麥肯錫發布人工智慧前沿報告：你猜是哪三種學習技術最為流行

05-02

身為華為榮耀品牌的總裁，趙明日前向記者談及手機市場正迎來一場「冬天」時表示：榮耀從來不追逐什麼風口，在手機行業正熱潮湧動時會保持冷靜，在行業轉向寒意刺骨時會依舊向前行。「我們都是隨著『華為的冬天』成長起來的主管，一路走來，危機意識常伴左右」。趙明在向記者談到人工智慧的話題時則稱，「人們會發現，有無AI的差別非常大，這會為手機應用以及整個手機產業帶來質的影響」。當然，未來人工智會比現在更先進，與智能手機、平板電腦、筆記本電腦等相互融合的程度會越來越深。換言之，單從華為致力於在今後開發出如更具智能的手機等產品，以及趙明對人工智慧的看法，那麼作為每個人，是需要對人工智慧有所了解的，從而跟上這個時代。

近期，市場研究機構麥肯錫發布了一份關於人工智慧的報告。麥肯錫在該報告中，對19個行業的400多個案例進行了分析，強調了人工智慧技術廣應用的廣泛和商業經濟價值的巨大，對當今主流的機器學習與神經網路做了對比，還分析了深度學習在企業中應用的目的與效果，且闡明了訓練人工智慧所需的各種數據與資源。

伴隨著人工智慧不斷地發展，行業專家們對人工智慧的定義也在不斷地拓展。除了深度學習外，該報告還研究了其他的機器學習技術和傳統的分析技術。其中，遷移學習、強化學習和深度學習是人工智慧應用得最流行的技術。

提起神經網路，這不過是機器學習技術的一個子集。從本質上講，它們是基於模擬連接「神經單元」的人工智慧系統，大致模擬了神經元在大腦中相互作用的方式。自20世紀40年代以來，人們一直在研究由神經連接的計算模型，隨著計算機處理能力的提升，以及大量的訓練數據集被行內業者們成功地用來對圖像、視頻和語音等數據的分析，這些模型又再一次流行了起來。人工智慧研究人員們便將這些技術稱為「深度學習」，因為神經網路有許多深層的模擬神經元層。

人工智慧各種技術的流行度。

麥肯錫在報告中分析了三種在當下最流行的神經網路技術。首先是前饋神經網路（Feed forward neural networks），這是最簡單的神經網路。在這個體系結構中，信息只沿著一個方向移動，即從輸入層通過隱藏層，再到達輸出層，網路中沒有循環。其次是循環神經網路（RNNs），這種神經網路之間的連接包含了循環，非常適用於序列輸入。然後是卷積神經網路（CNNs），這種神經網路的神經層連接其實比較特殊，它們之間的連接在受到了動物的視覺皮層組織的啟發而發展起來的。另外，該報告還提到了生成對抗網路（GANs）和強化學習。

麥肯錫在報告中整理和分析了19個行業的400多個案例。並且，在這些行業中，使企業採用深度神經網路可以使自身的價值最大化。與相對傳統的分析方法相比，這些神經網路可以提升增量，但要提升容量、多樣性和速度等，需要依賴於大量的數據。

深度學習能給人類帶來什麼樣的幫助？人們可以利用深度學習來提高設備、系統等的性能，降低維護和經營成本，提高工作效率。比如，人們利用深度學習技術，對大量的高維數據進行分析，可以將現有的預防性維護系統提升到更高的水平。又比如，深度學習預測故障和允許計劃干預的能力，可以減少發動機停機的時間和運營成本，同時提高產量。再比如，人工智慧驅動的物流優化可以通過檢測車輛的性能和指導司機在駕駛過程中的行為，從而降低物流運輸成本。

深度學習相比於起傳統的分析方法，對各行業的的提升。

人們要在大多數的應用程序中有效地使用神經網路，則需要大量標記的訓練數據集，並且能夠充分計算基礎許可權。此外，深度學習擅長從複雜的多維數據類型中提取模型，比如圖像、視頻、音頻和語音。

深度神經網路擅長於對圖像、視頻和音頻數據類型進行分析，因為它們複雜、多維，被行業研究者稱為「高維度」。神經網路則擅長處理高維度，因為網路中的多個層可以學習數據中存在的許多不同的特性。因此，對於面部識別，神經網路的第一個層可以聚焦於原始像素，第二層聚焦在輪廓和線條上，第三層是識別在一般的面部特徵，最後一層才識別出人臉。

除了數據的數量和種類之外，速度也是一個要求。人工智慧需要不斷訓練新的模型，來適應一直在變化的應用場景，因此業者們必須經常刷新訓練數據。在麥肯錫所分析到的，其中佔三分之一的案例中，模型至少每月需要更新1次；基本上每4個案例中就有1個案例需要每天更新，在市場營銷、供應鏈管理和製造等行業，這一需求表現得尤為突出。