從不被看好到快速發(fā)展
人工智能最初可以追溯至1956年，當時多名計算機科學家在達特茅斯會議上共同提出了人工智能的概念。在隨后幾十年中，人工智能一方面被認為是人類文明未來的發(fā)展方向，另一方面也被認為是難以企及的夢想。實際上，直到2012年之前，情況一直如此。
過去幾年，人工智能實現(xiàn)了爆炸式發(fā)展，尤其是自2015年以來。這在很大程度上是由于，GPU的發(fā)展使并行計算變得速度更快、成本更低、性能更強大。與此同時，存儲設備的容量變得越來越大，而我們正獲得海量數(shù)據(jù)（即大數(shù)據(jù)的發(fā)展），無論是圖片、文字、交易信息，還是地圖數(shù)據(jù)。
讓我們來看看，計算機科學家是如何推動人工智能從一項不被看好的技術發(fā)展成為被數(shù)億用戶使用的多款應用。
人工智能：來自機器的人類智能
回到1956年夏天的那次會議。當時，人工智能行業(yè)的先驅(qū)提出開發(fā)復雜的機器，使其具備人類智能的特征。這一概念被我們稱作“通用人工智能”。這樣的機器具備人類全部的感知能力（甚至更多）、邏輯推理能力，能像人類一樣去思考。在許多電影里，你都可以看到這樣的機器成為人類的朋友。
目前我們所能實現(xiàn)的是“狹義人工智能”。對于特定任務，這樣的技術能做得像人類一樣好，甚至更好。
狹義人工智能具備人類智能的某些方面。那么，這些智能來自何處？這就要說到我們的下一篇章：機器學習。
機器學習：帶來人工智能的方法
簡單來說，機器學習利用算法去分析數(shù)據(jù)、學習數(shù)據(jù)，隨后對現(xiàn)實世界情況作出判斷和預測。因此，與預先編寫好、只能按照特定邏輯去執(zhí)行指令的軟件不同，機器實際上是在用大量數(shù)據(jù)和算法去“自我訓練”，從而學會如何完成一項任務。
機器學習的概念來自于人工智能發(fā)展的早期。隨后多年中，基于算法的方法包括決策樹學習、歸納邏輯編程、聚類算法、強化學習，以及貝葉斯網(wǎng)絡等等。正如我們所知，這些技術最終都未能形成通用人工智能，而早期的機器學習方法甚至也沒有帶來狹義人工智能。
多年的研究結果表明，機器學習的最佳應用領域之一是計算機視覺。不過，計算機視覺技術仍需要大量人工編程才能實現(xiàn)。需要人工編碼的技術包括，用于識別照片中對象邊緣的邊緣探測濾鏡，用于判斷形狀的形狀識別算法，以及用于識別字符，例如“STOP”的分類器。利用這些人工編碼的分類器，算法可以理解圖像，判斷這是否是停止標志。
這種技術很強大，但還不算完美。例如在霧天，路邊標志很可能看不清楚，而行道樹可能也會遮擋標志的一部分。直到最近，計算機視覺在識別圖像時一直無法達到人類的水平，這樣的識別技術太脆弱，出錯率太高。
不過，正確的學習算法將可以帶來不同。
深度學習：實現(xiàn)機器學習的技術
機器學習專家們早期提出的另一種基于算法的方法，即人工神經(jīng)網(wǎng)絡，隨后得到了發(fā)展。神經(jīng)網(wǎng)絡的概念來自于人類大腦理解事物的方式：神經(jīng)元之間的互聯(lián)。然而，與神經(jīng)元緊密聯(lián)系在一起的人類大腦不同，人工神經(jīng)網(wǎng)絡由離散的分層、連接，以及數(shù)據(jù)傳播方向構成。
例如，你可以拍攝一張照片，將其分成多個小塊，并輸入神經(jīng)網(wǎng)絡的第一層之中。隨后，第一層神經(jīng)元將會把處理過的數(shù)據(jù)傳遞給第二層神經(jīng)元。第二層神經(jīng)元去完成自己的處理任務。這樣的處理一直持續(xù)至最后一層，以輸出最終結果。
每個神經(jīng)元都會為輸入信息賦予權重，即對于正在執(zhí)行的任務，正確或錯誤的可能狀態(tài)，最終輸出結果基于對所有這些權重信息的相加。以停止標志為例。標志圖片將會被分割，并由神經(jīng)元去“分析”，包括整體形狀、顏色、字母、尺寸，以及移動情況。神經(jīng)網(wǎng)絡的任務是判斷這是否就是停止標志。為此，神經(jīng)網(wǎng)絡將基于權重信息得出“可能性向量”。在我們的示例中，神經(jīng)網(wǎng)絡認為，這有86%的可能性是停止標志，有7%的可能性是限速標志，5%的可能性是卡在樹上的風箏。隨后，網(wǎng)絡架構師會告訴神經(jīng)網(wǎng)絡，做出的判斷是否正確。
人工神經(jīng)網(wǎng)絡在人工智能的誕生早期就已出現(xiàn)，但在“智能性”方面一直未能取得太大突破。問題在于，最基本的神經(jīng)網(wǎng)絡也需要大量的計算資源，因此很難實現(xiàn)。
回到停止標志的例子，人工神經(jīng)網(wǎng)絡仍然很有可能得出錯誤的答案。這種神經(jīng)網(wǎng)絡所需的是訓練。只有通過數(shù)以十萬計，甚至百萬計的照片進行訓練，神經(jīng)元對輸入信息的加權才能足夠精確，從而持續(xù)得出正確的結果，無論是否有霧，是否下雨。只有在達到這種程度之后，神經(jīng)網(wǎng)絡才能自行判斷停止標志應該是什么樣。
目前，基于深度學習的圖像識別技術在某些情況下甚至比人工做得更好，而識別的對象也不僅是小貓，還包括血液中癌癥的指標，以及核磁共振中的腫瘤跡象。谷歌AlphaGo學會了圍棋游戲，并利用神經(jīng)網(wǎng)絡自我對弈，逐漸變得非常強大。
深度學習引領人工智能的未來
深度學習帶來了機器學習的許多實用應用，拓展了人工智能的適用領域。深度學習系統(tǒng)將任務分解，讓機器可以去完成這些任務。利用深度學習，無人駕駛汽車、更強大的預防醫(yī)療，甚至更好的電影推薦都將成為可能。人工智能代表了現(xiàn)在和未來。
要想了解更多更細的人工智能領域的知識！
快來參加專家匯人工智能課程吧，請聯(lián)系專家匯運營小涵報名：
