人工智能：從概念提出到走向繁榮

1956年，幾個計算機科學(xué)家相聚在達特茅斯會議，提出了“人工智能”的概念，夢想著用當(dāng)時剛剛出現(xiàn)的計算機來構(gòu)造復(fù)雜的、擁有與人類智慧同樣本質(zhì)特性的機器。其后，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中慢慢孵化。之后的幾十年，人工智能一直在兩極反轉(zhuǎn)，或被稱作人類文明耀眼未來的預(yù)言，或被當(dāng)成技術(shù)瘋子的狂想扔到垃圾堆里。直到2012年之前，這兩種聲音還在同時存在。

2012年以后，得益于數(shù)據(jù)量的上漲、運算力的提升和機器學(xué)習(xí)新算法（深度學(xué)習(xí)）的出現(xiàn)，人工智能開始大爆發(fā)。據(jù)領(lǐng)英近日發(fā)布的《全球AI領(lǐng)域人才報告》顯示，截至2017年一季度，基于領(lǐng)英平臺的全球AI（人工智能）領(lǐng)域技術(shù)人才數(shù)量超過190萬，僅國內(nèi)人工智能人才缺口達到500多萬。

人工智能的研究領(lǐng)域也在不斷擴大，圖二展示了人工智能研究的各個分支，包括專家系統(tǒng)、機器學(xué)習(xí)、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統(tǒng)等。

但目前的科研工作都集中在弱人工智能這部分，并很有希望在近期取得重大突破，電影里的人工智能多半都是在描繪強人工智能，而這部分在目前的現(xiàn)實世界里難以真正實現(xiàn)（通常將人工智能分為弱人工智能和強人工智能，前者讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理，而強人工智能讓機器獲得自適應(yīng)能力，解決一些之前沒有遇到過的問題）。

弱人工智能有希望取得突破，是如何實現(xiàn)的，“智能”又從何而來呢？這主要歸功于一種實現(xiàn)人工智能的方法——機器學(xué)習(xí)。

機器學(xué)習(xí)：一種實現(xiàn)人工智能的方法

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

舉個簡單的例子，當(dāng)我們?yōu)g覽網(wǎng)上商城時，經(jīng)常會出現(xiàn)商品推薦的信息。這是商城根據(jù)你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，并且愿意購買的產(chǎn)品。這樣的決策模型，可以幫助商城為客戶提供建議并鼓勵產(chǎn)品消費。

機器學(xué)習(xí)直接來源于早期的人工智能領(lǐng)域，傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學(xué)習(xí)方法上來分，機器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)（如分類問題）、無監(jiān)督學(xué)習(xí)（如聚類問題）、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)。

傳統(tǒng)的機器學(xué)習(xí)算法在指紋識別、基于Haar的人臉檢測、基于HoG特征的物體檢測等領(lǐng)域的應(yīng)用基本達到了商業(yè)化的要求或者特定場景的商業(yè)化水平，但每前進一步都異常艱難，直到深度學(xué)習(xí)算法的出現(xiàn)。

深度學(xué)習(xí)：一種實現(xiàn)機器學(xué)習(xí)的技術(shù)

深度學(xué)習(xí)本來并不是一種獨立的學(xué)習(xí)方法，其本身也會用到有監(jiān)督和無監(jiān)督的學(xué)習(xí)方法來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。但由于近幾年該領(lǐng)域發(fā)展迅猛，一些特有的學(xué)習(xí)手段相繼被提出（如殘差網(wǎng)絡(luò)），因此越來越多的人將其單獨看作一種學(xué)習(xí)的方法。

最初的深度學(xué)習(xí)是利用深度神經(jīng)網(wǎng)絡(luò)來解決特征表達的一種學(xué)習(xí)過程。深度神經(jīng)網(wǎng)絡(luò)本身并不是一個全新的概念，可大致理解為包含多個隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為了提高深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，人們對神經(jīng)元的連接方法和激活函數(shù)等方面做出相應(yīng)的調(diào)整。其實有不少想法早年間也曾有過，但由于當(dāng)時訓(xùn)練數(shù)據(jù)量不足、計算能力落后，因此最終的效果不盡如人意。

深度學(xué)習(xí)摧枯拉朽般地實現(xiàn)了各種任務(wù)，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(yù)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)。

三者的區(qū)別和聯(lián)系

機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)。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(guān)系。

目前，業(yè)界有一種錯誤的較為普遍的意識，即“深度學(xué)習(xí)最終可能會淘汰掉其他所有機器學(xué)習(xí)算法”。這種意識的產(chǎn)生主要是因為，當(dāng)下深度學(xué)習(xí)在計算機視覺、自然語言處理領(lǐng)域的應(yīng)用遠超過傳統(tǒng)的機器學(xué)習(xí)方法，并且媒體對深度學(xué)習(xí)進行了大肆夸大的報道。

深度學(xué)習(xí)，作為目前最熱的機器學(xué)習(xí)方法，但并不意味著是機器學(xué)習(xí)的終點。起碼目前存在以下問題：

1.?深度學(xué)習(xí)模型需要大量的訓(xùn)練數(shù)據(jù)，才能展現(xiàn)出神奇的效果，但現(xiàn)實生活中往往會遇到小樣本問題，此時深度學(xué)習(xí)方法無法入手，傳統(tǒng)的機器學(xué)習(xí)方法就可以處理；

2.?有些領(lǐng)域，采用傳統(tǒng)的簡單的機器學(xué)習(xí)方法，可以很好地解決了，沒必要非得用復(fù)雜的深度學(xué)習(xí)方法；

3.?深度學(xué)習(xí)的思想，來源于人腦的啟發(fā)，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之后，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學(xué)習(xí)過程往往不需要大規(guī)模的訓(xùn)練數(shù)據(jù)，而現(xiàn)在的深度學(xué)習(xí)方法顯然不是對人腦的模擬。