早些時候，當(dāng)谷歌 DeepMind 團隊的 AlphaGo 打敗了李世石時，媒體就用人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)這三個術(shù)語來描述 DeepMind 是如何取得勝利的。這三個名詞都是 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——首先是最大的部分人工智能——然后是后來興旺的機器學(xué)習(xí)——最后是促使當(dāng)下人工智能大爆發(fā)的深度學(xué)習(xí)——在最里層。

從蕭條到繁榮

自從 1956 年幾個計算機科學(xué)家在達特茅斯會議上聚集并開辟了人工智能這一領(lǐng)域，人工智能就進入了我們的想象，并在實驗研究中進行著醞釀。在過去的幾十年里，人工智能以及輪番被譽為人類文明取得最美好未來的關(guān)鍵，或者是作為一個頭腦發(fā)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、更強大。這也與近乎無限的存儲能力和各類數(shù)據(jù)洪流（所有的大數(shù)據(jù)運動）——圖像、文本、交易、測繪數(shù)據(jù)，只要你說得出來——一道進行。

讓我們梳理一遍計算機科學(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——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能案例

回到 1956 年夏天的那場會議，人工智能先驅(qū)們的夢想是借由新興計算機構(gòu)建具有人類智力特征的復(fù)雜機器。這就是所謂的「通用人工智能（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(jīng)在電影中無休止地看到過這些被我們當(dāng)做朋友的機器，比如《星球大戰(zhàn)》中的 C-3PO 以及成為人類敵人的機器——終結(jié)者。通用人工智能機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（Narrow AI）」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 中的人臉識別。

這些是狹義人工智能在實踐中的例子。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？那個智能來自哪里？所以接下來看第二個同心圓，機器學(xué)習(xí)。

機器學(xué)習(xí)——實現(xiàn)人工智能的一種方式

Spam free diet：機器學(xué)習(xí)幫你清理收件箱中的（大部分）垃圾郵件。

機器學(xué)習(xí)最基礎(chǔ)的是運用算法來分析數(shù)據(jù)、從中學(xué)習(xí)、測定或預(yù)測現(xiàn)實世界某些事。所以不是手動編碼帶有特定指令設(shè)定的軟件程序來完成某個特殊任務(wù)，而是使用大量的數(shù)據(jù)和算法來「訓(xùn)練」機器，賦予它學(xué)習(xí)如何執(zhí)行任務(wù)的能力。

機器學(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)（decision tree learning）、歸納邏輯編程（inductive logic programming）。其他的也有聚類（clustering）、強化學(xué)習(xí)（reinforcement learning）和貝葉斯網(wǎng)絡(luò)（Bayesian networks）等。我們知道，這些早期機器學(xué)習(xí)方法都沒有實現(xiàn)通用人工智能的最終目標，甚至沒有實現(xiàn)狹義人工智能的一小部分目標。

事實證明，多年來機器學(xué)習(xí)的最佳應(yīng)用領(lǐng)域之一是計算機視覺，盡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(fā)出能夠理解圖像的算法，「學(xué)習(xí)」判定它是否是一個停止標志。

這很好，但還不夠好。特別是有霧天氣標志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(xué)習(xí)算法改變了這一切。

深度學(xué)習(xí)——一種實現(xiàn)機器學(xué)習(xí)的技術(shù)

Herding cats：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

源自最早進行機器學(xué)習(xí)那群人的另一種算法是人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks），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。

每個神經(jīng)元分配一個權(quán)重到它的輸入——評估所執(zhí)行的任務(wù)的準確或不準確。然后最終的輸出由所有這些權(quán)重來確定。所以想想那個停止標志的例子。一個停止標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、它的獨特字母、它的交通標志尺寸以及和它的運動或由此帶來的缺失。神經(jīng)網(wǎng)絡(luò)的任務(wù)是判定它是否為一個停止標志。這提出了一個「概率向量」，它真是一個基于權(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% 的把握認為圖像是一個停止標志，7% 的把握認為這是一個限速標志，5% 的把握認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。

甚至這個例子都有些超前了，因為直到現(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)屬于計算密集型，這并不是一個實用的方法。不過，由多倫多大學(xué)的 Geoffrey Hinton 帶領(lǐng)的異端研究小組一直在繼續(xù)相關(guān)研究工作，最終在超級計算機上運行并行算法證明了這個概念，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志的例子，當(dāng)網(wǎng)絡(luò)正在進行調(diào)整或者「訓(xùn)練」時，出現(xiàn)大量的錯誤答案，這個機會是非常好的。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。在這一點上，神經(jīng)網(wǎng)絡(luò)已經(jīng)教會了自己停止標志看起來會是什么樣的；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)運行大量的數(shù)據(jù)來訓(xùn)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(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)練機器識別圖像，做得比人類好，從識別貓咪到確定血液中的癌癥指標和磁共振成像掃描中的腫瘤指標。谷歌的 AlphaGo 學(xué)會了游戲，并被訓(xùn)練用于 Go 比賽。通過反復(fù)與自己對抗來調(diào)整自己的神經(jīng)網(wǎng)絡(luò)。

感謝深度學(xué)習(xí)，讓人工智能有一個光明的未來。

深度學(xué)習(xí) 已經(jīng)實現(xiàn)了許多機器學(xué)習(xí)方面的實際應(yīng)用和人工智能領(lǐng)域的全面推廣。深度學(xué)習(xí)解決了許多任務(wù)讓各種機器助手看起來有可能實現(xiàn)。無人駕駛機車、更好的預(yù)防醫(yī)療，甚至是更好的電影推薦，如今都已實現(xiàn)或即將實現(xiàn)。人工智能在當(dāng)下和未來。有了深度學(xué)習(xí)，人工智能甚至可以達到我們長期所想象的科幻小說中呈現(xiàn)的狀態(tài)。我拿走你的 C-3PO，你可以留著終結(jié)者。