人工智慧、機器學習、深度學習，三者之間的同心圓關係

選自 blogs.nvidia

作者： Micheal Copeland

機器之心編譯

參與：Rick. R 、李亞洲

理解三者之間關係的最簡便方法就是將它們視覺化為一組同心圓——首先是最大的部分人工智慧——然後是後來興旺的機器學習——最後是促使當下人工智慧大爆發的深度學習——在最裡層。

從蕭條到繁榮

自從 1956 年幾個計算機科學家在達特茅斯會議上聚集並開闢了人工智慧這一領域，人工智慧就進入了我們的想像，並在實驗研究中進行著醞釀。在過去的幾十年里，人工智慧以及輪番被譽為人類文明取得最美好未來的關鍵，或者是作為一個頭腦發燒的輕率概念被扔進了科技垃圾堆中。坦白說直到 2012 年，它就這樣在二者之間交雜。

過去的幾年裡，尤其從 2015 年開始，人工智慧開始爆發了。這很大程度上與 GPU 的廣泛應用有關，為了使並行處理更快、更便宜、更強大。這也與近乎無限的存儲能力和各類數據洪流（所有的大數據運動）——圖像、文本、交易、測繪數據，只要你說得出來——一道進行。

讓我們梳理一遍計算機科學家是如何從蕭條——直到 2012 年——到繁榮，開發出每天由成千上百萬的人使用的應用。

人工智慧——機器詮釋的人類智能

King me：下西洋跳棋的計算機程序是上世紀 50 年代造成過一陣轟動的一些早期人工智慧案例

回到 1956 年夏天的那場會議，人工智慧先驅們的夢想是藉由新興計算機構建具有人類智力特徵的複雜機器。這就是所謂的「通用人工智慧（General AI）」的概念——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器。

你已經在電影中無休止地看到過這些被我們當做朋友的機器，比如《星球大戰》中的 C-3PO 以及成為人類敵人的機器——終結者。通用人工智慧機器向來有充足的理由出現在電影和科幻小說中；我們不能阻止，至少現在還不行。

我們能做什麼？這就到了「狹義人工智慧（Narrow AI）」的概念。指的是能夠將特殊任務處理得同人類一樣好，或者更好的技術。狹義人工智慧的相關案例比如有Pinterest上的圖像分類、Facebook中的人臉識別。

這些是狹義人工智慧在實踐中的例子。這些技術展示了人類智能的一些方面。但是如何做到的呢？那個智能來自哪裡？所以接下來看第二個同心圓，機器學習。

Spamfree diet：機器學習幫你清理收件箱中的（大部分）垃圾郵件。

機器學習最基礎的是運用演算法來分析數據、從中學習、測定或預測現實世界某些事。所以不是手動編碼帶有特定指令設定的軟體程序來完成某個特殊任務，而是使用大量的數據和演算法來「訓練」機器，賦予它學習如何執行任務的能力。

機器學習直接源自早期那幫人工智慧群體，演化多年的演算法包括了決策樹學習（decision tree learning）、歸納邏輯編程（inductive logic programming）。其他的也有聚類（clustering）、強化學習（reinforcement learning）和貝葉斯網路（Bayesian networks）等。我們知道，這些早期機器學習方法都沒有實現通用人工智慧的最終目標，甚至沒有實現狹義人工智慧的一小部分目標。

事實證明，多年來機器學習的最佳應用領域之一是計算機視覺，儘管它仍然需要大量的手工編碼來完成工作。人們會去寫一些手寫分類器，像是邊緣檢測過濾器（edge detection filters）使得程序可以識別對象的啟止位置；形狀檢測（shape detection）以確定它是否有八條邊；一個用來識別單詞「S-T-O-P」的分類器。從這些手寫分類器中他們開發出能夠理解圖像的演算法，「學習」判定它是否是一個停止標誌。

這很好，但還不夠好。特別是有霧天氣標誌不完全可見的情況下，或者被樹遮住了一部分。計算機視覺和圖像檢測直到目前都不能與人類相媲美，是因為它太過脆弱，太容易出錯了。

是時間和正確的學習演算法改變了這一切。

Herding cats：從YouTube視頻中挑選貓咪圖片，是深度學習的第一次突破性表現之一

源自最早進行機器學習那群人的另一種演算法是人工神經網路（Artificial Neural Networks），它已有幾十年的歷史。神經網路的靈感來自於我們對大腦生物學的理解——所有神經元之間的相互連接。但是不像生物大腦中的任何神經元，可以在一定的物理距離內連接到任何其他神經元，這些人工神經網路的層、連接和數據傳播方向是離散的。

比如你可以把一個圖像切成一堆碎片並輸入到神經網路的第一層中。然後第一層的單個神經元們將數據傳遞給第二層。第二層神經元將數據傳給第三層，如此一直傳到最後一層並輸出最終結果。

每個神經元分配一個權重到它的輸入——評估所執行的任務的準確或不準確。然後最終的輸出由所有這些權重來確定。所以想想那個停止標誌的例子。一個停止標誌圖像的特徵被切碎並由神經元來「檢查」——它的形狀、它的消防紅色彩、它的獨特字母、它的交通標誌尺寸以及和它的運動或由此帶來的缺失。神經網路的任務是判定它是否為一個停止標誌。這提出了一個「概率向量」，它真是一個基於權重的高度受訓的猜測。在我們的例子中，系統可能有 86% 的把握認為圖像是一個停止標誌，7% 的把握認為這是一個限速標誌，5% 的把握認為這是一隻被卡在樹上的風箏，等等——然後網路架構告訴神經網路結果的正確與否。

甚至這個例子都有些超前了，因為直到現在，神經網路都被人工智慧研究社區避開了。自從最早的人工智慧起，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，即最基本的神經網路屬於計算密集型，這並不是一個實用的方法。不過，由多倫多大學的 Geoffrey Hinton 帶領的異端研究小組一直在繼續相關研究工作，最終在超級計算機上運行並行演算法證明了這個概念，但這是直到 GPU 被部署之後才兌現的諾言。

如果我們再回到停止標誌的例子，當網路正在進行調整或者「訓練」時，出現大量的錯誤答案，這個機會是非常好的。它需要的就是訓練。它需要看到成千上萬，甚至數以百萬計的圖像，直到神經元的輸入權重被精確調整，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。在這一點上，神經網路已經教會了自己停止標誌看起來會是什麼樣的；或者在Facebook例子中就是識別媽媽的臉；或者吳恩達 2012 年在谷歌所做的貓的圖片。

吳恩達的突破在於從根本上使用這些神經網路 並將它們變得龐大，增加了層數和神經元的數量，然後通過系統運行大量的數據來訓練它。吳恩達使用了 1000 萬個YouTube視頻的圖像。他將「深度」運用在深度學習中，這就描述了這些神經網路的所有層。

如今，在一些場景中通過深度學習訓練機器識別圖像，做得比人類好，從識別貓咪到確定血液中的癌症指標和磁共振成像掃描中的腫瘤指標。谷歌的 AlphaGo 學會了遊戲，並被訓練用於 Go 比賽。通過反覆與自己對抗來調整自己的神經網路。

感謝深度學習，讓人工智慧有一個光明的未來。

深度學習 已經實現了許多機器學習方面的實際應用和人工智慧領域的全面推廣。深度學習解決了許多任務讓各種機器助手看起來有可能實現。無人駕駛機車、更好的預防醫療，甚至是更好的電影推薦，如今都已實現或即將實現。人工智慧在當下和未來。有了深度學習，人工智慧甚至可以達到我們長期所想像的科幻小說中呈現的狀態。我拿走你的 C-3PO，你可以留著終結者。

?

請您繼續閱讀更多來自 機器之心 的精彩文章:

TAG:機器之心 |

※如何區分人工智慧、機器學習和深度學習？
※人工智慧＝深度學習？
※深度學習與人工智慧的未來
※一篇文章講清楚人工智慧、機器學習和深度學習的區別
※淺析：人工智慧與機器學習
※邵學良校長關於人工智慧環境下的「深度學習法」訪談
※伯克利的靈活機器手指——深度學習對接人工智慧的應用演化
※人工智慧、機器學習及非惡意軟體攻擊的聯繫和缺陷
※深度學習：遠非人工智慧的全部和未來
※如何辨別人工智慧和機器學習的真假
※學習柔和
※學習古文，學習技巧，學習智慧
※亞馬遜的人工智慧野心：如何用語音和深度學習來打理我們的生意？
※英特爾談人工智慧與深度學習
※小學生良好的學習態度和學習習慣的養成
※深度學習和量子物理的共同點，或可用物理學打開深度學習黑箱
※進化者機器人小胖深度評測：人性化的學習小助手
※人工智慧的落地點—監督式機器學習
※在中山大學學習及工作的心得體會