人工智能與深度學習

人工智能的關鍵是機器學習，機器學習的突破是深度學習，人工神經網絡。

 

　　1956年，在達特茅斯會議（Dartmouth Conferences）上，計算機科學家首次提出了「AI」術語，AI由此誕生，在隨後的日子裏，AI成爲實驗室的「幻想對象」。幾十年過去了，人們對AI的見解不斷改變，有時會認爲AI是預兆，是將來人類文明的關鍵，有時認爲它只是技術垃圾，只是一個輕率的概念，野心過大，註定要失敗。坦白來說，直到2012年AI仍然同時具備這兩種特色。

 

　　在過去幾年裏，AI大爆發，2015年至今更是發展迅猛。之因此飛速發展主要歸功於GPU的普遍普及，它讓並行處理更快、更便宜、更強大。還有一個緣由就是實際存儲容量無限拓展，數據大規模生成，好比圖片、文本、交易、地圖數據信息。

 

　　AI：讓機器展示出人類智力

 

　　回到1956年夏天，在當時的會議上，AI先驅的夢想是建造一臺複雜的機器（讓當時剛出現的計算機驅動），而後讓機器呈現出人類智力的特徵。

 

　　這一律念就是咱們所說的「強人工智能（General AI）」，也就是打造一臺超棒的機器，讓它擁有人類的全部感知，甚至還能夠超越人類感知，它能夠像人同樣思考。在電影中咱們常常會看到這種機器，好比 C-3PO、終結者。

 

　　還有一個概念是「弱人工智能（Narrow AI）」。簡單來說，「弱人工智能」能夠像人類同樣完成某些具體任務，有可能比人類作得更好，例如，Pinterest服務用AI給圖片分類，Facebook用AI識別臉部，這就是「弱人工智能」。

 

　　上述例子是「弱人工智能」實際使用的案例，這些應用已經體現了一些人類智力的特色。怎樣實現的？這些智力來自何處？帶着問題咱們深刻理解，就來到下一個圓圈，它就是機器學習。

 

　　機器學習：抵達AI目標的一條路徑

 

　　大致來說，機器學習就是用算法真正解析數據，不斷學習，而後對世界中發生的事作出判斷和預測。此時，研究人員不會親手編寫軟件、肯定特殊指令集、而後讓程序完成特殊任務，相反，研究人員會用大量數據和算法「訓練」機器，讓機器學會如何執行任務。

 

　　機器學習這個概念是早期的AI研究者提出的，在過去幾年裏，機器學習出現了許多算法方法，包括決策樹學習、概括邏輯程序設計、聚類分析(Clustering)、強化學習、貝葉斯網絡等。正如你們所知的，沒有人真正達到「強人工智能」的終極目標，採用早期機器學習方法，咱們連「弱人工智能」的目標也遠沒有達到。

 

　　在過去許多年裏，機器學習的最佳應用案例是「計算機視覺」，要實現計算機視覺，研究人員仍然須要手動編寫大量代碼才能完成任務。研究人員手動編寫分級器，好比邊緣檢測濾波器，只有這樣程序才能肯定對象從哪裏開始，到哪裏結束；形狀偵測能夠肯定對象是否有8條邊；分類器能夠識別字符「S-T-O-P」。經過手動編寫的分組器，研究人員能夠開發出算法識別有意義的形象，而後學會下判斷，肯定它不是一箇中止標誌。

 

　　這種辦法能夠用，但並非很好。若是是在霧天，當標誌的能見度比較低，或者一棵樹擋住了標誌的一部分，它的識別能力就會降低。直到不久以前，計算機視覺和圖像偵測技術還與人類的能力相去甚遠，由於它太容易出錯了。

 

　　深度學習：實現機器學習的技術

 

　　「人工神經網絡（Artificial Neural Networks）」是另外一種算法方法，它也是早期機器學習專家提出的，存在已經幾十年了。神經網絡（Neural Networks）的構想源自於咱們對人類大腦的理解——神經元的彼此聯繫。兩者也有不一樣之處，人類大腦的神經元按特定的物理距離鏈接的，人工神經網絡有獨立的層、鏈接，還有數據傳播方向。

 

　　例如，你可能會抽取一張圖片，將它剪成許多塊，而後植入到神經網絡的第一層。第一層獨立神經元會將數據傳輸到第二層，第二層神經元也有本身的使命，一直持續下去，直到最後一層，並生成最終結果。

 

　　每個神經元會對輸入的信息進行權衡，肯定權重，搞清它與所執行任務的關係，好比有多正確或者多麼不正確。最終的結果由全部權重來決定。以中止標誌爲例，咱們會將中止標誌圖片切割，讓神經元檢測，好比它的八角形形狀、紅色、不同凡響的字符、交通標誌尺寸、手勢等。

 

　　神經網絡的任務就是給出結論：它究竟是不是中止標誌。神經網絡會給出一個「機率向量」，它依賴於有根據的推測和權重。在該案例中，系統有86%的信心肯定圖片是中止標誌，7%的信心肯定它是限速標誌，有5%的信心肯定它是一支風箏卡在樹上，等等。而後網絡架構會告訴神經網絡它的判斷是否正確。

 

　　即便只是這麼簡單的一件事也是很超前的，不久前，AI研究社區還在迴避神經網絡。在AI發展初期就已經存在神經網絡，可是它並無造成多少「智力」。問題在於即便只是基本的神經網絡，它對計算量的要求也很高，所以沒法成爲一種實際的方法。儘管如此，仍是有少數研究團隊一往無前，好比多倫多大學Geoffrey Hinton所領導的團隊，他們將算法平行放進超級電腦，驗證本身的概念，直到GPU開始普遍採用咱們才真正看到但願。

 

　　回到識別中止標誌的例子，若是咱們對網絡進行訓練，用大量的錯誤答案訓練網絡，調整網絡，結果就會更好。研究人員須要作的就是訓練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經元輸入的權重高度精準，讓每一次判斷都正確爲止——不論是有霧仍是沒霧，是陽光明媚仍是下雨都不受影響。這時神經網絡就能夠本身「教」本身，搞清中止標誌的究竟是怎樣的；它還能夠識別Facebook的人臉圖像，能夠識別貓——吳恩達（Andrew Ng）2012年在谷歌作的事情就是讓神經網絡識別貓。

 

　　吳恩達的突破之處在於：讓神經網絡變得無比巨大，不斷增長層數和神經元數量，讓系統運行大量數據，訓練它。吳恩達的項目從1000萬段YouTube視頻調用圖片，他真正讓深度學習有了「深度」。

 

　　到了今天，在某些場景中，通過深度學習技術訓練的機器在識別圖像時比人類更好，好比識別貓、識別血液中的癌細胞特徵、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學習圍棋，它本身與本身不斷下圍棋並從中學習。

 

　　有了深度學習AI的將來一片光明

 

　　有了深度學習，機器學習纔有了許多實際的應用，它還拓展了AI的總體範圍。 深度學習將任務分拆，使得各類類型的機器輔助變成可能。無人駕駛汽車、更好的預防性治療、更好的電影推薦要麼已經出現，要麼即便出現。AI既是如今，也是將來。有了深度學習的幫助，也許到了某一天AI會達到科幻小說描述的水平，這正是咱們期待已久的。

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