什么是人工智能？

 

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。

AI是关于使计算机得到人类智慧的研究。AI为机器赋予人的智能

人工智能的定义随着时间而演变，这一现象称之为“人工智能效应”，归纳起来就是“人工智能就是要实现全部目前还没法不借助人类智慧才能实现的任务的集合。”

从上面的定义看，AI倾向于愈来愈增长计算机的自主决策能力。

机器学习是AI的一个分支，探索如何让计算机经过经验学习提升性能。

深度学习是一种特定形式的机器学习，训练多层神经网络。深度学习近年来很是流行，引领了图像识别和语音识别等领域的突破性进展。

 

 

| 人工智能（Artificial Intelligence）——为机器赋予人的智能

 

早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧一样本质特性的机器。这就是咱们如今所说的“强人工智能”（General AI）。这个无所不能的机器，它有着咱们全部的感知（甚至比人更多），咱们全部的理性，能够像咱们同样思考。

人们在电影里也老是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能如今还只存在于电影和科幻小说中，缘由不难理解，咱们还无法实现它们，至少目前还不行。

咱们目前能实现的，通常被称为“弱人工智能”（Narrow AI）。弱人工智能是可以与人同样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。

这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带咱们来到同心圆的里面一层，机器学习。

| 机器学习—— 一种实现人工智能的方法

 

机器学习最基本的作法，是使用算法来解析数据、从中学习，而后对真实世界中的事件作出决策和预测。与传统的为解决特定任务、硬编码的软件程序不一样，机器学习是用大量的数据来“训练”，经过各类算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，咱们尚未实现强人工智能。早期机器学习方法甚至都没法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也仍是须要大量的手工编码来完成工做。人们须要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是否是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算能够开发算法来感知图像，判断图像是否是一个中止标志牌。

这个结果还算不错，但并非那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为何前一段时间，计算机视觉的性能一直没法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推动，学习算法的发展改变了一切。

| 深度学习——一种实现机器学习的技术

 

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受咱们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元能够链接必定距离内的任意神经元不一样，人工神经网络具备离散的层、链接和数据传播的方向。

例如，咱们能够把一幅图像切分红图像块，输入到神经网络的第一层。在第一层的每个神经元都把数据传递到第二层。第二层的神经元也是完成相似的工做，把数据传递到第三层，以此类推，直到最后一层，而后生成结果。

每个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。

咱们仍以中止（Stop）标志牌为例。将一个中止标志牌图像的全部元素都打碎，而后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它究竟是不是一个中止标志牌。神经网络会根据全部权重，给出一个通过深思熟虑的猜想——“几率向量”。

这个例子里，系统可能会给出这样的结果：86%多是一个中止标志牌；7%的多是一个限速标志牌；5%的多是一个风筝挂在树上等等。而后网络结构告知神经网络，它的结论是否正确。

即便是这个例子，也算是比较超前了。直到前不久，神经网络也仍是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即便是最基本的神经网络，也须要大量的运算。神经网络算法的运算需求难以获得知足。

不过，仍是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为表明，坚持研究，实现了以超算为目标的并行算法的运行与概念证实。但也直到GPU获得普遍应用，这些努力才见到成效。

咱们回过头来看这个中止标志识别的例子。神经网络是调制、训练出来的，时不时仍是很容易出错的。它最须要的，就是训练。须要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，不管是否有雾，晴天仍是雨天，每次都能获得正确的结果。

只有这个时候，咱们才能够说神经网络成功地自学习到一个中止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。

吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数很是多，神经元也很是多，而后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。

如今，通过深度学习训练的图像识别，在一些场景中甚至能够比人作得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，而后与它本身下棋训练。它训练本身神经网络的方法，就是不断地与本身下棋，反复地下，永不停歇。

| 深度学习，给人工智能以璀璨的将来

 

深度学习使得机器学习可以实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各类任务，使得彷佛全部的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。

人工智能就在如今，就在明天。有了深度学习，人工智能甚至能够达到咱们畅想的科幻小说通常。你的C-3PO我拿走了，你有你的终结者就行了。