【wetouchsky. com摩天資訊】  公眾號：TouchSky摩天

有人說，人工智能（AI）是未來趨勢，人工智能是科幻，人工智能是我們?nèi)粘Ｉ畹囊徊糠?。這些表述都沒問題，就看你指的是哪一種人工智能。

今年早些時候，Google DeepMind的AlphaGo打敗了韓國的圍棋大師李世乭九段。在媒體描述DeepMind勝利的時候，將人工智能（AI）、機器學習（Machine Learning）和深度學習（Deep Learning）都用上了。這三者在AlphaGo擊敗李世乭的過程中都起了作用，但它們說的并不是一回事。

2016年3月，谷歌深度思維（DeepMind）研發(fā)的的AlphaGo在圍棋游戲GO中打敗韓國圍棋冠軍李世石后，媒體描述DeepMind獲勝時提到了人工智能（AI）、機器學習（Machine Learning）和深度學習（Deep Learning）。這三者在AlphaGo擊敗李世石的過程中都起了作用，但它們本質(zhì)上有所區(qū)別。

今天我們就用最簡單的方法——同心圓，可視化地展現(xiàn)出它們?nèi)叩年P系和應用。

如上圖，最早出現(xiàn)的人工智能位于同心圓最外側；其次是隨后發(fā)展起來的機器學習，位于中間；最后是推動人工智能突飛猛進發(fā)展的深度學習，位于最內(nèi)側。

自上個世紀50年代的人工智能熱以來，基于人工智能概念的機器學習和深度學習又掀起一陣前所未有的新浪潮。

從提出概念到走向繁榮

1956年，幾個計算機科學家在達特茅斯會議（Dartmouth Conferences）上首次提出了“人工智能”的概念。此后，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中蓄勢待發(fā)。之后的幾十年，人工智能一直在兩極反轉，有人稱其為打開人類文明輝煌未來的鑰匙，也有人將其當成科技瘋子的狂想扔到技術垃圾堆里。其實2012年之前，這兩種觀點一直不相上下。

過去幾年，尤其是2015年以來，人工智能突飛猛進地發(fā)展。這主要歸功于圖形處理器（GPU）的廣泛應用，使得并行計算變得更快、更便宜、更有效。當然，無限拓展的存儲能力和驟然爆發(fā)的數(shù)據(jù)洪流（大數(shù)據(jù)）的組合拳，也使得圖像數(shù)據(jù)、文本數(shù)據(jù)、交易數(shù)據(jù)、映射數(shù)據(jù)全面海量爆發(fā)。

讓我們慢慢梳理一下計算機科學家們是如何從提出人工智能的概念到將其發(fā)展至滲入數(shù)以億計的用戶的日常生活中的。

人工智能（ARTIFICIAL INTELLIGENCE）——為機器賦予人的智能

成王（King me）:國際跳棋的電腦程序是早期人工智能的一個典型應用，在二十世紀五十年代曾掀起一陣風潮。（譯者注：國際跳棋棋子到達底線位置后，可以成王，成王棋子可以向后移動）。

早在1956年夏天那次會議，人工智能的先驅們就夢想著用當時剛剛出現(xiàn)的計算機來構造復雜的、擁有與人類智慧同樣本質(zhì)特性的機器。這就是我們現(xiàn)在所說的“強人工智能”（General AI）。這個無所不能的機器，它有著我們所有的感知（甚至比人更多），我們所有的理性，可以像我們一樣思考。

人們在電影里也總是看到這樣的機器：友好的，像星球大戰(zhàn)中的C-3PO；邪惡的，如終結者。強人工智能現(xiàn)在還只存在于電影和科幻小說中，原因不難理解，我們還沒法實現(xiàn)它們，至少目前還不行。

我們目前能實現(xiàn)的，一般被稱為“弱人工智能”（Narrow AI）。弱人工智能是能夠與人一樣，甚至比人更好地執(zhí)行特定任務的技術。例如，Pinterest上的圖像分類；或者Facebook的人臉識別。

這些是弱人工智能在實踐中的例子。這些技術實現(xiàn)的是人類智能的一些具體的局部。但它們是如何實現(xiàn)的？這種智能是從何而來？這就帶我們來到同心圓的里面一層，機器學習。

機器學習—— 一種實現(xiàn)人工智能的方法

健康食譜（Spam free diet）：機器學習能夠幫你過濾電子信箱里的（大部分）垃圾郵件。（譯者注：英文中垃圾郵件的單詞spam來源于二戰(zhàn)中美國曾大量援助英國的午餐肉品牌SPAM。直到六十年代，英國的農(nóng)業(yè)一直沒有從二戰(zhàn)的損失中恢復，因而從美國大量進口了這種廉價的罐頭肉制品。據(jù)傳聞不甚好吃且充斥市場。）

機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預測。與傳統(tǒng)的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數(shù)據(jù)來“訓練”，通過各種算法從數(shù)據(jù)中學習如何完成任務。

機器學習直接來源于早期的人工智能領域。傳統(tǒng)算法包括決策樹學習、推導邏輯規(guī)劃、聚類、強化學習和貝葉斯網(wǎng)絡等等。眾所周知，我們還沒有實現(xiàn)強人工智能。早期機器學習方法甚至都無法實現(xiàn)弱人工智能。

機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程序能識別物體從哪里開始，到哪里結束；寫形狀檢測程序來判斷檢測對象是不是有八條邊；寫分類器來識別字母“ST-O-P”。使用以上這些手工編寫的分類器，人們總算可以開發(fā)算法來感知圖像，判斷圖像是不是一個停止標志牌。

這個結果還算不錯，但并不是那種能讓人為之一振的成功。特別是遇到云霧天，標志牌變得不是那么清晰可見，又或者被樹遮擋一部分，算法就難以成功了。這就是為什么前一段時間，計算機視覺的性能一直無法接近到人的能力。它太僵化，太容易受環(huán)境條件的干擾。

隨著時間的推進，學習算法的發(fā)展改變了一切。

深度學習——一種實現(xiàn)機器學習的技術

放貓（Herding Cats）:從YouTube視頻里面尋找貓的圖片是深度學習杰出性能的首次展現(xiàn)。（譯者注：herdingcats是英語習語，照顧一群喜歡自由，不喜歡馴服的貓，用來形容局面混亂，任務難以完成。）

人工神經(jīng)網(wǎng)絡（Artificial Neural Networks）是早期機器學習中的一個重要的算法，歷經(jīng)數(shù)十年風風雨雨。神經(jīng)網(wǎng)絡的原理是受我們大腦的生理結構——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡具有離散的層、連接和數(shù)據(jù)傳播的方向。

例如，我們可以把一幅圖像切分成圖像塊，輸入到神經(jīng)網(wǎng)絡的第一層。在第一層的每一個神經(jīng)元都把數(shù)據(jù)傳遞到第二層。第二層的神經(jīng)元也是完成類似的工作，把數(shù)據(jù)傳遞到第三層，以此類推，直到最后一層，然后生成結果。

每一個神經(jīng)元都為它的輸入分配權重，這個權重的正確與否與其執(zhí)行的任務直接相關。最終的輸出由這些權重加總來決定。

我們?nèi)砸酝Ｖ梗⊿top）標志牌為例。將一個停止標志牌圖像的所有元素都打碎，然后用神經(jīng)元進行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經(jīng)網(wǎng)絡的任務就是給出結論，它到底是不是一個停止標志牌。神經(jīng)網(wǎng)絡會根據(jù)所有權重，給出一個經(jīng)過深思熟慮的猜測——“概率向量”。

這個例子里，系統(tǒng)可能會給出這樣的結果：86%可能是一個停止標志牌；7%的可能是一個限速標志牌；5%的可能是一個風箏掛在樹上等等。然后網(wǎng)絡結構告知神經(jīng)網(wǎng)絡，它的結論是否正確。

即使是這個例子，也算是比較超前了。直到前不久，神經(jīng)網(wǎng)絡也還是為人工智能圈所淡忘。其實在人工智能出現(xiàn)的早期，神經(jīng)網(wǎng)絡就已經(jīng)存在了，但神經(jīng)網(wǎng)絡對于“智能”的貢獻微乎其微。主要問題是，即使是最基本的神經(jīng)網(wǎng)絡，也需要大量的運算。神經(jīng)網(wǎng)絡算法的運算需求難以得到滿足。

不過，還是有一些虔誠的研究團隊，以多倫多大學的Geoffrey Hinton為代表，堅持研究，實現(xiàn)了以超算為目標的并行算法的運行與概念證明。但也直到GPU得到廣泛應用，這些努力才見到成效。

我們回過頭來看這個停止標志識別的例子。神經(jīng)網(wǎng)絡是調(diào)制、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張圖像來訓練，直到神經(jīng)元的輸入的權值都被調(diào)制得十分精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。

只有這個時候，我們才可以說神經(jīng)網(wǎng)絡成功地自學習到一個停止標志的樣子；或者在Facebook的應用里，神經(jīng)網(wǎng)絡自學習了你媽媽的臉；又或者是2012年吳恩達（Andrew Ng）教授在Google實現(xiàn)了神經(jīng)網(wǎng)絡學習到貓的樣子等等。

吳教授的突破在于，把這些神經(jīng)網(wǎng)絡從基礎上顯著地增大了。層數(shù)非常多，神經(jīng)元也非常多，然后給系統(tǒng)輸入海量的數(shù)據(jù)，來訓練網(wǎng)絡。在吳教授這里，數(shù)據(jù)是一千萬YouTube視頻中的圖像。吳教授為深度學習（deep learning）加入了“深度”（deep）。這里的“深度”就是說神經(jīng)網(wǎng)絡中眾多的層。

現(xiàn)在，經(jīng)過深度學習訓練的圖像識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌癥的早期成分，到識別核磁共振成像中的腫瘤。Google的AlphaGo先是學會了如何下圍棋，然后與它自己下棋訓練。它訓練自己神經(jīng)網(wǎng)絡的方法，就是不斷地與自己下棋，反復地下，永不停歇。

深度學習，給人工智能以璀璨的未來

深度學習使得機器學習能夠實現(xiàn)眾多的應用，并拓展了人工智能的領域范圍。深度學習摧枯拉朽般地實現(xiàn)了各種任務，使得似乎所有的機器輔助功能都變?yōu)榭赡堋o人駕駛汽車，預防性醫(yī)療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現(xiàn)。

人工智能就在現(xiàn)在，就在明天。有了深度學習，人工智能甚至可以達到我們暢想的科幻小說一般。你的C-3PO我拿走了，你有你的終結者就好了。