī)是計算(suàn)機(jī)視覺，盡管仍然需要大量的手工(gōng)編碼來完成這項工(gōng)作。人們會(huì)去寫手工(gōng)編碼分類器(qì)，如邊緣檢測濾波器(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;同時确保分類器(qì)能(néng)夠識别字母「s-t-o-p.」從(cóng)那些手工(gōng)編碼分類器(qì)中，機(jī)器(qì)就(jiù)會(huì)開(kāi)發算(suàn)法使得圖像和「學習」更有意義，用來确定這是否是一(yī)個(gè)停止标志(zhì)。

　　結果還(hái)算(suàn)不錯(cuò)，但這還(hái)不夠。特别是在霧天當标志(zhì)不那麽清晰，或有一(yī)棵樹掩蓋了标志(zhì)的一(yī)部分時，就(jiù)難以成功了。還(hái)有一(yī)個(gè)原因，計算(suàn)機(jī)視覺和圖像檢測還(hái)不能(néng)與人類相(xiàng)媲美，它太脆弱，太容易受到(dào)周圍環境的影響。

　　随著(zhe)時間的推移，學習算(suàn)法改變了這一(yī)切。

　　深度學習——一(yī)種實現機(jī)器(qì)學習的技(jì)術(shù)

　　放(fàng)貓(HerdingCats)：YouTube視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(nián)中，早期機(jī)器(qì)學習的另一(yī)種算(suàn)法是人工(gōng)神經網絡。神經網絡的靈感來自(zì)于我們對人類大腦(nǎo)生(shēng)物(wù)學的理解：所有這些神經元之間的相(xiàng)互聯系。在一(yī)定的物(wù)理距離内，生(shēng)物(wù)大腦(nǎo)中的任何神經元可以連接到(dào)其他神經元，而人工(gōng)神經網絡有離散的層、連接和數據傳播的方向。

　　例如，你可以把一(yī)個(gè)圖像分割成很多(duō)部分，這些可以輸入到(dào)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(dào)第二層。第二層神經元做它的任務，等等，直到(dào)最後一(yī)層，那麽最終結果就(jiù)産生(shēng)了。

　　每個(gè)神經元都為(wèi)其輸入分配權重，分配的權重正确與否與執行的任務相(xiàng)關。結果，最終的輸出由所有的權重所決定。這樣，還(hái)是以「停止」标志(zhì)牌為(wèi)例。将「停止」标志(zhì)牌圖像的元素抽離分析，然後由神經元「檢查」：其八邊形的外形，消防車火紅(hóng)的顔色，鮮明的字母，交通(tōng)标志(zhì)的大小(xiǎo)，處于運動或靜(jìng)止的狀态。神經網絡主要任務是總結是否是個(gè)停止标志(zhì)。随即，基于權重、經過深思熟慮「概率向量」的概念出現。該案例中，該系統中86%的可能(néng)是停止标志(zhì)，7%的可能(néng)是速度限制标志(zhì)，5%的可能(néng)性是挂在樹上(shàng)的風筝等等。這樣，網絡結構便會(huì)告知神經網絡是否正确。

　　但這個(gè)例子還(hái)是非常超前。因為(wèi)直到(dào)最近，神經網絡還(hái)是被人工(gōng)智能(néng)研究所忽略。實際上(shàng)，在人工(gōng)智能(néng)出現之初，神經網絡就(jiù)已經顯現了，在「智能(néng)」方面還(hái)是産生(shēng)很小(xiǎo)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(duō)倫多(duō)大學的GeoffreyHinton領導的一(yī)個(gè)研究小(xiǎo)組始終專注于其中，最終實現以超算(suàn)為(wèi)目标的并行算(suàn)法的運算(suàn)且概念的證明，但直到(dào)GPU得到(dào)廣泛利用，這些承諾才得以實現。

　　回到(dào)之前「停止」标志(zhì)的例子。神經網絡是被調制或「訓練」出來的，并且不時遇到(dào)錯(cuò)誤的應答。它所需要的就(jiù)是訓練。需要呈現成百上(shàng)千甚至上(shàng)百萬的圖像，直到(dào)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(dào)正确的信息，無論是否有霧，無論晴天還(hái)是雨天。隻有在那一(yī)點，神經網絡才學會(huì)一(yī)個(gè)停止标志(zhì)是什麽樣的，Facebook上(shàng)你媽媽的臉是什麽樣，又(yòu)或者是吳恩達(AndrewNg)教授2012年(nián)在Google上(shàng)學習到(dào)的貓的樣子。

　　吳恩達的突破在于将這些神經網絡顯著(zhe)增大，增加了層數和神經元，并通(tōng)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視頻中1000萬張圖像。他将深度學習中添加了「深度」，也就(jiù)是這些神經網絡中的所有層。

　　通(tōng)過在某些場景中深度學習，機(jī)器(qì)訓練的圖像識别要比人做得好：從(cóng)貓到(dào)辨别血液中癌症的指标，再到(dào)核磁共振成像中腫瘤。Google的AlphaGo先是學會(huì)了如何下(xià)棋，然後它與自(zì)己下(xià)棋訓練。通(tōng)過不斷地與自(zì)己下(xià)棋，反複練習，以此訓練自(zì)己的神經網絡。

　　深度學習，賦予人工(gōng)智能(néng)光(guāng)明的未來

　　深度學習使得許多(duō)機(jī)器(qì)學習應用得以實現，并拓展了人工(gōng)智能(néng)的整個(gè)領域。深度學習一(yī)一(yī)實現了各種任務，并使得所有的機(jī)器(qì)輔助變成可能(néng)。無人駕駛汽車、預防性醫(yī)療保健、甚至的更好的電(diàn)影推薦，都觸手可及或即将成為(wèi)現實。人工(gōng)智能(néng)就(jiù)在現在，也在未來。有了深度學習，人工(gōng)智能(néng)可能(néng)甚至達到(dào)像我們暢想的科幻小(xiǎo)說一(yī)樣效果。我拿走了你的C-3PO，當然，你有《終結者》就(jiù)行。（責編：pingxiaoli）