一張圖看懂AI、機器學(xué)習和深度學(xué)習的區別

　　AI(人工智能)是未來(lái)，是科幻小說(shuō)，是我們日常生活的一部分。所有論斷都是正確的，只是要看你所談到的AI到底是什么。

　　例如，當谷歌DeepMind開(kāi)發(fā)的AlphaGo程序打敗韓國職業(yè)圍棋高手Lee Se-dol，媒體在描述DeepMind的勝利時(shí)用到了AI、機器學(xué)習、深度學(xué)習等術(shù)語(yǔ)。AlphaGo之所以打敗Lee Se-dol，這三項技術(shù)都立下了汗馬功勞，但它們并不是一回事。

　　要搞清它們的關(guān)系，最直觀(guān)的表述方式就是同心圓，最先出現的是理念，然后是機器學(xué)習，當機器學(xué)習繁榮之后就出現了深度學(xué)習，今天的AI大爆發(fā)是由深度學(xué)習驅動(dòng)的。

　　從衰敗到繁榮

　　1956年，在達特茅斯會(huì )議(Dartmouth Conferences)上，計算機科學(xué)家首次提出了“AI”術(shù)語(yǔ)，AI由此誕生，在隨后的日子里，AI成為實(shí)驗室的“幻想對象”。幾十年過(guò)去了，人們對AI的看法不斷改變，有時(shí)會(huì )認為AI是預兆，是未來(lái)人類(lèi)文明的關(guān)鍵，有時(shí)認為它只是技術(shù)垃圾，只是一個(gè)輕率的概念，野心過(guò)大，注定要失敗。坦白來(lái)講，直到2012年AI仍然同時(shí)具有這兩種特點(diǎn)。

　　在過(guò)去幾年里，AI大爆發(fā)，2015年至今更是發(fā)展迅猛。之所以飛速發(fā)展主要歸功于GPU的廣泛普及，它讓并行處理更快、更便宜、更強大。還有一個(gè)原因就是實(shí)際存儲容量無(wú)限拓展，數據大規模生成，比如圖片、文本、交易、地圖數據信息。

　　AI：讓機器展現出人類(lèi)智力

　　回到1956年夏天，在當時(shí)的會(huì )議上，AI先驅的夢(mèng)想是建造一臺復雜的機器(讓當時(shí)剛出現的計算機驅動(dòng))，然后讓機器呈現出人類(lèi)智力的特征。

　　這一概念就是我們所說(shuō)的“強人工智能(General AI)”，也就是打造一臺超棒的機器，讓它擁有人類(lèi)的所有感知，甚至還可以超越人類(lèi)感知，它可以像人一樣思考。在電影中我們經(jīng)常會(huì )看到這種機器，比如 C-3PO、終結者。

　　還有一個(gè)概念是“弱人工智能(Narrow AI)”。簡(jiǎn)單來(lái)講，“弱人工智能”可以像人類(lèi)一樣完成某些具體任務(wù)，有可能比人類(lèi)做得更好，例如，Pinterest服務(wù)用AI給圖片分類(lèi)，Facebook用AI識別臉部，這就是“弱人工智能”。

　　上述例子是“弱人工智能”實(shí)際使用的案例，這些應用已經(jīng)體現了一些人類(lèi)智力的特點(diǎn)。怎樣實(shí)現的?這些智力來(lái)自何處?帶著(zhù)問(wèn)題我們深入理解，就來(lái)到下一個(gè)圓圈，它就是機器學(xué)習。

　　機器學(xué)習：抵達AI目標的一條路徑

　　大體來(lái)講，機器學(xué)習就是用算法真正解析數據，不斷學(xué)習，然后對世界中發(fā)生的事做出判斷和預測。此時(shí)，研究人員不會(huì )親手編寫(xiě)軟件、確定特殊指令集、然后讓程序完成特殊任務(wù)，相反，研究人員會(huì )用大量數據和算法“訓練”機器，讓機器學(xué)會(huì )如何執行任務(wù)。

　　機器學(xué)習這個(gè)概念是早期的AI研究者提出的，在過(guò)去幾年里，機器學(xué)習出現了許多算法方法，包括決策樹(shù)學(xué)習、歸納邏輯程序設計、聚類(lèi)分析(Clustering)、強化學(xué)習、貝葉斯網(wǎng)絡(luò )等。正如大家所知的，沒(méi)有人真正達到“強人工智能”的終極目標，采用早期機器學(xué)習方法，我們連“弱人工智能”的目標也遠沒(méi)有達到。

　　在過(guò)去許多年里，機器學(xué)習的最佳應用案例是“計算機視覺(jué)”，要實(shí)現計算機視覺(jué)，研究人員仍然需要手動(dòng)編寫(xiě)大量代碼才能完成任務(wù)。研究人員手動(dòng)編寫(xiě)分級器，比如邊緣檢測濾波器，只有這樣程序才能確定對象從哪里開(kāi)始，到哪里結束;形狀偵測可以確定對象是否有8條邊;分類(lèi)器可以識別字符“S-T-O-P”。通過(guò)手動(dòng)編寫(xiě)的分組器，研究人員可以開(kāi)發(fā)出算法識別有意義的形象，然后學(xué)會(huì )下判斷，確定它不是一個(gè)停止標志。

　　這種辦法可以用，但并不是很好。如果是在霧天，當標志的能見(jiàn)度比較低，或者一棵樹(shù)擋住了標志的一部分，它的識別能力就會(huì )下降。直到不久之前，計算機視覺(jué)和圖像偵測技術(shù)還與人類(lèi)的能力相去甚遠，因為它太容易出錯了。

　　深度學(xué)習：實(shí)現機器學(xué)習的技術(shù)

　　“人工神經(jīng)網(wǎng)絡(luò )(Artificial Neural Networks)”是另一種算法方法，它也是早期機器學(xué)習專(zhuān)家提出的，存在已經(jīng)幾十年了。神經(jīng)網(wǎng)絡(luò )(Neural Networks)的構想源自于我們對人類(lèi)大腦的理解——神經(jīng)元的彼此聯(lián)系。二者也有不同之處，人類(lèi)大腦的神經(jīng)元按特定的物理距離連接的，人工神經(jīng)網(wǎng)絡(luò )有獨立的層、連接，還有數據傳播方向。

　　例如，你可能會(huì )抽取一張圖片，將它剪成許多塊，然后植入到神經(jīng)網(wǎng)絡(luò )的第一層。第一層獨立神經(jīng)元會(huì )將數據傳輸到第二層，第二層神經(jīng)元也有自己的使命，一直持續下去，直到最后一層，并生成最終結果。

　　每一個(gè)神經(jīng)元會(huì )對輸入的信息進(jìn)行權衡，確定權重，搞清它與所執行任務(wù)的關(guān)系，比如有多正確或者多么不正確。最終的結果由所有權重來(lái)決定。以停止標志為例，我們會(huì )將停止標志圖片切割，讓神經(jīng)元檢測，比如它的八角形形狀、紅色、與眾不同的字符、交通標志尺寸、手勢等。

　　神經(jīng)網(wǎng)絡(luò )的任務(wù)就是給出結論：它到底是不是停止標志。神經(jīng)網(wǎng)絡(luò )會(huì )給出一個(gè)“概率向量”，它依賴(lài)于有根據的推測和權重。在該案例中，系統有86%的信心確定圖片是停止標志，7%的信心確定它是限速標志，有5%的信心確定它是一支風(fēng)箏卡在樹(shù)上，等等。然后網(wǎng)絡(luò )架構會(huì )告訴神經(jīng)網(wǎng)絡(luò )它的判斷是否正確。

　　即使只是這么簡(jiǎn)單的一件事也是很超前的，不久前，AI研究社區還在回避神經(jīng)網(wǎng)絡(luò )。在A(yíng)I發(fā)展初期就已經(jīng)存在神經(jīng)網(wǎng)絡(luò )，但是它并沒(méi)有形成多少“智力”。問(wèn)題在于即使只是基本的神經(jīng)網(wǎng)絡(luò )，它對計算量的要求也很高，因此無(wú)法成為一種實(shí)際的方法。盡管如此，還是有少數研究團隊勇往直前，比如多倫多大學(xué)Geoffrey Hinton所領(lǐng)導的團隊，他們將算法平行放進(jìn)超級電腦，驗證自己的概念，直到GPU開(kāi)始廣泛采用我們才真正看到希望。

　　回到識別停止標志的例子，如果我們對網(wǎng)絡(luò )進(jìn)行訓練，用大量的錯誤答案訓練網(wǎng)絡(luò )，調整網(wǎng)絡(luò )，結果就會(huì )更好。研究人員需要做的就是訓練，他們要收集幾萬(wàn)張、甚至幾百萬(wàn)張圖片，直到人工神經(jīng)元輸入的權重高度精準，讓每一次判斷都正確為止——不管是有霧還是沒(méi)霧，是陽(yáng)光明媚還是下雨都不受影響。這時(shí)神經(jīng)網(wǎng)絡(luò )就可以自己“教”自己，搞清停止標志的到底是怎樣的;它還可以識別Facebook的人臉圖像，可以識別貓——吳恩達(Andrew Ng)2012年在谷歌做的事情就是讓神經(jīng)網(wǎng)絡(luò )識別貓。

　　吳恩達的突破之處在于：讓神經(jīng)網(wǎng)絡(luò )變得無(wú)比巨大，不斷增加層數和神經(jīng)元數量，讓系統運行大量數據，訓練它。吳恩達的項目從1000萬(wàn)段YouTube視頻調用圖片，他真正讓深度學(xué)習有了“深度”。

　　到了今天，在某些場(chǎng)景中，經(jīng)過(guò)深度學(xué)習技術(shù)訓練的機器在識別圖像時(shí)比人類(lèi)更好，比如識別貓、識別血液中的癌細胞特征、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學(xué)習圍棋，它自己與自己不斷下圍棋并從中學(xué)習。

　　有了深度學(xué)習AI的未來(lái)一片光明

　　有了深度學(xué)習，機器學(xué)習才有了許多實(shí)際的應用，它還拓展了AI的整體范圍。 深度學(xué)習將任務(wù)分拆，使得各種類(lèi)型的機器輔助變成可能。無(wú)人駕駛汽車(chē)、更好的預防性治療、更好的電影推薦要么已經(jīng)出現，要么即使出現。AI既是現在，也是未來(lái)。有了深度學(xué)習的幫助，也許到了某一天AI會(huì )達到科幻小說(shuō)描述的水平，這正是我們期待已久的。你會(huì )有自己的C-3PO，有自己的終結者。