要搞清它们的关系，最直观的表述方式为同心圆。最先出现的是理念，接着是机器学习，在机器学习繁荣之后，深度学习就出现了。

智东西 文｜海中天

AI 是未来的一部分，是科幻小说中的元素，也是我们日常生活的组成部分。所有的论断都是正确的，不过这取决于你所提及的 AI 具体是什么。

当谷歌开发的程序战胜韩国职业围棋高手 Lee Se-dol 时，媒体在描述这一胜利时运用了 AI、机器学习、深度学习等术语。之所以能打败 Lee Se-dol，这三项技术都发挥了重要作用，但它们并非相同的概念。

搞清它们的关系，直观来看可用同心圆来表述。最先出现的是理念，接着是机器学习。在机器学习繁荣之后，深度学习随之出现。如今的 AI 大爆发是由深度学习所驱动的。

···从衰败到繁荣

1956 年，在达特茅斯会议上，计算机科学家首次提出了“AI”这一术语，于是 AI 诞生了。在之后的日子里，AI 成为了实验室的“幻想对象”。几十年的时间过去了，人们对 AI 的看法一直在改变。有时候人们会认为 AI 是预兆，是未来人类文明的关键；有时候人们又认为它只是技术垃圾，只是一个轻率的概念，野心过大，注定会失败。坦白来讲，直到2012年AI仍然同时具有这两种特点。

在过去的几年当中，AI 出现了大爆发的情况。从 2015 年开始一直到现在，其发展态势十分迅猛。之所以能够实现飞速发展，主要是因为 GPU 得到了广泛的普及。GPU 使得并行处理的速度更快了，成本更低了，并且性能也更加强大了。另外一个原因是实际存储容量实现了无限的拓展。在这种情况下，数据得以大规模地生成，像图片、文本、交易以及地图等数据信息都大量涌现出来。

···

AI：让机器展现出人类智力

1956 年夏天回到那时，在当时的会议当中，AI 先驱怀有一个梦想，那就是建造一台复杂的机器，并且由当时刚出现的计算机来驱动这台机器，之后让机器展现出人类智力的特征。

这一概念即为“强人工智能（AI）”，即打造一台极为出色的机器，使其具备人类的所有感知，并且能够超越人类感知，还能够像人一样进行思考。在电影里，我们时常能看到这样的机器，例如 C - 3PO、终结者。

还有一个概念叫做“弱人工智能（AI）”。简单来说，“弱人工智能”能够像人类那样完成某些特定的任务，并且有可能在这些任务上比人类做得更出色。比如，服务型 AI 可以对图片进行分类，AI 能够识别脸部，这些都属于“弱人工智能”的范畴。

上述例子属于“弱人工智能”实际应用的案例，这些应用已经展现出了一些人类智力方面的特点。那么是如何实现的呢？这些智力又来自哪里呢？带着这些问题进行深入理解，我们就来到了下一个圆圈，这个圆圈就是机器学习。

···机器学习：抵达AI目标的一条路径

大体来讲，机器学习是用算法去真正解析数据，并且持续学习，接着对世界中发生的事进行判断和预测。在这个过程中，研究人员不会亲自去编写软件、确定特殊的指令集，之后让程序去完成特殊任务。相反，研究人员会利用大量数据和算法来“训练”机器，使机器学会如何去执行任务。

机器学习这个概念是早期的 AI 研究者提出来的。过去几年里，机器学习涌现出了许多算法方法。这些方法包括决策树学习、归纳逻辑程序设计、聚类分析、强化学习、贝叶斯网络等。大家都知道，目前没有人能够真正达到“强人工智能”的终极目标。即便采用早期的机器学习方法，我们距离“弱人工智能”的目标也还很遥远。

在过去的很多年中，机器学习的最佳应用案例为“计算机视觉”。要达成计算机视觉这一目标，研究人员仍需手动编写大量代码来完成任务。研究人员会手动编写分级器，像边缘检测滤波器这类的，只有通过这样做，程序才能确定对象的起始位置和结束位置；形状侦测能够确定对象是否有 8 条边；分类器可以识别字符“S-T-O-P”。研究人员借助手动编写的分组器，能够开发出算法来识别有意义的形象。接着，他们可以学会进行判断，确定该形象不是一个停止标志。

这种办法可用，但效果不佳。雾天情况下，若标志的能见度较低，或是一棵树挡住标志的部分，其识别能力就会降低。直至不久前，计算机视觉和图像侦测技术与人类能力相差很大，因为它们很容易出错。

···深度学习：实现机器学习的技术

人工神经网络是另一种算法方法，它是早期机器学习专家提出的，已经存在几十年了。神经网络的构想源于对人类大脑的理解，即神经元的彼此联系。人类大脑的神经元是按特定物理距离连接的，而人工神经网络有独立的层、连接以及数据传播方向，二者存在不同之处。

你或许会抽取一张图片，接着把它剪成诸多块，之后将这些块植入到神经网络的第一层。第一层的独立神经元会把数据传递给第二层，第二层的神经元有着自身的使命，如此持续下去，直至到达最后一层，最终生成结果。

每一个神经元会对输入的信息进行考量，明确其权重，弄清楚它与所执行任务的关联，例如有多准确或者有多不准确。最终的结果是由所有的权重共同决定的。以停止标志为例，我们会把停止标志的图片进行分割，让神经元去检测，比如它具有八角形的形状、是红色的、有与众不同的字符、属于交通标志的尺寸、以及相关的手势等。

神经网络的任务是给出结论，判断其是否为停止标志。神经网络会给出一个“概率向量”，这个向量依赖于有根据的推测和权重。在该案例里，系统有 86%的把握确定图片是停止标志，有 7%的把握确定它是限速标志，有 5%的把握确定它是一支风筝卡在树上等情况。接着，网络架构会告知神经网络其判断是否正确。

这么简单的一件事是很超前的。不久前，AI 研究社区在回避神经网络。AI 发展初期就有神经网络，但没形成多少“智力”。问题是基本的神经网络对计算量要求高，所以无法成为实际方法。尽管如此，仍有少数研究团队毫不畏惧地向前迈进。例如多伦多大学所领导的团队，他们把算法平行放置于超级电脑中，以此来验证自己的概念。只有当 GPU 开始被广泛应用时，我们才真正看到了希望。

回到识别停止标志的例子，若我们对网络进行训练，且用大量错误答案来训练网络并对其进行调整，那么结果会更好。研究人员需要做的就是进行训练，他们要收集几万张乃至几百万张图片，直至人工神经元输入的权重达到高度精准的状态，让每一次判断都能正确，无论环境是有雾还是没雾，是阳光明媚还是下雨，都不会受其影响。这时神经网络能够自行“教导”自己，弄清楚停止标志究竟是何种模样；它还具备识别人脸图像的能力，也能够识别猫；吴恩达（Ng）在 2012 年于谷歌所做的事情便是让神经网络识别猫。

吴恩达的突破在于：使神经网络变得极为巨大，持续增添层数以及神经元的数量，促使系统运转大量数据，对其进行训练。吴恩达的项目从 1000 万段视频中调用图片，他切实让深度学习具备了“深度”。

今天，在一些场景里，经过深度学习技术训练的机器在识别图像方面比人类更出色。例如，它能很好地识别猫，能识别血液中癌细胞的特征，还能识别 MRI 扫描图片中的肿瘤。谷歌在学习围棋，它自身不断地与自己下围棋并从中获取学习经验。

···有了深度学习AI的未来一片光明

机器学习有了许多实际的应用是因为有了深度学习，并且深度学习还拓展了 AI 的整体范围。深度学习能够将任务分拆，从而让各种类型的机器辅助成为可能。无人驾驶汽车、更好的预防性治疗、更好的电影推荐这些要么已经出现，要么即将出现。AI 既是当下的现实，也是未来的希望。在深度学习的助力下，或许在某一天，AI 能够达到科幻小说所描述的那种水平，这是我们一直期盼着的。你可能会拥有属于自己的像 C-3PO 那样的存在，也会有属于自己的终结者。

本文作者是科技记者迈克尔·卡布兰德（ ）

智东西招新

在这里与下一个BAT创造者交朋友！