概述

2015年11月9日，Google發布人工智慧系統TensorFlow並宣布開源。這兩年在不管在國內還是在國外，人工智慧、機器學習彷彿一夜之前傳遍大街小巷。機器學習作為人工智慧的一種類型，可以讓軟體根據大量的數據來對未來的情況進行闡述或預判。如今，領先的科技巨頭無不在機器學習下予以極大投入。Facebook、蘋果、微軟，甚至國內的百度，Google 自然也在其中。

去年早些時候 Google DeepMind 的 AlphaGo 項目在舉世矚目的圍棋比賽中一舉擊敗了韓國選手李世石，媒體就是使用了人工智慧、機器學習和深度學習這幾個術語，來解釋 DeepMind 獲勝的原因，並將它們混為一談。但是三者其實不是一回事。

區別與聯繫

本文藉助Michael Copeland的講解，讓我們撩開人工智慧、機器學習和深度學習的概念，深入理解它們的關係和區別。為了搞清三者關係，我們來看一張圖：

如圖所示：人工智慧最大，此概念也最先問世；然後是機器學習，出現的稍晚；最後才是深度學習。

從低潮到繁榮

自從 1956 年計算機科學家們在達特茅斯會議（Dartmouth Conferences）上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光明未來的鑰匙，後又被當作過於自大的異想天開而拋棄。

但是在過去幾年中，人工智慧出現了爆炸式的發展，尤其是 2015 年之後。大部分原因，要歸功於圖形處理器（GPU）的廣泛應用，使得並行處理更快、更便宜、更強大。另外，人工智慧的發展還得益於幾乎無限的存儲空間和海量數據的出現（大數據運動）：圖像、文本、交易數據、地圖數據，應有盡有。

下面我們從發展的歷程中來一一展開對人工智慧、機器學習和深度學習的深度學習。

人工智慧

人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智能的複雜機器。這就是我們所說的「通用人工智慧」（General AI）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機器人，對人類友好的 C-3PO，以及人類的敵人終結者。通用人工智慧機器至今只存在 於電影和科幻小說里，理由很簡單：我們還實現不了，至少目前為止。

我們力所能及的，算是「弱人工智慧」（Narrow AI）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。這些技術有人類智能的一面。但是它們是如何做到的？智能來自哪裡？這就涉及到下一個同心圓：機器學習。

機器學習

機器學習是實現人工智慧的一種方法。機器學習的概念來自早期的人工智慧研究者，已經研究出的演算法包括決策樹學習、歸納邏輯編程、增強學習和貝葉斯網路等。簡單來說，機器學習就是使用演算法分析數據，從中學習並做出推斷或預測。與傳統的使用特定指令集手寫軟體不同，我們使用大量數據和演算法來「訓練」機器，由此帶來機器學習如何完成任務。

許多年來，計算機視覺一直是機器學習最佳的領用領域之一，儘管還需要大量的手動編碼才能完成任務。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程序辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別「S-T-O-P」的分類器。在這些手動編寫的分類器的基礎上，他們再開發用於理解圖像的演算法，並學習如何判斷是否有停止標誌。

但是由於計算機視覺和圖像檢測技術的滯後，經常容易出錯。

深度學習

深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：神經元之間的相互連接關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連接，而人工神經網路中數據傳播要經歷不同的層，傳播方向也不同。

舉個例子，你可以將一張圖片切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將數據傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。

每個神經元都會給其輸入指定一個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。因此，我們再來看看上面提到的停止標誌示例。一張停止標誌圖像的屬性，被一一細分，然後被神經元「檢查」：形狀、顏色、字元、標誌大小和是否運動。神經網路的任務是判斷這是否是一個停止標誌。它將給出一個「概率向量」（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定圖像是一個停止標誌，7% 的把握認為是一個限速標誌，等等。網路架構然後會告知神經網路其判斷是否正確。

不過，問題在於即使是最基礎的神經網路也要耗費巨大的計算資源，因此當時不算是一個可行的方法。不過，以多倫多大學 Geoffrey Hinton 教授為首的一小批狂熱研究者們堅持採用這種方法，最終讓超級計算機能夠並行執行該演算法，並證明該演算法的作用。如果我們回到停止標誌那個例子，很有可能神經網路受訓練的影響，會經常給出錯誤的答案。這說明還需要不斷的訓練。它需要成千上萬張圖片，甚至數百萬張圖片來訓練，直到神經元輸入的權重調整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是Facebook 利用神經網路記住了你母親的面孔；吳恩達 2012 年在谷歌實現了可以識別貓的神經網路。

如今，在某些情況下，通過深度學習訓練過的機器在圖像識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 AlphaGo 學會了圍棋，並為比賽進行了大量的訓練：不斷的和自己比賽。

總結

人工智慧的根本在於智能，而機器學習則是部署支持人工智慧的計算方法。簡單的將，人工智慧是科學，機器學習是讓機器變得更加智能的演算法，機器學習在某種程度上成就了人工智慧。

_____________________________________________________________

本文由摯金資本原創編譯，本文作者 Michael Copeland 曾是 WIRED 編輯，現在是矽谷知名投資機構 Andreessen Horowitz 的合伙人。

推薦閱讀：