有人說，人工智慧（Artificial Intelligence）是未來。人工智慧是科幻小說。人工智慧已經是我們日常生活的一部分。所有這些陳述都 ok，這主要取決於你所設想的人工智慧是哪一類。
例如，今年早些時候，Google DeepMind 的 Alphago 程序擊敗了韓國圍棋大師李世乭九段。人工智慧、機器學習和深度學習這些詞成為媒體熱詞，用來描述 DeepMind 是如何獲得成功的。儘管三者都是 AlphaGo 擊敗李世乭的因素，但它們不是同一概念。
區別三者最簡單的方法：想像同心圓，人工智慧（AI）是半徑最大的同心圓，向內是機器學習（Machine Learning），最內是深入學習（Deep Learning）。
從概念的而提出到繁榮
自從幾位電腦科學家，在 1956 年的達特茅斯會議上提到這個詞以後，人工智慧就縈繞在實驗研究者們心中，不斷醖釀。在此後的幾十年裡，人工智慧被標榜為，成就人類文明美好未來的關鍵。
在過去的幾年裡，特別是 2015 以來，人工智慧開始大爆發。這在很大程度上提高了 GPU 的廣泛可用性，使得並行處理速度越來越快，使用更便宜，而且功能更強大。整個大數據運動擁有無限的儲存和大量的數據：圖像，文本，交易，映射數據等等。
人工智慧——機器所賦予的人的智慧
早在 1956 年夏天的會議上，人工智慧先驅者的夢想，是建立一個由新興電腦啓用的複雜的機器，具有與人的智慧相似的特徵。這是我們認為的「強人工智慧」（General AI），而神話般的機器則會擁有我們所有的感知，甚至更多，並且像人類一樣思考。
你已經在電影中見過這些機器無休止地運動，像朋友如 C-3PO，或者敵人如終結者。一般的人工智慧機器，仍然只是出現在電影和科幻小說中。
我們目前可以實現的，還是局限於「弱人工智慧」（Narrow AI）。這些技術能夠像人類一樣，執行特定的任務，或者比人類做的更好。像 Pinterest 上的圖像分類，Facebook 上的人臉辨識等。
這些都是弱人工智慧實踐中的例子，這些技術展示了人類智力的一些方面。但如何展示？這些智力是從哪裡來的？這些問題促使我們進入到下一個階段，機器學習。
機器學習——一種實現人工智慧的方法
機器學習最根本的點，在於使用算法來分析數據的實踐、學習，然後對真實的事件，作出決定或預測。而不是用一組特定的指令，生成的硬編碼軟體程序來解決特定任務，機器是通過使用大量的數據和算法來「訓練」，這樣就給了它學習如何執行任務的能力。
機器學習是早期人工智慧人群思考的產物，多年來形成的算法包括決策樹學習、歸納邏輯編程、聚類、強化學習、貝葉斯網路等等。正如我們所知，所有這些都沒有實現強人工智慧的最終目標，而早期的機器學習方法，甚至連弱人工智慧都沒有觸及到。
事實證明，多年來機器學習的最佳應用領域之一是電腦視覺，儘管仍然需要大量的手工編碼，來完成這項工作。人們會去寫手工編碼分類器，如邊緣檢測濾波器，以便程序可以辨識一個目標的啓動和停止；進行形狀檢測，以確定它是否有八個側面；同時確保分類器能夠辨識字母「s-t-o-p.」從那些手工編碼分類器中，機器就會開發算法，使得圖像和「學習」更有意義，用來確定這是否是一個停止標誌。
結果還算不錯，但這還不夠。特別是在霧天當標誌不那麼清晰，或有一棵樹掩蓋了標誌的一部分時，就難以成功了。還有一個原因，電腦視覺和圖像檢測還不能與人類相媲美，它太脆弱，太容易受到周圍環境的影響。
隨著時間的推移，學習算法改變了這一切。
深度學習——一種實現機器學習的技術
放貓（Herding Cats）：YouTube 影片抓拍的貓的形象是深度學習的第一次突破性展示
在過去的幾十年中，早期機器學習的另一種算法是人工神經網路。神經網路的靈感來自於我們對人類大腦生物學的理解：所有這些神經元之間的相互聯繫。
在一定的物理距離內，生物大腦中的任何神經元，可以連接到其他神經元，而人工神經網路有離散的層、連接和數據傳播的方向。
例如，你可以把一個圖像分割成很多部分，這些可以輸入到神經網路的第一層。在第一層中的單個神經元，然後將數據傳遞到第二層。第二層神經元做它的任務，等等，直到最後一層，那麼最終結果就產生了。
每個神經元都為其輸入分配權重，分配的權重正確與否與執行的任務相關。結果，最終的輸出由所有的權重所決定。這樣，還是以「停止」標誌牌為例。將「停止」標誌牌圖像的元素抽離分析，然後由神經元「檢查」：其八邊形的外形，消防車火紅的顏色，鮮明的字母，交通標誌的大小，處於運動或靜止的狀態。神經網路主要任務是總結是否是個停止標誌。
隨即，基於權重、經過深思熟慮「概率向量」的概念出現。該案例中，該系統中 86% 的可能是停止標誌，7% 的可能是速度限制標誌，5% 的可能性是掛在樹上的風箏等等。這樣，網路結構便會告知神經網路是否正確。
但這個例子還是非常超前。因為直到最近，神經網路還是被人工智慧研究所忽略。實際上，在人工智慧出現之初，神經網路就已經顯現了，在「智慧」方面還是產生很小的價值。問題是甚至最基本的神經網路都是靠大量的運算。
不過，多倫多大學的 Geoffrey Hinton 領導的一個研究小組，始終專注於其中，最終實現以超算為目標的並行算法的運算且概念的證明，但直到 GPU 得到廣泛利用，這些承諾才得以實現。
回到之前「停止」標誌的例子。神經網路是被調制或「訓練」出來的，並且不時遇到錯誤的應答。它所需要的就是訓練。需要呈現成百上千甚至上百萬的圖像，直到神經元輸入的權重被準確調制，那麼實際上每次都能得到正確的訊息，無論是否有霧，無論晴天還是雨天。
只有在那一點，神經網路才學會一個停止標誌是什麼樣的，Facebook 上你媽媽的臉是什麼樣，又或者是吳恩達（Andrew Ng）教授 2012 年在 Google 上學習到的貓的樣子。
吳恩達的突破在於將這些神經網路顯著增大，增加了層數和神經元，並通過系統的訓練運行大量的數據。在吳教授所舉案例中，數據就是 YouTube 影片中 1000 萬張圖像。他將深度學習中添加了「深度」，也就是這些神經網路中的所有層。
通過在某些場景中深度學習，機器訓練的圖像辨識要比人做得好：從貓到辨識血液中癌症的指標，再到核磁共振成像中腫瘤。Google 的 AlphaGo 先是學會了如何下棋，然後它與自己下棋訓練。通過不斷地與自己下棋，反覆練習，以此訓練自己的神經網路。
深度學習，賦予人工智慧光明的未來 深度學習使得許多機器學習應用得以實現，並拓展了人工智慧的整個領域。深度學習一一實現了各種任務，並使得所有的機器輔助變成可能。
無人駕駛汽車、預防性醫療保健、甚至的更好的電影推薦，都觸手可及或即將成為現實。人工智慧就在現在，也在未來。有了深度學習，人工智慧
可能甚至達到像我們暢想的科幻小說一樣效果。我拿走了你的 C-3PO，當然，你有《終結者》就行。
沒有留言:
張貼留言