人(rén)工(gōng)智能(néng)的(de)浪潮正在席卷<≠₩↑全球，諸多(duō)詞彙時(shí)刻萦繞在我們耳邊：人(‍γ rén)工(gōng)智能(néng)(Artificial Intellig♥'<ence)、機(jī)器(qì)學習(xí)(Machine Learnin♥♠♠g)、深度學習(xí)(Deep Learning)↔αλ★。不(bù)少(shǎo)人(rén)對(d≥←uì)這(zhè)些(xiē)高(gāo)頻(pín×α)詞彙的(de)含義及其背後的(de)關系總是(shì)似懂(dǒng)©β₹非懂(dǒng)、一(yī)知(zhī)半解。

為(wèi)了(le)幫助大(dà)家(jiā)更好(hǎo)地(d‍€ì)理(lǐ)解人(rén)工(gōng)智能(néng)，☆•♣×這(zhè)篇文(wén)章(zhāng£∑‍✘)用(yòng)簡單的(de)語言解釋了(le)這(←β€≤zhè)些(xiē)詞彙的(de)含義，理(lǐ)清它們之間(jiā✔γn)的(de)關系，希望對(duì)剛入門(mé →n)的(de)同行(xíng)有(yǒu)所幫助。

人(rén)工(gōng)智能(néng)：從(cóng)概念提出到(β ©dào)走向繁榮

1956年(nián)，幾個(gè)計(jì)算(s'♦uàn)機(jī)科(kē)學家(jiā)相(xiàng)聚在達特茅斯會(hu©∑ì)議(yì)，提出了(le)“人(rén)工(gōng)智能(n✔₽♣"éng)”的(de)概念，夢想著(zhe)用(yòn↓✘g)當時(shí)剛剛出現(xiàn)的(de)§÷π計(jì)算(suàn)機(jī)來(lái)構造複雜(zá♣€∏)的(de)、擁有(yǒu)與人(rén)類智慧同↓£樣本質特性的(de)機(jī)器(qì)。其後&←≤，人(rén)工(gōng)智能(néng)就(jiù)一(yī)直×↑∏萦繞于人(rén)們的(de)腦(nǎo)海(h€Ω‍∑ǎi)之中，并在科(kē)研實驗室中慢(màn)慢(màn)♠φ&孵化(huà)。之後的(de)幾十年(nián)，人(rén)✔£∑工(gōng)智能(néng)一(yī)直在兩極反轉γ≈，或被稱作(zuò)人(rén)類文(wén)明( ≤ míng)耀眼未來(lái)的(de)預言，或被當成技(jì)α←術(shù)瘋子(zǐ)的(de)狂想扔到(dào)垃圾堆裡(lǐ)。直到(δ✔∑dào)2012年(nián)之前，這(zhè)•λ↔ε兩種聲音(yīn)還(hái)在同時(sh™π¥í)存在。

2012年(nián)以後，得(de)益于數(shù)據量的(de)上(shà ♠ng)漲、運算(suàn)力的(de)提升和(hé)機(α™$jī)器(qì)學習(xí)新算(suàn)法(深度學習(xí)π↑↕≤)的(de)出現(xiàn)，人(rén)工(gōng)智能(néng)<€開(kāi)始大(dà)爆發。據領英近(jìn)日π↑÷₹(rì)發布的(de)《全球AI領域人(rén)才報(bào♥×)告》顯示，截至2017年(nián)一(yī)季度，基于領英平₩¶→台的(de)全球AI(人(rén)工(gōng)智能(néng)≠↓≈§)領域技(jì)術(shù)人(rén)才​→ ₹數(shù)量超過190萬，僅國(guó)內(​ ↑©nèi)人(rén)工(gōng)智能(néng)人(ré✘•n)才缺口達到(dào)500多(duō)萬。

人(rén)工(gōng)智能(néng)的(de)研究領域也(yě)✔>γ在不(bù)斷擴大(dà)，圖一(yī)展示了(le)人(rén)§‌↑<工(gōng)智能(néng)研究的(de¥£≥)各個(gè)分(fēn)支，包括專家(jiā♣≥)系統、機(jī)器(qì)學習(xí)&₹、進化(huà)計(jì)算(suàn)、模糊邏輯、 ♦₹☆計(jì)算(suàn)機(jī)視(sh±±α©ì)覺、自(zì)然語言處理(lǐ)、推薦系統等。

圖一(yī) 人(rén)工(gōng)智能'∑(néng)研究分(fēn)支

但(dàn)目前的(de)科(kē)研工(gōng)作(zuò)都(dōu)™✘↓✔集中在弱人(rén)工(gōng)智能(néng)‌★♠這(zhè)部分(fēn)，并很(hěn)有(yǒu)希望在近(≥∞≈jìn)期取得(de)重大(dà)突破，電(diàn)影(yǐng×α)裡(lǐ)的(de)人(rén)工(gōng)智能(néng)多(d∑$↔uō)半都(dōu)是(shì)在描繪強人(r‍★'én)工(gōng)智能(néng)，而這(zhè)部分(fēn)在目前的♥∞$‍(de)現(xiàn)實世界裡(lǐ)難以真正實現"¥β(xiàn)(通(tōng)常将人(rén)工(gōng)智能(néng•λλ)分(fēn)為(wèi)弱人(rén)工(gōng)智能(néng)和(hé≥™)強人(rén)工(gōng)智能(néng)，前者讓機↑✔(jī)器(qì)具備觀察和(hé)感知(zhī)的(de)能(né¶π ng)力，可(kě)以做(zuò)到(dào)一(yī)定♦↓程度的(de)理(lǐ)解和(hé)推理(lǐ)"↔，而強人(rén)工(gōng)智能(néng)讓機(jī)器(qì)獲得(‍ de)自(zì)适應能(néng)力，解決一(y©♦♣γī)些(xiē)之前沒有(yǒu)遇到(dào)過的(d✔ ≠e)問(wèn)題)。

弱人(rén)工(gōng)智能(néng)有(yǒu)希望取得(de← ®)突破，是(shì)如(rú)何實現(xiàn)的(de)，“智能(né®× ∑ng)”又(yòu)從(cóng)何而來(l¶₩¶βái)呢(ne)?這(zhè)主要(yào)♠​歸功于一(yī)種實現(xiàn)人(rén)工(gōng)智能(néng)$∞的(de)方法——機(jī)器(qì)學習(xí)。

機(jī)器(qì)學習(xí)：一(yī)種實現(xiàn)人(réδ‍£​n)工(gōng)智能(néng)的(de)方法

機(jī)器(qì)學習(xí)最基本的(de)做∑₽σ∑(zuò)法，是(shì)使用(yòng)¶ε&算(suàn)法來(lái)解析數(shù)據、從(có λ¥ ng)中學習(xí)，然後對(duì)真實世界中的(de)事(shì)件 ≥÷✔(jiàn)做(zuò)出決策和(hé)預測。與傳統的(d↕ e)為(wèi)解決特定任務、硬編碼的(d¥•Ω‌e)軟件(jiàn)程序不(bù)同，機(jī)器(q‍σγì)學習(xí)是(shì)用(yòng)大(dà)量的(de)數(shù)♠≠©據來(lái)“訓練”，通(tōng)過各種★←算(suàn)法從(cóng)數(shù)據中學習(xí)如(r÷≤÷→ú)何完成任務。

舉個(gè)簡單的(de)例子(zǐ)，當我們&©§™浏覽網上(shàng)商城(chéng)時(shí)≤σ←¶，經常會(huì)出現(xiàn)商品推薦的ε≤≥(de)信息。這(zhè)是(shì)商城(chéng)根據•​"£你(nǐ)往期的(de)購(gòu)物(wù)記錄和(hé)冗長(c£©háng)的(de)收藏清單，識别出這(zhè)其中哪些(xi≠φē)是(shì)你(nǐ)真正感興趣，并且願意購(gòu)買的(de  )産品。這(zhè)樣的(de)決策模型，可(kě)以幫助商城(cβ←héng)為(wèi)客戶提供建議(yì)并鼓勵産品消費(fèi)。

機(jī)器(qì)學習(xí)直接來(lái)♣‍≥&源于早期的(de)人(rén)工(gōng)智能(néng)領域，傳統的Ω×(de)算(suàn)法包括決策樹(shù)、聚類、貝葉斯分(fēn)類、支∑×持向量機(jī)、EM、Adaboost等等。從(cóng)學習(xí)₽​方法上(shàng)來(lái)分(fēn)，機(jī)器(qì)學習>δ✔>(xí)算(suàn)法可(kě)以分(fēn)為(wèi)監督學習(xí)(★Ω£'如(rú)分(fēn)類問(wèn)題)、無監督學☆™♠$習(xí)(如(rú)聚類問(wèn)題) $、半監督學習(xí)、集成學習(xí)、深度學習(xí)和(hβ↕é)強化(huà)學習(xí)。

傳統的(de)機(jī)器(qì)學習(xí)算(suàn)法在指紋識别λ×、基于Haar的(de)人(rén)臉檢測♦♠、基于HoG特征的(de)物(wù)體(tǐ)檢測等領域的(de)應用(÷'☆‌yòng)基本達到(dào)了(le)商業(yè)化(huà)的♣↕(de)要(yào)求或者特定場(chǎng)景的(de)商業(yè)™'化(huà)水(shuǐ)平，但(dàn)每前進一(yī)≠"€步都(dōu)異常艱難，直到(dào)深 ♦>度學習(xí)算(suàn)法的(de)出現(§δ™xiàn)。

深度學習(xí)：一(yī)種實現(xiàn)機(j‍✔©₹ī)器(qì)學習(xí)的(de)技(jì)術(shù)•λ

深度學習(xí)本來(lái)并不(bù)是(shì)一(yī←£)種獨立的(de)學習(xí)方法，其本身(shēn)也(yě)會(huì)₩δ↕用(yòng)到(dào)有(yǒu)監督和(hé&♠♠×)無監督的(de)學習(xí)方法來(lái)訓練深度神經網絡。±★₽¶但(dàn)由于近(jìn)幾年(nián)該領域發展迅猛，一(yī)些(≥₹♥★xiē)特有(yǒu)的(de)學習(xí)手段相'< ✔(xiàng)繼被提出(如(rú)殘差網絡)，因此越來(lá​→↑i)越多(duō)的(de)人(rén)将©₹'φ其單獨看(kàn)作(zuò)一(yī)種學習(xí)的(✔€de)方法。

最初的(de)深度學習(xí)是(shì)利用(yòng)>€ε深度神經網絡來(lái)解決特征表達的(de)一(yī)種學習( '♥♥xí)過程。深度神經網絡本身(shēn)并不(bù)是(shìε←)一(yī)個(gè)全新的(de)概念，可(kě™₩÷•)大(dà)緻理(lǐ)解為(wèi)包含多(duō)個(gè)隐含層的(de¥ )神經網絡結構。為(wèi)了(le)提高(gāo)π™''深層神經網絡的(de)訓練效果，人(rénΩ≠±)們對(duì)神經元的(de)連接方法和(hé)激活函數(shù)等方面做(®☆δ<zuò)出相(xiàng)應的(de)調整。其實有(yǒu)™©♣不(bù)少(shǎo)想法早年(nián)間(jiān)也(y∑δ•ě)曾有(yǒu)過，但(dàn)由于當時(shí)訓練數 ≤∞α(shù)據量不(bù)足、計(jì)算(sΩ★®uàn)能(néng)力落後，因此最終的(de)效果不(bù)盡如(rú)人(✔<‌‍rén)意。

深度學習(xí)摧枯拉朽般地(dì)實現(xiàn&≠α¶)了(le)各種任務，使得(de)似乎所有(yǒu)的( §£de)機(jī)器(qì)輔助功能(néng)∑€都(dōu)變為(wèi)可(kě)能(néng)。無人(rén)駕駛汽車α→♥(chē)，預防性醫(yī)療保健，甚至是(shì)更好(hǎo)的(deλ↔)電(diàn)影(yǐng)推薦，都(d☆∞δ ōu)近(jìn)在眼前，或者即将實現(x€‍‍♠iàn)。

三者的(de)區(qū)别和(hé)聯系''

機(jī)器(qì)學習(xí)是(shì)♥©↕一(yī)種實現(xiàn)人(rén)工(gōng)智能(n↔&​éng)的(de)方法，深度學習(xí)是(shì)$$<&一(yī)種實現(xiàn)機(jī)器(qì)學習(Ω ✘xí)的(de)技(jì)術(shù)。我們就(jiù)用(yòn'↕σ>g)最簡單的(de)方法——同心圓，可(kě)視(γ←∞shì)化(huà)地(dì)展現(xiàn)出它們三者的(δεπ∑de)關系。

圖二 三者關系示意圖

當下(xià)，越來(lái)越多(duō)的(de)δ♥γ♦開(kāi)發工(gōng)程師(shī ♠π←)，希望了(le)解或者轉行(xíng)人(rén•×≤★)工(gōng)智能(néng)，但(dàn)數(shù≥ ‌‍)學成為(wèi)了(le)他(tā)們無法逾越的(de)門(mé™₩∑ n)檻。因為(wèi)機(jī)器(qì)學習<∏Ω&(xí)是(shì)入門(mén)人(rén)工(gōng)智能(néng)€↕的(de)必經之路(lù)，而機(jī)器(qì)學習(xí)的(de>±)算(suàn)法需要(yào)大(dà)學高(gāo)等數(shù)學、概​α率論與數(shù)理(lǐ)統計(jì)、線性代數(shù)(或者矩​★陣論)的(de)基礎。