AI（人工智能）是未來，是科幻小說，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的勝利時用到了AI、機器學習、深度學習等術語。AlphaGo之所以打敗Lee Se-dol，這三項技術都立下了汗馬功勞，但它們并不是一回事。

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

從衰敗到繁榮

1956年，在達特茅斯會議（Dartmouth Conferences）上，計算機科學家首次提出了“AI”術語，AI由此誕生，在隨后的日子里，AI成為實驗室的“幻想對象”。幾十年過去了，人們對AI的看法不斷改變，有時會認為AI是預兆，是未來人類文明的關鍵，有時認為它只是技術垃圾，只是一個輕率的概念，野心過大，注定要失敗。坦白來講，直到2012年AI仍然同時具有這兩種特點。

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。還有一個原因就是實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：讓機器展現(xiàn)出人類智力

回到1956年夏天，在當時的會議上，AI先驅的夢想是建造一臺復雜的機器（讓當時剛出現(xiàn)的計算機驅動），然后讓機器呈現(xiàn)出人類智力的特征。

這一概念就是我們所說的“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)常會看到這種機器，比如 C-3PO、終結者。

還有一個概念是“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，有可能比人類做得更好，例如，Pinterest服務用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”實際使用的案例，這些應用已經(jīng)體現(xiàn)了一些人類智力的特點。怎樣實現(xiàn)的？這些智力來自何處？帶著問題我們深入理解，就來到下一個圓圈，它就是機器學習。

機器學習：抵達AI目標的一條路徑

大體來講，機器學習就是用算法真正解析數(shù)據(jù)，不斷學習，然后對世界中發(fā)生的事做出判斷和預測。此時，研究人員不會親手編寫軟件、確定特殊指令集、然后讓程序完成特殊任務，相反，研究人員會用大量數(shù)據(jù)和算法“訓練”機器，讓機器學會如何執(zhí)行任務。

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

在過去許多年里，機器學習的最佳應用案例是“計算機視覺”，要實現(xiàn)計算機視覺，研究人員仍然需要手動編寫大量代碼才能完成任務。研究人員手動編寫分級器，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，然后學會下判斷，確定它不是一個停止標志。

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

深度學習：實現(xiàn)機器學習的技術

“人工神經(jīng)網(wǎng)絡（Artificial Neural Networks）”是另一種算法方法，它也是早期機器學習專家提出的，存在已經(jīng)幾十年了。神經(jīng)網(wǎng)絡（Neural Networks）的構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)絡有獨立的層、連接，還有數(shù)據(jù)傳播方向。

例如，你可能會抽取一張圖片，將它剪成許多塊，然后植入到神經(jīng)網(wǎng)絡的第一層。第一層獨立神經(jīng)元會將數(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，并生成最終結果。

每一個神經(jīng)元會對輸入的信息進行權衡，確定權重，搞清它與所執(zhí)行任務的關系，比如有多正確或者多么不正確。最終的結果由所有權重來決定。以停止標志為例，我們會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)絡的任務就是給出結論：它到底是不是停止標志。神經(jīng)網(wǎng)絡會給出一個“概率向量”，它依賴于有根據(jù)的推測和權重。在該案例中，系統(tǒng)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箏卡在樹上，等等。然后網(wǎng)絡架構會告訴神經(jīng)網(wǎng)絡它的判斷是否正確。

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。在AI發(fā)展初期就已經(jīng)存在神經(jīng)網(wǎng)絡，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，它對計算量的要求也很高，因此無法成為一種實際的方法。盡管如此，還是有少數(shù)研究團隊勇往直前，比如多倫多大學Geoffrey Hinton所領導的團隊，他們將算法平行放進超級電腦，驗證自己的概念，直到GPU開始廣泛采用我們才真正看到希望。

回到識別停止標志的例子，如果我們對網(wǎng)絡進行訓練，用大量的錯誤答案訓練網(wǎng)絡，調整網(wǎng)絡，結果就會更好。研究人員需要做的就是訓練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經(jīng)元輸入的權重高度精準，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。這時神經(jīng)網(wǎng)絡就可以自己“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)絡識別貓。

吳恩達的突破之處在于：讓神經(jīng)網(wǎng)絡變得無比巨大，不斷增加層數(shù)和神經(jīng)元數(shù)量，讓系統(tǒng)運行大量數(shù)據(jù)，訓練它。吳恩達的項目從1000萬段YouTube視頻調用圖片，他真正讓深度學習有了“深度”。

到了今天，在某些場景中，經(jīng)過深度學習技術訓練的機器在識別圖像時比人類更好，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學習圍棋，它自己與自己不斷下圍棋并從中學習。

有了深度學習AI的未來一片光明

有了深度學習，機器學習才有了許多實際的應用，它還拓展了AI的整體范圍。 深度學習將任務分拆，使得各種類型的機器輔助變成可能。無人駕駛汽車、更好的預防性治療、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。有了深度學習的幫助，也許到了某一天AI會達到科幻小說描述的水平，這正是我們期待已久的。你會有自己的C-3PO，有自己的終結者。

本文作者是科技記者邁克爾·卡布蘭德（Michael Copeland）