人工智能：從概念提出到走向繁榮

1956年，幾個計算機科學家相聚在達特茅斯會議，提出了“人工智能”的概念，夢想著用當時剛剛出現(xiàn)的計算機來構造復雜的、擁有與人類智慧同樣本質(zhì)特性的機器。其后，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中慢慢孵化。之后的幾十年，人工智能一直在兩極反轉(zhuǎn)，或被稱作人類文明耀眼未來的預言，或被當成技術瘋子的狂想扔到垃圾堆里。直到2012年之前，這兩種聲音還在同時存在。

2012年以后，得益于數(shù)據(jù)量的上漲、運算力的提升和機器學習新算法(深度學習)的出現(xiàn)，人工智能開始大爆發(fā)。據(jù)領英近日發(fā)布的《全球AI領域人才報告》顯示，截至2017年一季度，基于領英平臺的全球AI(人工智能)領域技術人才數(shù)量超過190萬，僅國內(nèi)人工智能人才缺口達到500多萬。

人工智能的研究領域也在不斷擴大，圖一展示了人工智能研究的各個分支，包括專家系統(tǒng)、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統(tǒng)等。

                                                                 圖一　人工智能研究分支

但目前的科研工作都集中在弱人工智能這部分，并很有希望在近期取得重大突破，電影里的人工智能多半都是在描繪強人工智能，而這部分在目前的現(xiàn)實世界里難以真正實現(xiàn)(通常將人工智能分為弱人工智能和強人工智能，前者讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理，而強人工智能讓機器獲得自適應能力，解決一些之前沒有遇到過的問題)。

弱人工智能有希望取得突破，是如何實現(xiàn)的，“智能”又從何而來呢?這主要歸功于一種實現(xiàn)人工智能的方法——機器學習。

機器學習：一種實現(xiàn)人工智能的方法

機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預測。與傳統(tǒng)的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數(shù)據(jù)來“訓練”，通過各種算法從數(shù)據(jù)中學習如何完成任務。

舉個簡單的例子，當我們?yōu)g覽網(wǎng)上商城時，經(jīng)常會出現(xiàn)商品推薦的信息。這是商城根據(jù)你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，并且愿意購買的產(chǎn)品。這樣的決策模型，可以幫助商城為客戶提供建議并鼓勵產(chǎn)品消費。

機器學習直接來源于早期的人工智能領域，傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習算法可以分為監(jiān)督學習(如分類問題)、無監(jiān)督學習(如聚類問題)、半監(jiān)督學習、集成學習、深度學習和強化學習。

傳統(tǒng)的機器學習算法在指紋識別、基于Haar的人臉檢測、基于HoG特征的物體檢測等領域的應用基本達到了商業(yè)化的要求或者特定場景的商業(yè)化水平，但每前進一步都異常艱難，直到深度學習算法的出現(xiàn)。

深度學習：一種實現(xiàn)機器學習的技術

深度學習本來并不是一種獨立的學習方法，其本身也會用到有監(jiān)督和無監(jiān)督的學習方法來訓練深度神經(jīng)網(wǎng)絡。但由于近幾年該領域發(fā)展迅猛，一些特有的學習手段相繼被提出(如殘差網(wǎng)絡)，因此越來越多的人將其單獨看作一種學習的方法。

最初的深度學習是利用深度神經(jīng)網(wǎng)絡來解決特征表達的一種學習過程。深度神經(jīng)網(wǎng)絡本身并不是一個全新的概念，可大致理解為包含多個隱含層的神經(jīng)網(wǎng)絡結構。為了提高深層神經(jīng)網(wǎng)絡的訓練效果，人們對神經(jīng)元的連接方法和激活函數(shù)等方面做出相應的調(diào)整。其實有不少想法早年間也曾有過，但由于當時訓練數(shù)據(jù)量不足、計算能力落后，因此最終的效果不盡如人意。

深度學習摧枯拉朽般地實現(xiàn)了各種任務，使得似乎所有的機器輔助功能都變?yōu)榭赡?。無人駕駛汽車，預防性醫(yī)療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現(xiàn)。其原因與以下因素息息相關：

首先，深度卷積神經(jīng)網(wǎng)絡需要大量數(shù)據(jù)進行訓練。網(wǎng)絡深度太淺的話，識別能力往往不如一般的淺層模型，比如SVM或者boosting;如果做得很深，就需要大量數(shù)據(jù)進行訓練，否則機器學習中的過擬合將不可避免。而2006年開始，正好是互聯(lián)網(wǎng)開始大量產(chǎn)生各種各樣的圖片數(shù)據(jù)的時候，即視覺大數(shù)據(jù)開始爆發(fā)式地增長。

其次，是運算能力。卷積神經(jīng)網(wǎng)絡對計算機的運算要求比較高，需要大量重復可并行化的計算，在當時CPU只有單核且運算能力比較低的情況下，不可能進行很深的卷積神經(jīng)網(wǎng)絡的訓練。隨著GPU計算能力的增長，卷積神經(jīng)網(wǎng)絡結合大數(shù)據(jù)的訓練才成為可能。

最后，就是人和。卷積神經(jīng)網(wǎng)絡有一批一直在堅持的科學家(如Lecun)才沒有被沉默，才沒有被海量的淺層方法淹沒。最后終于看到卷積神經(jīng)網(wǎng)絡占領主流的曙光。

有一點需要特別提醒的是，或許，深度學習更值得我們借鑒的是“深度”這一思想，但它是否等同于深度神經(jīng)網(wǎng)絡，學者們的意見并非一致。比如，南京大學的周志華(西瓜書作者)提出了gcForest(多粒度級聯(lián)森林)，在接受采訪時，周志華老師認為，解決復雜問題把模型變深可能是有必要的，但是深度學習應該不只是深度神經(jīng)網(wǎng)絡，還可以有其他形式，與神經(jīng)網(wǎng)絡相比，其他形式也許有更好的性質(zhì)。這段話或許會給我們深刻的警示。

三者的區(qū)別和聯(lián)系

機器學習是一種實現(xiàn)人工智能的方法，深度學習是一種實現(xiàn)機器學習的技術。我們就用最簡單的方法——同心圓，可視化地展現(xiàn)出它們?nèi)叩年P系。

                                                                圖二　三者關系示意圖

當下的人工智能時代，機器學習的重要性不言而喻。