人工智慧開始風生水起

04-22

作為近期炒的火熱的人工智慧，不得不提起Facebook、Google和微軟，這幾家作為全球大部分最有影響力的技術公司都表現出對人工智慧的狂熱。

先從解釋「人工智慧」的含義開始；然後我們還將弄清楚一個問題：為什麼早在1950年代就已經誕生的人工智慧，直到今天才崛起，才開始演變成趨勢。

1、人工智慧：智能程序的科學

人工智慧（AI）簡單來說就是「製造智能機器、尤其是智能計算機程序的科學和工程，是指展現出看似具有智能的行為的硬體或者軟體。

人工智慧一開始是基於規則的程序，可在特定環境下提供初步的「智能」顯示。所取得的進展較為有限——因為處理許多現實問題的演算法對於靠人工編程來處理來說太過複雜。

如出具醫療診斷、預測機器失效時間，或者評估特定資產的市值等，牽涉到成千上萬的數據集，以及變數之間非線性的關係。這種情況下，很難利用人工智慧來取得最好效果。

2、AI的發展歷程

從1955年至今，人工智慧的發展經歷了三次潮起，兩次潮落：

　　1955年。達特茅斯會議標誌AI誕生；

　　1957年，羅森布拉特發明第一款神經網路，進入第一個高峰；

　　1970年，受計算能力所限，AI進入第一個低谷；

　　1982年，霍普菲爾特神經網路提出；

　　1986年，BP演算法實現了神經網路訓練的突破，進入第二個高峰；

　　1990年，人工智慧計算機DAPRA失敗，進入第二個低谷；

　　2006年，深度學習神經網路被提出；

　　2013年。深度學習演算法在語音和視覺識別率獲得突破性進展，進入第三個高峰。

3、人工智慧（AI）與機器學習（ML）、深度學習（DL）

（1）機器學習（ML）是人工智慧（AI）的子集。所有的機器學習都是人工智慧，但並非所有的人工智慧都是機器學習。機器學習,就是把對於人來說太過複雜的問題，交給了演算法。機器學習是「讓計算機有能力在不需要明確編程的情況下自己學習的研究領域。」

機器學習，所謂賦予「計算機學習的能力」，意思是指對現有數據的變數賦予權重以做出對未來的精確預測的任務交給了演算法。大多數機器學習的目標都是針對特定用例開發一個預測引擎。演算法會接收有關某個領域的信息，然後給出輸入的權重來做出有用的預測。

機器學習演算法是通過訓練來學習的。演算法一開始會接收輸出已知的例子，然後留意其預測與正確輸出之間的不同，再對輸入的權重進行調整，從而改進預測的精確度，直到完成優化。通過經驗來改善預測的質量。我們提供的數據越多，我們能創建的預測引擎就越好。

（2）深度學習（DL）是機器學習（ML）的子集。所有的深度學習都是機器學習，但並非所有的機器學習都是深度學習。

即便有了機器學習，編寫能很好地執行特定任務，但我們不能用實用、可靠的方式來指定需優化的特徵。比如，汽車的形狀、大小、顏色都各不一樣，像通過一個程序來識別汽車圖片，我們不能為演算法處理指定汽車的特徵，能讓它在任何情況下都能正確識別。此刻深度學習避免了必須承擔特徵定義或者優化的任務。

深度學習的突破是對大腦而不是世界建模。我們的大腦學習做複雜的事情——包括理解原因和識別對象等，靠的不只是處理詳盡的規則，還包括練習和反饋。

當然，深度學習並不是適合於每一個問題。它通常需要用龐大數據集來進行訓練。訓練和運行神經網路還還需要龐大的計算能力。深度學習為一系列重要問題提供了一個成功的預測引擎。因此，它成為了AI開發者工具包當中的一項強大的工具。

4、人工智慧為什麼重要？

解決了極複雜的問題，對人類福祉重要的領域——從健康、教育，商業、交通，公用事業和娛樂有重大影響。AI的研究主要集中在以下5個領域：

推理：通過邏輯推理解決問題的能力，如法律評估；金融資產管理；金融應用處理。
知識：展示有關世界知識的能力，如醫療診斷；藥物創新；購買預測；金融市場交易。
規劃：設置和實現目標的能力，如物流；調度；導航；網路優化；預測性維護。
溝通：理解書面和口頭語言的能力，如語音控制；智能代理；虛擬助手和客戶支持。
感知：通過圖像、聲音等感覺輸入推斷事物的能力，如無人駕駛汽車；醫療診斷。

隨著時間的轉移，我們預期機器學習的採用會變得常態化。機器學習將成為開發者標準工具包的一部分，機器學習的二階效應還會超過其直接影響。

5、人工智慧開始崛起

因為有了新的演算法、可用的數據量變得更大、計算機硬體變好，以及雲計算服務的催生，使得人工智慧開始崛起。

1、演算法改進

2015年，微軟基於CNN的計算機視覺系統識別圖像的有效性首次超過人類；微軟的系統的詞錯誤率已經低到5.9%，這是AI有史以來首次跟人類能力相當。

2、硬體提升

現代GPU是在1990年代末研發出來的，目的是加速3D遊戲和3D開發應用。而包括當今計算機所用的CPU在內的串列結構微處理器，卻很不擅長做矩陣計算。GPU則採用了大規模的並行架構，可有效執行矩陣運算。

3、大規模數據

數據的創建和可用性已呈指數增長之勢。今天創建的大部分數據都是通過互聯網傳輸來使用的，日益膨脹的互聯網流量充當了海量增長的人類數據製造的代理作用。除了日益增長的一般數據以外，專業數據資源也催化機器學習的進展。它的出現為對象分類深度學習演算法的快速發展提供了支持。

「第一波」的數據製造潮始於1980年代，這牽涉到了文檔的創建以及交易性數據，這一波是由於連接互聯網的桌面PC催生的。隨後，智能手機又製造出了「第二波」數據浪潮，導致了非結構化數據、web數據以及元數據的爆發。今天，我們正在進入數據的「第三紀」，工業和家庭部署的機器感測器又創造了新的監控數據、分析數據以及元數據。

4、雲服務

開發者利用機器學習也受到了業界領先的雲提供商基於雲的機器學習基礎設施和服務的催化。

Google、微軟和IBM都提供了基於雲的基礎設施，科研降低開發機器學習能力的成本和難度。

還提供範圍不斷擴大的基於雲的機器學習服務，開發者可以直接在自己的應用中使用這些服務。像Google提供的服務包括：視覺；語音；文本分析；員工求職搜索等。微軟提供超過21種服務，涉及視覺、語音、語言、知識和搜索等領域。

5、未來前景

1780年第一次工業革命用蒸汽動力實現了製造的機械化。1870年第二次工業革命用電力推動了機器大生產。1970年第三次工業革命用電子和軟體實現了生產和通信的自動化。而人工智慧會不會推動第四次科技革命呢？

機器學習的好處將是巨大和深遠的。從無人車到人機交互的新方式，許多的好處我們可以看得見。還有很多則沒那麼明顯，但卻會促進更多的更高效更有力的日常商業流程和消費者服務。

過去5年，公眾對AI的興趣以及機構對AI公司的投資數不斷增長。我們已經進入到了一個良性循環裡面，一方面機器學習的進展在吸引著投資，創業和創新；而反過來投資、創新又會催化人工智慧更進一步取得進展。