一張圖看懂AI、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別

　　AI(人工智能)是未來，是科幻小說，是我們?nèi)粘Ｉ畹囊徊糠帧Ｋ姓摂喽际钦_的，只是要看你所談到的AI到底是什么。

　　例如，當(dāng)谷歌DeepMind開發(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(jī)器學(xué)習(xí)、深度學(xué)習(xí)等術(shù)語。AlphaGo之所以打敗Lee Se-dol，這三項(xiàng)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，最直觀的表述方式就是同心圓，最先出現(xiàn)的是理念，然后是機(jī)器學(xué)習(xí)，當(dāng)機(jī)器學(xué)習(xí)繁榮之后就出現(xiàn)了深度學(xué)習(xí)，今天的AI大爆發(fā)是由深度學(xué)習(xí)驅(qū)動(dòng)的。

　　從衰敗到繁榮

　　1956年，在達(dá)特茅斯會(huì)議(Dartmouth Conferences)上，計(jì)算機(jī)科學(xué)家首次提出了“AI”術(shù)語，AI由此誕生，在隨后的日子里，AI成為實(shí)驗(yàn)室的“幻想對象”。幾十年過去了，人們對AI的看法不斷改變，有時(shí)會(huì)認(rèn)為AI是預(yù)兆，是未來人類文明的關(guān)鍵，有時(shí)認(rèn)為它只是技術(shù)垃圾，只是一個(gè)輕率的概念，野心過大，注定要失敗。坦白來講，直到2012年AI仍然同時(shí)具有這兩種特點(diǎn)。

　　在過去幾年里，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?dú)w功于GPU的廣泛普及，它讓并行處理更快、更便宜、更強(qiáng)大。還有一個(gè)原因就是實(shí)際存儲容量無限拓展，數(shù)據(jù)大規(guī)模生成，比如圖片、文本、交易、地圖數(shù)據(jù)信息。

　　AI：讓機(jī)器展現(xiàn)出人類智力

　　回到1956年夏天，在當(dāng)時(shí)的會(huì)議上，AI先驅(qū)的夢想是建造一臺復(fù)雜的機(jī)器(讓當(dāng)時(shí)剛出現(xiàn)的計(jì)算機(jī)驅(qū)動(dòng))，然后讓機(jī)器呈現(xiàn)出人類智力的特征。

　　這一概念就是我們所說的“強(qiáng)人工智能(General AI)”，也就是打造一臺超棒的機(jī)器，讓它擁有人類的所有感知，甚至還可以超越人類感知，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(jī)器，比如 C-3PO、終結(jié)者。

　　還有一個(gè)概念是“弱人工智能(Narrow AI)”。簡單來講，“弱人工智能”可以像人類一樣完成某些具體任務(wù)，有可能比人類做得更好，例如，Pinterest服務(wù)用AI給圖片分類，F(xiàn)acebook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(yīng)用已經(jīng)體現(xiàn)了一些人類智力的特點(diǎn)。怎樣實(shí)現(xiàn)的?這些智力來自何處?帶著問題我們深入理解，就來到下一個(gè)圓圈，它就是機(jī)器學(xué)習(xí)。

　　機(jī)器學(xué)習(xí)：抵達(dá)AI目標(biāo)的一條路徑

　　大體來講，機(jī)器學(xué)習(xí)就是用算法真正解析數(shù)據(jù)，不斷學(xué)習(xí)，然后對世界中發(fā)生的事做出判斷和預(yù)測。此時(shí)，研究人員不會(huì)親手編寫軟件、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(shù)據(jù)和算法“訓(xùn)練”機(jī)器，讓機(jī)器學(xué)會(huì)如何執(zhí)行任務(wù)。

　　機(jī)器學(xué)習(xí)這個(gè)概念是早期的AI研究者提出的，在過去幾年里，機(jī)器學(xué)習(xí)出現(xiàn)了許多算法方法，包括決策樹學(xué)習(xí)、歸納邏輯程序設(shè)計(jì)、聚類分析(Clustering)、強(qiáng)化學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)等。正如大家所知的，沒有人真正達(dá)到“強(qiáng)人工智能”的終極目標(biāo)，采用早期機(jī)器學(xué)習(xí)方法，我們連“弱人工智能”的目標(biāo)也遠(yuǎn)沒有達(dá)到。

　　在過去許多年里，機(jī)器學(xué)習(xí)的最佳應(yīng)用案例是“計(jì)算機(jī)視覺”，要實(shí)現(xiàn)計(jì)算機(jī)視覺，研究人員仍然需要手動(dòng)編寫大量代碼才能完成任務(wù)。研究人員手動(dòng)編寫分級器，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始，到哪里結(jié)束;形狀偵測可以確定對象是否有8條邊;分類器可以識別字符“S-T-O-P”。通過手動(dòng)編寫的分組器，研究人員可以開發(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(biāo)志。

　　這種辦法可以用，但并不是很好。如果是在霧天，當(dāng)標(biāo)志的能見度比較低，或者一棵樹擋住了標(biāo)志的一部分，它的識別能力就會(huì)下降。直到不久之前，計(jì)算機(jī)視覺和圖像偵測技術(shù)還與人類的能力相去甚遠(yuǎn)，因?yàn)樗菀壮鲥e(cuò)了。

　　深度學(xué)習(xí)：實(shí)現(xiàn)機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)專家提出的，存在已經(jīng)幾十年了。神經(jīng)網(wǎng)絡(luò)(Neural Networks)的構(gòu)想源自于我們對人類大腦的理解——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(dú)立的層、連接，還有數(shù)據(jù)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(dú)立神經(jīng)元會(huì)將數(shù)據(jù)傳輸?shù)降诙樱诙由窠?jīng)元也有自己的使命，一直持續(xù)下去，直到最后一層，并生成最終結(jié)果。

　　每一個(gè)神經(jīng)元會(huì)對輸入的信息進(jìn)行權(quán)衡，確定權(quán)重，搞清它與所執(zhí)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(jié)果由所有權(quán)重來決定。以停止標(biāo)志為例，我們會(huì)將停止標(biāo)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(biāo)志尺寸、手勢等。

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

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

　　回到識別停止標(biāo)志的例子，如果我們對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用大量的錯(cuò)誤答案訓(xùn)練網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)，結(jié)果就會(huì)更好。研究人員需要做的就是訓(xùn)練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經(jīng)元輸入的權(quán)重高度精準(zhǔn)，讓每一次判斷都正確為止——不管是有霧還是沒霧，是陽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(biāo)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(dá)(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(dá)的突破之處在于：讓神經(jīng)網(wǎng)絡(luò)變得無比巨大，不斷增加層數(shù)和神經(jīng)元數(shù)量，讓系統(tǒng)運(yùn)行大量數(shù)據(jù)，訓(xùn)練它。吳恩達(dá)的項(xiàng)目從1000萬段YouTube視頻調(diào)用圖片，他真正讓深度學(xué)習(xí)有了“深度”。

　　到了今天，在某些場景中，經(jīng)過深度學(xué)習(xí)技術(shù)訓(xùn)練的機(jī)器在識別圖像時(shí)比人類更好，比如識別貓、識別血液中的癌細(xì)胞特征、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學(xué)習(xí)圍棋，它自己與自己不斷下圍棋并從中學(xué)習(xí)。

　　有了深度學(xué)習(xí)AI的未來一片光明

　　有了深度學(xué)習(xí)，機(jī)器學(xué)習(xí)才有了許多實(shí)際的應(yīng)用，它還拓展了AI的整體范圍。 深度學(xué)習(xí)將任務(wù)分拆，使得各種類型的機(jī)器輔助變成可能。無人駕駛汽車、更好的預(yù)防性治療、更好的電影推薦要么已經(jīng)出現(xiàn)，要么即使出現(xiàn)。AI既是現(xiàn)在，也是未來。有了深度學(xué)習(xí)的幫助，也許到了某一天AI會(huì)達(dá)到科幻小說描述的水平，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(jié)者。