人工智能代表了將來。
人工智能只屬于科幻小說。
人工智能已成為我們日常生活的一部分。
所有這些說法全是精確的，只是取決于您所說的是什么樣的人工智能。
本年早些時候谷歌Deepmind的AlphaGo擊敗了韓國圍棋巨匠李世石。媒體正在報導AlphaGo的成功時，混同使用了人工智能、機械進修和深度進修等多種術語。
事實上，這三方面手藝都為AlphaGo的成功干出了奉獻。然而，這三項手藝有所不同。
下面這個圖表能夠直觀地看到這一些術語之間的聯系關系。個中，人工智能的范圍最大，機械進修次之，而深度進修最小。但事實上，深度進修推動了本日人工智能的大發作。
由不被看好到快速進展
人工智能最初能夠追溯至1956年，那時多名計算機科學家正在達刻茅斯集會上配合提出了人工智能的觀點。正在隨后幾十年中，人工智能一方面被認為是人類文明將來的發展方向，另一方面還被認為是難以企及的理想。事實上，直到2012年之前，狀況一向如斯。
已往幾年，人工智能實現了爆炸式開展，尤其是自2013年以來。這在很大程度上是因為，GPU的開展使并行計算變得速度更快、本錢更低、性能更強盛。與此同時，存儲設備的容量變得越來越大，而我們正得到海量數據（即大數據的開展），無論是圖片、文字、生意業務信息，照舊輿圖數據。
讓我們來看看，計算機科學家是若何推進人工智能從一項不被看好的技術發展成為被數億用戶運用的多款利用。
人工智能：來源于機械的人類智能
回到1956年炎天的那次集會。事先，人工智能行業的先驅提出開辟龐大的機械，使其具有人類智能的特性。這一觀點被我們稱作“通用人工智能”。如許的機械具有人類所有的感知才能（乃至更多）、邏輯推理才能，能像人類一樣往思索。正在很多片子里，您都可以看到如許的機械成為人類的伴侶，比方《星球大戰》中的C-3PO，和終結者。通用人工智能機械仍正在片子和科幻小說中不斷出現，但至少現階段，我們還沒法實現如許的人工智能。
現在我們所能實現的是“狹義人工智能”。關于特定義務，那樣的手藝能做得像人類一樣好，乃至更好。這類人工智能的典范包含Pinterest的圖象分類效勞，和Facebook的人臉辨認功用。
狹義人工智能具有人類智能的某些方面。那末，這一些智能來源于哪里？這就要說到我們的下一篇章：機械進修。
機械進修：帶來人工智能的要領
簡樸來講，機械進修使用算法往闡發數據、進修數據，隨后對實際天下情形作出判定和展望。是以，取預先編寫好、只會依照特定邏輯往施行指令的軟件不一樣，機械事實上是在用大批數據和算法往“自我鍛煉”，進而學會若何完成一項使命。
機械進修的觀點來自于人工智能進展的初期。隨后多年中，基于算法的要領包羅決策樹進修、歸納邏輯編程、聚類算法、強化進修，和貝葉斯網絡等等。正如我們所知，這一些手藝終極皆未能構成通用人工智能，而初期的機械進修要領乃至也沒有帶來狹義人工智能。
很多年的研討結果表明，機械進修的最好應用領域之一是計算機視覺。不外，計算機視覺技能仍須要大批人工編程能力實現。須要人工編碼的技能包羅，適用于辨認照片中工具邊沿的邊沿探測濾鏡，適用于判定外形的外形辨認算法，和適用于辨認字符，比方“STOP”的分類器。哄騙這一些人工編碼的分類器，算法能夠了解圖象，判定這是不是是停滯標記。
這類手藝很強盛，但還算不上完美。例如正在霧天，路邊標記很還許看不清楚，而行道樹還許還會遮擋標記的一部分。直到近來，計算機視覺正在辨認圖象時一向沒法到達人類的程度，那樣的辨認手藝太懦弱，出錯率太高。
不外，精確的進修算法將可以帶來不一樣。
深度進修：實現機械進修的手藝
機械進修專家們初期提出的另一種基于算法的體式格局，即人工神經網絡，隨后得到了生長。神經網絡的觀點來自于人類大腦明白事物的體式格局：神經元之間的互聯。然而，取神經元緊密聯系在一起的人類大腦分歧，人工神經網絡由離散的分層、毗連，和數據流傳標的目的組成。
比方，您能夠拍攝一張照片，將其分紅多個小塊，并輸入神經網絡的第一層當中。隨后，第一層神經元將會把處置過的數據傳遞給第二層神經元。第二層神經元往完成自身的處置使命。那樣的處置一向延續至末了一層，以輸出終極成果。
每一個神經元皆會為輸入信息給予權重，即關于正正在實行的義務，精確或毛病的也許狀況。終極輸出后果基于對所有這些權重信息的相加。以停滯標記為例。標記圖片將會被支解，并由神經元往“闡發”，包含團體外形、色彩、字母、尺寸，和挪動情形。神經網絡的義務是分辨這是不是便是停滯標記。為此，神經網絡將基于權重信息得出“也許性向量”。正在我們的示例中，神經網絡以為，這有86%的也許性是停滯標記，有7%的也許性是限速標記，5%的也許性是卡正在樹上的鷂子。隨后，網絡架構師會通知神經網絡，做出的分辨是不是精確。
人工神經網絡正在人工智能的出生初期就已呈現，但正在“智能性”層面一向未能獲得太大打破。問題正在于，最基本的神經網絡還須要大批的較量爭論資源，因而很難實現。不外，由多倫多大學的吉奧夫里辛頓（Geoffrey Hinton）領導的一個小型研討團隊連續地開展這層面的實驗，終究找到了一種能夠由超等較量爭論機運轉的算法，證明了這一觀點。然而，直到GPU最先大規模布置以后，這類技能才得以遍及。
回到停滯標記的例子，人工神經網絡仍舊很有也許得出毛病的謎底。這類神經網絡所需的是鍛煉。只有經由過程數以十萬計，乃至百萬計的照片開展鍛煉，神經元對輸入信息的加權才氣充足準確，進而連續得出準確的成果，不管是不是有霧，是不是下雨。只有正在到達這類水平以后，神經網絡才氣自行推斷停滯標記應該是什么樣。事實上，2012年，人工智能專家吳恩達正在供職于谷歌時代開發了神經網絡系統，樂成識別出小貓。
吳恩達獲得打破的要領是擴大神經網絡的范圍，增添更多的分層和神經元，并行使海量數據對體系舉行練習。吳恩達的研討行使了1000萬個YouTube視頻。因為神經網絡分為很多層，因而吳恩達強調了深度進修的“深度”。
現正在，基于深度進修的圖像識別手藝正在某些情況下乃至比人工做得更好，而識其他工具還不僅僅是小貓，還包孕血液中癌癥的目標，和核磁共振中的腫瘤跡象。谷歌AlphaGo學會了圍棋游戲，并哄騙神經網絡自我棋戰，漸漸變得異常壯大。
深度進修引領人工智能的將來
深度進修帶來了機械進修的很多有用利用，拓展了人工智能的有用范疇。深度進修體系將使命剖析，讓機械能夠往完成這一些使命。操縱深度進修，無人駕駛汽車、更壯大的預防醫療，乃至更好的片子引薦都將成為可能。人工智能代表了如今和將來。借助深度進修，人工智能將走過科幻小說階段，C-3PO機械人和終結者將會成為實際。