人工智能与深度学习

人工智能的关键是机器学习，机器学习的突破是深度学习，人工神经网络。

 

　　1956年，在达特茅斯会议（Dartmouth Conferences）上，计算机科学家首次提出了“AI”术语，AI由此诞生，在随后的日子里，AI成为实验室的“幻想对象”。几十年过去了，人们对AI的见解不断改变，有时会认为AI是预兆，是将来人类文明的关键，有时认为它只是技术垃圾，只是一个轻率的概念，野心过大，注定要失败。坦白来说，直到2012年AI仍然同时具备这两种特色。

 

　　在过去几年里，AI大爆发，2015年至今更是发展迅猛。之因此飞速发展主要归功于GPU的普遍普及，它让并行处理更快、更便宜、更强大。还有一个缘由就是实际存储容量无限拓展，数据大规模生成，好比图片、文本、交易、地图数据信息。

 

　　AI：让机器展示出人类智力

 

　　回到1956年夏天，在当时的会议上，AI先驱的梦想是建造一台复杂的机器（让当时刚出现的计算机驱动），而后让机器呈现出人类智力的特征。

 

　　这一律念就是咱们所说的“强人工智能（General AI）”，也就是打造一台超棒的机器，让它拥有人类的全部感知，甚至还能够超越人类感知，它能够像人同样思考。在电影中咱们常常会看到这种机器，好比 C-3PO、终结者。

 

　　还有一个概念是“弱人工智能（Narrow AI）”。简单来说，“弱人工智能”能够像人类同样完成某些具体任务，有可能比人类作得更好，例如，Pinterest服务用AI给图片分类，Facebook用AI识别脸部，这就是“弱人工智能”。

 

　　上述例子是“弱人工智能”实际使用的案例，这些应用已经体现了一些人类智力的特色。怎样实现的？这些智力来自何处？带着问题咱们深刻理解，就来到下一个圆圈，它就是机器学习。

 

　　机器学习：抵达AI目标的一条路径

 

　　大致来说，机器学习就是用算法真正解析数据，不断学习，而后对世界中发生的事作出判断和预测。此时，研究人员不会亲手编写软件、肯定特殊指令集、而后让程序完成特殊任务，相反，研究人员会用大量数据和算法“训练”机器，让机器学会如何执行任务。

 

　　机器学习这个概念是早期的AI研究者提出的，在过去几年里，机器学习出现了许多算法方法，包括决策树学习、概括逻辑程序设计、聚类分析(Clustering)、强化学习、贝叶斯网络等。正如你们所知的，没有人真正达到“强人工智能”的终极目标，采用早期机器学习方法，咱们连“弱人工智能”的目标也远没有达到。

 

　　在过去许多年里，机器学习的最佳应用案例是“计算机视觉”，要实现计算机视觉，研究人员仍然须要手动编写大量代码才能完成任务。研究人员手动编写分级器，好比边缘检测滤波器，只有这样程序才能肯定对象从哪里开始，到哪里结束；形状侦测能够肯定对象是否有8条边；分类器能够识别字符“S-T-O-P”。经过手动编写的分组器，研究人员能够开发出算法识别有意义的形象，而后学会下判断，肯定它不是一个中止标志。

 

　　这种办法能够用，但并非很好。若是是在雾天，当标志的能见度比较低，或者一棵树挡住了标志的一部分，它的识别能力就会降低。直到不久以前，计算机视觉和图像侦测技术还与人类的能力相去甚远，由于它太容易出错了。

 

　　深度学习：实现机器学习的技术

 

　　“人工神经网络（Artificial Neural Networks）”是另外一种算法方法，它也是早期机器学习专家提出的，存在已经几十年了。神经网络（Neural Networks）的构想源自于咱们对人类大脑的理解——神经元的彼此联系。两者也有不一样之处，人类大脑的神经元按特定的物理距离链接的，人工神经网络有独立的层、链接，还有数据传播方向。

 

　　例如，你可能会抽取一张图片，将它剪成许多块，而后植入到神经网络的第一层。第一层独立神经元会将数据传输到第二层，第二层神经元也有本身的使命，一直持续下去，直到最后一层，并生成最终结果。

 

　　每个神经元会对输入的信息进行权衡，肯定权重，搞清它与所执行任务的关系，好比有多正确或者多么不正确。最终的结果由全部权重来决定。以中止标志为例，咱们会将中止标志图片切割，让神经元检测，好比它的八角形形状、红色、不同凡响的字符、交通标志尺寸、手势等。

 

　　神经网络的任务就是给出结论：它究竟是不是中止标志。神经网络会给出一个“几率向量”，它依赖于有根据的推测和权重。在该案例中，系统有86%的信心肯定图片是中止标志，7%的信心肯定它是限速标志，有5%的信心肯定它是一支风筝卡在树上，等等。而后网络架构会告诉神经网络它的判断是否正确。

 

　　即便只是这么简单的一件事也是很超前的，不久前，AI研究社区还在回避神经网络。在AI发展初期就已经存在神经网络，可是它并无造成多少“智力”。问题在于即便只是基本的神经网络，它对计算量的要求也很高，所以没法成为一种实际的方法。尽管如此，仍是有少数研究团队一往无前，好比多伦多大学Geoffrey Hinton所领导的团队，他们将算法平行放进超级电脑，验证本身的概念，直到GPU开始普遍采用咱们才真正看到但愿。

 

　　回到识别中止标志的例子，若是咱们对网络进行训练，用大量的错误答案训练网络，调整网络，结果就会更好。研究人员须要作的就是训练，他们要收集几万张、甚至几百万张图片，直到人工神经元输入的权重高度精准，让每一次判断都正确为止——不论是有雾仍是没雾，是阳光明媚仍是下雨都不受影响。这时神经网络就能够本身“教”本身，搞清中止标志的究竟是怎样的；它还能够识别Facebook的人脸图像，能够识别猫——吴恩达（Andrew Ng）2012年在谷歌作的事情就是让神经网络识别猫。

 

　　吴恩达的突破之处在于：让神经网络变得无比巨大，不断增长层数和神经元数量，让系统运行大量数据，训练它。吴恩达的项目从1000万段YouTube视频调用图片，他真正让深度学习有了“深度”。

 

　　到了今天，在某些场景中，通过深度学习技术训练的机器在识别图像时比人类更好，好比识别猫、识别血液中的癌细胞特征、识别MRI扫描图片中的肿瘤。谷歌AlphaGo学习围棋，它本身与本身不断下围棋并从中学习。

 

　　有了深度学习AI的将来一片光明

 

　　有了深度学习，机器学习才有了许多实际的应用，它还拓展了AI的总体范围。 深度学习将任务分拆，使得各类类型的机器辅助变成可能。无人驾驶汽车、更好的预防性治疗、更好的电影推荐要么已经出现，要么即便出现。AI既是如今，也是将来。有了深度学习的帮助，也许到了某一天AI会达到科幻小说描述的水平，这正是咱们期待已久的。

http://newseed.pedaily.cn/201610/201610091326716.shtml