人工智慧&神經網路的前世今生（下）未來篇

勤智資本

前海勤智資本以湯大傑博士（深創投原副總裁）為總裁，擁有場內外交易所、大型券商、上市公司、產業平台等資源，以精品原創、持續穩健的VC、PE、併購業務為主線。圍繞著「運動」、「健康」、「快樂」的投資理念，在 生物醫藥、醫療服務、文化創意、TMT、智能硬體、軍工、體育等多個領域尋找優質項目。

>>>>

本系列文章將從人工智慧的現狀、趨勢等各部分娓娓道來。

Google的野望

Jeff Dean是Google系統架構組院士，在最新的講座：「大規模深度學習構建智能計算機系統」中提到。Google的使命：Organize the worlds information and make it unversally accesible and useful. 整合全球信息，使人人皆可訪問並從中受益。

一開始從只有少數的產品開始，但逐年增加，使用深度學習的產品有：安卓，Apps，藥品發現，Gmail，圖片理解，地圖，自然語義，照片，機器人研究，語音、語音翻譯等。

深度學習可以應用到多個領域的原因是那些模塊都是標準化的，如：語音，文字，搜索詞，圖片，視頻，標籤，實體，短語，音頻、特徵等。你的輸入值，決定了你要的輸出，根據收集的數據可以進行訓練，得到結果後就可以放手不管。

什麼事深度神經網路？

深度神經網路是從數據提煉出來的複雜函數構建的網路，而深度指的是神經網路的層數。這個系統是一組簡單的可以訓練的數學函數集合。

當輸入一張圖片，輸出是人工標記的貓圖片，這就是所謂的監督學習。當你把許多的樣本送給系統，它會去學習近似的函數。而非監督學習指的是系統可以根據非指定的圖片，用深度學習的「經驗」識別出圖片中的物品。

為了決定圖片中的到底是貓還是狗，需要經過很多層。

• 從最底部的神經元將會看到像素塊，而更高層的神經元則會根絕下層的神經元的輸出才決定是否工作。

• 模型有可能會出錯，但是它會總結錯誤並在系統中進行調整，下一次輸入就可能輸出正確的答案。

• 學習演算法比較簡單

• 選擇訓練樣本

• 運行神經網路在輸入後查看它的結果

• 調整後的權重讓輸出更接近於標籤

看看神經網路到底是如何工作的？

讓我們用動圖看看神經網路到底是如何工作的？

1.首先由很多層的神經網路組成整個網路

2.最底層的神經網路會先對樣品進行學習和判斷。

3.整個神經網路會進行學習，而深層的神經網路單元會根據前面的單元反饋的結果進行判斷。

4.不同的學習單元會有不同的判斷的結果，但通過重複的學習和糾正（調整策略和權重），最終會提升學習效率和準確性

5.經過重複學習後，這類型的圖片的特徵已經被神經網路記住了，以後這類型的圖片也能輕易被識別

模型的並行化

神經網路有很多固有的並行化，所有不同的神經元與其他的也是保持獨立，特別本地接納的，神經元僅僅接受一小部分比它更低的神經元作為輸入。

數據並行化

優化的模型參數集不應該在一台機器上或者一台中心伺服器上，應該有多個模型拷貝進行分散式部署，一起協助去優化參數。

人工智慧創業正在爆炸式發展

上圖是Facebook十年發展路線圖，對於大公司而言，人工智慧已經不僅僅是一種圖景，而已經是一種必備武器。Google和微軟已經毋庸贅言，單說在人工智慧上起步最晚的Facebook在這方面的努力就可見一斑。 Facebook幾年前在人工智慧上還幾乎是一片空白，但追趕的速度卻非常快。目前，該公司有兩大實驗室，其中一個是重點發展基礎研究的Facebook AI項目（FAIR，Yann LeCun負責），另一個則是專註於人工智慧產品應用的應用機器學習部門（AML，西班牙裔機器學習專家Joaquin Candela負責）。 在今年Facebook公布的發展路線圖中，AI作為一個10年發展戰略之一，已經被清晰的表述了出來。

人工智慧融資創歷史 4年增長近10倍

根據 CB Insight 的投資數據，最近一個季度，人工智慧初創公司拿的錢也越來越多了。按年來看的話，這個趨勢更明顯

這是 2011 年到 2015 年，AI 類初創公司獲得融資數額的趨勢圖

人工智慧初創企業融資與交易數量 國外網站cbinsights最近利用其資料庫對美國人工智慧的融資交易情況做了個統計，結果令人震驚！人工智慧初創企業的融資額在過去短短4年幾乎增長了10倍，可謂大爆炸的發展！

人工智慧季度融資項目創歷史新高

今年上半年，人工智慧類初創公司數量和 2011 年比，增長了 6 倍。光是今年第一季度，獲得融資的 AI 相關公司就有 143 家：

2011 到 2015 年每個季度 AI 公司公開的投資情況。藍色為投資金額（單位美元），橙色為投資數量。

人工智慧企業融資仍聚焦於初期階段

人工智慧初創企業融資統計 過去五年，人工智慧初創企業的數量在增長，融資階段也仍然聚焦於種子天使輪和A輪，這一方面說明人工智慧的初創企業仍在早期，但也說明新的人工智慧企業在增加。另外，從資金流向上看，目前多數資金都流向了人工智慧企業的早期融資階段。但是由於大融資項目的出現，E輪以上的融資額佔比也在增加。

展望未來黑科技

Facebook 和 Google、亞馬遜、微軟都推出了自己的聊天機器人，而ios系統在10.0版本的更新後也還將融入人工智慧並將iMessage服務開放給第三方。雖然「聊天」這個方式不一定完全是未來的交互方式，但是相信未來的5年內，大部分的應用和平台都是會植入人工智慧的功能。

就目前來說，大部分的人工智慧是針對人的視覺、語言、語音，然後進行決策，然後可以做一點點的判斷和預測。而如果是要做一整套完整的人工智慧系統的話，是需要有一個反饋的，比如智能駕駛系統。

而深度學習恰恰就解決了反饋的問題。它的特點是使用了多層的網路，能夠學習抽象概念，然後加入自我學習，然後進行自我反饋。通過自我的學習，機器會逐步從大量的樣本中抽象出相關的概念，然後做出理解然後總結，最後可以做出決策和判斷。

機器學習、深度學習在突破在精度方面已經有了很大的突破，但未來也還是有非常多的進步和融合的空間，相信未來5-10年，將不會有「互聯網+」的概念，而「人工智慧+」的概念將會越來越火爆。

未來的「人工智慧+」這個概念，將會含括大數據、感知、決策、反饋這幾個方向。目前就大數據方面，互聯網應用、BI（商業智能）、商業自動化都已經有使用相關的技術；而未來很多離錢最近的傳統行業也將擁抱大數據，包括投資、保險、銀行、醫療、教育、房地產等都會進行傳統與現代的融合。

而對於感知的方面，目前的語音識別、人臉識別、虹膜識別、指紋識別等都已經做到很高的水準；而最近一兩年的VR/ AR不太可能大規模普及，因為硬體的成本過高和用戶的普及率過低，還沒有達到爆發的地步，但是有理由相信未來VR/ AR將會顛覆人們生活的很多方面，當中的一部分交互方式就是通過人工智慧誕生的新型交互方式或者新型交互平台。

這個新平台將會包含人工智慧、先進的計算框架、演算法框架，將會衝擊現有的所有操作系統。它以某種形式出現，可以存在於機器人內，機器人只是一個載體，也可以增加很多的感測器，增加多維度的感知。它可以出現在任何地方，前提是只需要有一個支持運行的計算平台就可以，這樣理解的話就非常像復仇者聯盟的奧創。

未來的機器人將會滲透到人類生活的方方面面，提高生活質量、工作效率，但是一定是經過新型的人工智慧平台和機器人結合以後才會在日常生活、家庭中大範圍普及。

無人駕駛也將是人工智慧未來的重要部分，但就目前的實際情況來說，還需要循序漸進的進行迭代、法律的完善、道德的支撐，才能真正的實現全天候的無人駕駛。

從長期看，未來人工智慧會在所有的領域徹底改變人類，產生更多的價值，取代更多人的工作，也會讓很多現在重複性的工作被取代，然後讓人去做人真正應該去做的事情。短期來說，人工智慧商業價值也很大，短期在很多領域都能產生價值。

在不久的將來，人工智慧將會在很多的領域徹底改變乃至顛覆人類，產生更多的價值，說不定人類將藉由人工智慧，產生新形態的人類，延長壽命、增加智慧、開發潛能。

文/圖 藍志豪 lanzh@triwise.cn

部分內容參考整理自：

• Jeff Dean on Large-Scale Deep Learning at Google

• On HackerNews

• Ryan Adams with an awesome muggle accessible technical explanation of AlphaGoon the Machine Learning Music Videos episode of the Talking Machines podcast.

• TensorFlow

• Why Enrollment Is Surging in Machine Learning Classes

• Move Evaluation in Go Using Deep Convolutional Neural Networks

• In Defence of Strong AI: Semantics from Syntax

• The Chinese Room Argument

• Google: Multiplex Multiple Works Loads On Computers To Increase Machine Utilization And Save Money

• Google On Latency Tolerant Systems: Making A Predictable Whole Out Of Unpredictable Parts

• Google DeepMind: What is it, how does it work and should you be scared?

• Inside the Artificial Brain Thats Remaking the Google Empire

• Neural Networks Demystified

• Hackers guide to Neural Networks

• Neural Networks and Deep Learning

• Neural Networks (General)

• stephencwelch/Neural-Networks-Demystified

• Topics Course on Deep Learning UC Berkeley

• Machine Learning: 2014-2015

• Playing Atari with Deep Reinforcement Learning

• Human-level control through deep reinforcement learning

版權歸勤智資本所有。歡迎轉發朋友圈，如需轉載至其他平台、網站、App等，請於勤智資本取得授權，感謝！

PS:歡迎關注，投遞BP郵箱是：bp@triwise.cn

基金主頁是：勤智資本

勤智資本微信公眾號（triwise）

推薦閱讀：