人工智能AI、機器學習和深度學習的差別

​

AI（人工智能）是未來，是科幻小說，是我們日常生活的一部分。所有論斷都是正确的，隻是要看你所談到的AI到底是什麼。

例如，當谷歌DeepMind開發的AlphaGo程式打敗南韓職業圍棋高手Lee Se-dol，媒體在描述DeepMind的勝利時用到了AI、機器學習、深度學習等術語。AlphaGo之是以打敗Lee Se-dol，這三項技術都立下了汗馬功勞，但它們并不是一回事。

要搞清它們的關系，最直覺的表述方式就是同心圓，最先出現的是理念，然後是機器學習，當機器學習繁榮之後就出現了深度學習，今天的AI大爆發是由深度學習驅動的。

從衰敗到繁榮

1956年，在達特茅斯會議（Dartmouth Conferences）上，計算機科學家首次提出了“AI”術語，AI由此誕生，在随後的日子裡，AI成為實驗室的“幻想對象”。幾十年過去了，人們對AI的看法不斷改變，有時會認為AI是預兆，是未來人類文明的關鍵，有時認為它隻是技術垃圾，隻是一個輕率的概念，野心過大，注定要失敗。坦白來講，直到2012年AI仍然同時具有這兩種特點。

在過去幾年裡，AI大爆發，2015年至今更是發展迅猛。之是以飛速發展主要歸功于GPU的廣泛普及，它讓并行處理更快、更便宜、更強大。還有一個原因就是實際存儲容量無限拓展，資料大規模生成，比如圖檔、文本、交易、地圖資料資訊。

AI：讓機器展現出人類智力

回到1956年夏天，在當時的會議上，AI先驅的夢想是建造一台複雜的機器（讓當時剛出現的計算機驅動），然後讓機器呈現出人類智力的特征。

這一概念就是我們所說的“強人工智能（General AI）”，也就是打造一台超棒的機器，讓它擁有人類的所有感覺，甚至還可以超越人類感覺，它可以像人一樣思考。在電影中我們經常會看到這種機器，比如 C-3PO、終結者。

還有一個概念是“弱人工智能（Narrow AI）”。簡單來講，“弱人工智能”可以像人類一樣完成某些具體任務，有可能比人類做得更好，例如，Pinterest服務用AI給圖檔分類，Facebook用AI識别臉部，這就是“弱人工智能”。

上述例子是“弱人工智能”實際使用的案例，這些應用已經展現了一些人類智力的特點。怎樣實作的？這些智力來自何處？帶着問題我們深入了解，就來到下一個圓圈，它就是機器學習。

機器學習：抵達AI目标的一條路徑

大體來講，機器學習就是用算法真正解析資料，不斷學習，然後對世界中發生的事做出判斷和預測。此時，研究人員不會親手編寫軟體、确定特殊指令集、然後讓程式完成特殊任務，相反，研究人員會用大量資料和算法“訓練”機器，讓機器學會如何執行任務。

機器學習這個概念是早期的AI研究者提出的，在過去幾年裡，機器學習出現了許多算法方法，包括決策樹學習、歸納邏輯程式設計、聚類分析(Clustering)、強化學習、貝葉斯網絡等。正如大家所知的，沒有人真正達到“強人工智能”的終極目标，采用早期機器學習方法，我們連“弱人工智能”的目标也遠沒有達到。

在過去許多年裡，機器學習的最佳應用案例是“計算機視覺”，要實作計算機視覺，研究人員仍然需要手動編寫大量代碼才能完成任務。研究人員手動編寫分級器，比如邊緣檢測濾波器，隻有這樣程式才能确定對象從哪裡開始，到哪裡結束；形狀偵測可以确定對象是否有8條邊；分類器可以識别字元“S-T-O-P”。通過手動編寫的分組器，研究人員可以開發出算法識别有意義的形象，然後學會下判斷，确定它不是一個停止标志。

這種辦法可以用，但并不是很好。如果是在霧天，當标志的能見度比較低，或者一棵樹擋住了标志的一部分，它的識别能力就會下降。直到不久之前，計算機視覺和圖像偵測技術還與人類的能力相去甚遠，因為它太容易出錯了。

深度學習：實作機器學習的技術

“人工神經網絡（Artificial Neural Networks）”是另一種算法方法，它也是早期機器學習專家提出的，存在已經幾十年了。神經網絡（Neural Networks）的構想源自于我們對人類大腦的了解——神經元的彼此聯系。二者也有不同之處，人類大腦的神經元按特定的實體距離連接配接的，人工神經網絡有獨立的層、連接配接，還有資料傳播方向。

例如，你可能會抽取一張圖檔，将它剪成許多塊，然後植入到神經網絡的第一層。第一層獨立神經元會将資料傳輸到第二層，第二層神經元也有自己的使命，一直持續下去，直到最後一層，并生成最終結果。

每一個神經元會對輸入的資訊進行權衡，确定權重，搞清它與所執行任務的關系，比如有多正确或者多麼不正确。最終的結果由所有權重來決定。以停止标志為例，我們會将停止标志圖檔切割，讓神經元檢測，比如它的八角形形狀、紅色、與衆不同的字元、交通标志尺寸、手勢等。

神經網絡的任務就是給出結論：它到底是不是停止标志。神經網絡會給出一個“機率向量”，它依賴于有根據的推測和權重。在該案例中，系統有86%的信心确定圖檔是停止标志，7%的信心确定它是限速标志，有5%的信心确定它是一支風筝卡在樹上，等等。然後網絡架構會告訴神經網絡它的判斷是否正确。

即使隻是這麼簡單的一件事也是很超前的，不久前，AI研究社群還在回避神經網絡。在AI發展初期就已經存在神經網絡，但是它并沒有形成多少“智力”。問題在于即使隻是基本的神經網絡，它對計算量的要求也很高，是以無法成為一種實際的方法。盡管如此，還是有少數研究團隊勇往直前，比如多倫多大學Geoffrey Hinton所上司的團隊，他們将算法平行放進超級電腦，驗證自己的概念，直到GPU開始廣泛采用我們才真正看到希望。

回到識别停止标志的例子，如果我們對網絡進行訓練，用大量的錯誤答案訓練網絡，調整網絡，結果就會更好。研究人員需要做的就是訓練，他們要收集幾萬張、甚至幾百萬張圖檔，直到人工神經元輸入的權重高度精準，讓每一次判斷都正确為止——不管是有霧還是沒霧，是陽光明媚還是下雨都不受影響。這時神經網絡就可以自己“教”自己，搞清停止标志的到底是怎樣的；它還可以識别Facebook的人臉圖像，可以識别貓——吳恩達（Andrew Ng）2012年在谷歌做的事情就是讓神經網絡識别貓。

吳恩達的突破之處在于：讓神經網絡變得無比巨大，不斷增加層數和神經元數量，讓系統運作大量資料，訓練它。吳恩達的項目從1000萬段YouTube視訊調用圖檔，他真正讓深度學習有了“深度”。

到了今天，在某些場景中，經過深度學習技術訓練的機器在識别圖像時比人類更好，比如識别貓、識别血液中的癌細胞特征、識别MRI掃描圖檔中的惡性良性腫瘤。谷歌AlphaGo學習圍棋，它自己與自己不斷下圍棋并從中學習。

有了深度學習AI的未來一片光明

有了深度學習，機器學習才有了許多實際的應用，它還拓展了AI的整體範圍。 深度學習将任務分拆，使得各種類型的機器輔助變成可能。無人駕駛汽車、更好的預防性治療、更好的電影推薦要麼已經出現，要麼即使出現。AI既是現在，也是未來。有了深度學習的幫助，也許到了某一天AI會達到科幻小說描述的水準，這正是我們期待已久的。你會有自己的C-3PO，有自己的終結者。

人工智能大資料與深度學習