人工智能之深度學習

人工智能、機器學習和深度學習的深度學習。

人工智能

人工智能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，打造擁有相當于人類智能的復雜機器。這就是我們所說的“通用人工智能”（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。通用人工智能機器至今只存在 于電影和科幻小說里，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“弱人工智能”（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能的例子。這些技術有人類智能的一面。但是它們是如何做到的？智能來自哪里？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能的一種方法。機器學習的概念來自早期的人工智能研究者，已經研究出的算法包括決策樹學習、歸納邏輯編程、增強學習和貝葉斯網絡等。簡單來說，機器學習就是使用算法分析數據，從中學習并做出推斷或預測。與傳統的使用特定指令集手寫軟件不同，我們使用大量數據和算法來“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，盡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，他們再開發用于理解圖像的算法，并學習如何判斷是否有停止標志。

但是由于計算機視覺和圖像檢測技術的滯后，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絡的算法，但是發明之后數十年都默默無聞。神經網絡是受人類大腦的啟發而來的：神經元之間的相互連接關系。但是，人類大腦中的神經元可以與特定范圍內的任意神經元連接，而人工神經網絡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，然后輸入到神經網絡的第一層中。在第一層中做初步計算，然后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，直到最后一層，然后輸出最終的結果。

每個神經元都會給其輸入指定一個權重：相對于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志示例。一張停止標志圖像的屬性，被一一細分，然后被神經元“檢查”：形狀、顏色、字符、標志大小和是否運動。神經網絡的任務是判斷這是否是一個停止標志。它將給出一個“概率向量”（probability vector），這其實是基于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志，7% 的把握認為是一個限速標志，等等。網絡架構然后會告知神經網絡其判斷是否正確。
不過，問題在于即使是最基礎的神經網絡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采用這種方法，最終讓超級計算機能夠并行執行該算法，并證明該算法的作用。如果我們回到停止標志那個例子，很有可能神經網絡受訓練的影響，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 利用神經網絡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絡。

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于人類，這包括找貓、識別血液中的癌癥跡象等。谷歌的 AlphaGo 學會了圍棋，并為比賽進行了大量的訓練：不斷的和自己比賽。

總結

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

教程資料展示：