學(xué)習(xí)幫手學(xué)習(xí)幫手人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)三者之間的同心圓關(guān)系當(dāng)谷歌DeepMind團(tuán)隊(duì)的AlphaGo打敗了李世石時(shí),媒體就用人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)這三個(gè)術(shù)語來描述DeepMind是如何取得勝利的。今年早些時(shí)候,當(dāng)谷歌DeepMind團(tuán)隊(duì)的AlphaGo打敗了李世石時(shí),媒體就用人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)這三個(gè)術(shù)語來描述DeepMind是如何取得勝利的。這三個(gè)名詞都是AlphaGo大勝李世石的原因中的一部分，但是它們并不相同。下面我們就來解釋一下。

理解三者之間關(guān)系的最簡便方法就是將它們視覺化為一組同心圓一一首先是最大的部分人工智能一一然后是后來興旺的機(jī)器學(xué)習(xí)一一最后是促使當(dāng)下人工智能大爆發(fā)的深度學(xué)習(xí)一一在最里層。EarlyartiliciaLintelligen匚esiirsmulfiOs1970s1990s2C00s2010smo'sEarlyartiliciaLintelligen匚esiirsmulfiOs1970s1990s2C00s2010smo'sSLht電an總iSIrJyMu弓h(huán)朮np昭it即如iGLh世I^SOS.鈾Jj百兇s?創(chuàng)也悄時(shí)訓(xùn)n墮-1ir&!1￥諂匚整吹learnirtg8,Iftertcfe引11.的Einq.a^ubselci即昂rhfim旱｛earrnn-g-navecreeledeverLarge「di^rupli口門乩從蕭條到繁榮自從1956年幾個(gè)計(jì)算機(jī)科學(xué)家在達(dá)特茅斯會(huì)議上聚集并開辟了人工智能這一領(lǐng)域,人工智能就進(jìn)入了我們的想象,并在實(shí)驗(yàn)研究中進(jìn)行著醞釀。在過去的幾十年里,人工智能以及輪番被譽(yù)為人類文明取得最美好未來的關(guān)鍵,或者是作為一個(gè)頭腦發(fā)燒的輕率概念被扔進(jìn)了科技垃圾堆中。坦白說直到2012年,它就這樣在二者之間交雜。過去的幾年里,尤其從2015年開始,人工智能開始爆發(fā)了。這很大程度上與GPU的廣泛應(yīng)用有關(guān),為了使并行處理更快、更便宜、更強(qiáng)大。這也與近乎無限的存儲(chǔ)能力和各類數(shù)據(jù)洪流（所有的大數(shù)據(jù)運(yùn)動(dòng)）——圖像、文本、交易、測繪數(shù)據(jù),只要你說得出來——一道進(jìn)行。讓我們梳理一遍計(jì)算機(jī)科學(xué)家是如何從蕭條——直到2012年——到繁榮,開發(fā)出每天由成千上百萬的人使用的應(yīng)用。人工智能一一機(jī)器詮釋的人類智能Kingme:下西洋跳棋的計(jì)算機(jī)程序是上世紀(jì)50年代造成過一陣轟動(dòng)的一些早期人工智能案例回到1956年夏天的那場會(huì)議,人工智能先驅(qū)們的夢想是借由新興計(jì)算機(jī)構(gòu)建具有人類智力特征的復(fù)雜機(jī)器這就是所謂的「通用人工智能(GeneralAl)」的概念具有人類智力特征的復(fù)雜機(jī)器擁有人類的所有感覺(甚至可能更多)、所有理智,像人類一樣思考的神奇機(jī)你已經(jīng)在電影中無休止地看到過這些被我們當(dāng)做朋友的機(jī)器,比如《星球大戰(zhàn)》中的C-3P0以及成為人類敵人的機(jī)器——終結(jié)者。通用人工智能機(jī)器向來有充足的理由出現(xiàn)在電影和科幻小說中；我們不能阻止,至少現(xiàn)在還不行。我們能做什么？這就到了「狹義人工智能(NarrowAI)」的概念。指的是能夠?qū)⑻厥馊蝿?wù)處理得同人類一樣好,或者更好的技術(shù)。狹義人工智能的相關(guān)案例比如有Pinterest上的圖像分類、Facebook中的人臉識(shí)別。這些是狹義人工智能在實(shí)踐中的例子。這些技術(shù)展示了人類智能的一些方面。但是如何做到的呢？那個(gè)智能來自哪里？所以接下來看第二個(gè)同心圓，機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)一一實(shí)現(xiàn)人工智能的一種方式Deletedllit巴呂宮自口巳宮now(messagesthathavebeeninSpammorethan30dayswillbeauldeleted)MrCollinsBellyAttentionFundsOwner,「1R：「「Anti-FraudUnitICPCPAYMENTNOTIFICATION?ICPCNIGERIA(AnPerituoipro^eULscopri2regoAnti-FraudUnitICPCPAYMENTNOTIFICATIONECPCNI-^e.RlA(An>UsTrendyIndieFashionArrivalsJustAdd^d!Thismessac：.YOURE-APPROVEDYOURRoof|$CoveredFREE!!?WORK?HOMEOffice(PLEASEREPLY)WoburnFULLTIME-2RemReconfirmdeposit?DEPOSITEDtNHERlTANMr.SamboNqene?Congratulations!MessageFromMr.SsmboNgene.Dkector.ForeiHereisyourchancetowUiabrandnewFord!?JocelynWeirDonotreyretskippingtheseJobs-Jul27t20nR6gist&red_Gffender_List,SEX-Offenderlivingnear-YOU?!{Find-Out}Spamfreediet:機(jī)器學(xué)習(xí)幫你清理收件箱中的(大部分)垃圾郵件。機(jī)器學(xué)習(xí)最基礎(chǔ)的是運(yùn)用算法來分析數(shù)據(jù)、從中學(xué)習(xí)、測定或預(yù)測現(xiàn)實(shí)世界某些事。所以不是手動(dòng)編碼帶有特定指令設(shè)定的軟件程序來完成某個(gè)特殊任務(wù)，而是使用大量的數(shù)據(jù)和算法來「訓(xùn)練」機(jī)器,賦予它學(xué)習(xí)如何執(zhí)行任務(wù)的能力。機(jī)器學(xué)習(xí)直接源自早期那幫人工智能群體,演化多年的算法包括了決策樹學(xué)習(xí)(decisiontreelearning)、歸納邏輯編程(inductivelogicprogramming)o其他的也有聚類(clustering)、強(qiáng)化學(xué)習(xí)(reinforcementlearning)和貝葉斯網(wǎng)絡(luò)(Bayesiannetworks)等。我們知道,這些早期機(jī)器學(xué)習(xí)方法都沒有實(shí)現(xiàn)通用人工智能的最終目標(biāo),甚至沒有實(shí)現(xiàn)狹義人工智能的一小部分目標(biāo)。事實(shí)證明,多年來機(jī)器學(xué)習(xí)的最佳應(yīng)用領(lǐng)域之一是計(jì)算機(jī)視覺,盡管它仍然需要大量的手工編碼來完成工作。人們會(huì)去寫一些手寫分類器,像是邊緣檢測過濾器

(edgedetectionfilters)使得程序可以識(shí)別對象的啟止位置;形狀檢測(shapedetection)以確定它是否有八條邊；一個(gè)用來識(shí)別單詞「S-T-O-P」的分類器detection)以確定它是否有八條邊些手寫分類器中他們開發(fā)出能夠理解圖像的算法,「學(xué)習(xí)」判定它是否是一個(gè)停止標(biāo)這很好，但還不夠好。特別是有霧天氣標(biāo)志不完全可見的情況下,或者被樹遮住了一部分。計(jì)算機(jī)視覺和圖像檢測直到目前都不能與人類相媲美，是因?yàn)樗^脆弱,太容易出錯(cuò)了。是時(shí)間和正確的學(xué)習(xí)算法改變了這一切深度學(xué)習(xí)種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)深度學(xué)習(xí)種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)Herdingcats:從YouTube視頻中挑選貓咪圖片，是深度學(xué)習(xí)的第一次突破性表現(xiàn)之一源自最早進(jìn)行機(jī)器學(xué)習(xí)那群人的另一種算法是人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks),它已有幾十年的歷史。神經(jīng)網(wǎng)絡(luò)的靈感來自于我們對大腦生物學(xué)的理解——所有神經(jīng)元之間的相互連接。但是不像生物大腦中的任何神經(jīng)元,可以在一定的物理距離內(nèi)連接到任何其他神經(jīng)元,這些人工神經(jīng)網(wǎng)絡(luò)的層、連接和數(shù)據(jù)傳播方向是離散的。比如你可以把一個(gè)圖像切成一堆碎片并輸入到神經(jīng)網(wǎng)絡(luò)的第一層中。然后第一層的單個(gè)神經(jīng)元們將數(shù)據(jù)傳遞給第二層。第二層神經(jīng)元將數(shù)據(jù)傳給第三層,如此一直傳到最后一層并輸出最終結(jié)果。每個(gè)神經(jīng)元分配一個(gè)權(quán)重到它的輸入——評估所執(zhí)行的任務(wù)的準(zhǔn)確或不準(zhǔn)確。然后最終的輸出由所有這些權(quán)重來確定。所以想想那個(gè)停止標(biāo)志的例子。一個(gè)停止標(biāo)志圖像的特征被切碎并由神經(jīng)元來「檢查」——它的形狀、它的消防紅色彩、它的獨(dú)特字母、它的交通標(biāo)志尺寸以及和它的運(yùn)動(dòng)或由此帶來的缺失。神經(jīng)網(wǎng)絡(luò)的任務(wù)是判定它是否為一個(gè)停止標(biāo)志。這提出了一個(gè)「概率向量」，它真是一個(gè)基于權(quán)重的高度受訓(xùn)的猜測。在我們的例子中,系統(tǒng)可能有86%的把握認(rèn)為圖像是一個(gè)停止標(biāo)志,7%的把握認(rèn)為這是一個(gè)限速標(biāo)志,5%的把握認(rèn)為這是一只被卡在樹上的風(fēng)箏,等等——然后網(wǎng)絡(luò)架構(gòu)告訴神經(jīng)網(wǎng)絡(luò)結(jié)果的正確與否。甚至這個(gè)例子都有些超前了,因?yàn)橹钡浆F(xiàn)在,神經(jīng)網(wǎng)絡(luò)都被人工智能研究社區(qū)避開了。自從最早的人工智能起，他們一直在做這方面研究，而「智能」成果收效甚微。問題很簡單,即最基本的神經(jīng)網(wǎng)絡(luò)屬于計(jì)算密集型,這并不是一個(gè)實(shí)用的方法。不過,由多倫多大學(xué)的GeoffreyHinton帶領(lǐng)的異端研究小組一直在繼續(xù)相關(guān)研究工作,最終在超級(jí)計(jì)算機(jī)上運(yùn)行并行算法證明了這個(gè)概念，但這是直到GPU被部署之后才兌現(xiàn)的諾言。如果我們再回到停止標(biāo)志的例子，當(dāng)網(wǎng)絡(luò)正在進(jìn)行調(diào)整或者「訓(xùn)練」時(shí)，出現(xiàn)大量的錯(cuò)誤答案,這個(gè)機(jī)會(huì)是非常好的。它需要的就是訓(xùn)練。它需要看到成千上萬,甚至數(shù)以百萬計(jì)的圖像,直到神經(jīng)元的輸入權(quán)重被精確調(diào)整,從而幾乎每一次都能得到正確答案——無論有霧沒霧，晴天還是雨天。在這一點(diǎn)上，神經(jīng)網(wǎng)絡(luò)已經(jīng)教會(huì)了自己停止標(biāo)志看起來會(huì)是什么樣的；或者在Facebook例子中就是識(shí)別媽媽的臉；或者吳恩達(dá)2012年在谷歌所做的貓的圖片。吳恩達(dá)的突破在于從根本上使用這些神經(jīng)網(wǎng)絡(luò)并將它們變得龐大，增加了層數(shù)和神經(jīng)元的數(shù)量,然后通過系統(tǒng)運(yùn)行大量的數(shù)據(jù)來訓(xùn)練它。吳恩達(dá)使用了1000萬個(gè)YouTube視頻的圖像。他將「深度」運(yùn)用在深度學(xué)習(xí)中，這就描述了這些神經(jīng)網(wǎng)絡(luò)的所有層。如今,在一些場景中通過深度學(xué)習(xí)訓(xùn)練機(jī)器識(shí)別圖像，做得比人類好,從識(shí)別貓咪到確定血液中的癌癥指標(biāo)和磁共振成像掃描中的腫瘤指標(biāo)。谷歌的AlphaGo學(xué)會(huì)了游戲，并被訓(xùn)練用于Go比賽。通過