簡(jiǎn)單的講，人工智能是科學(xué)，機(jī)器學(xué)習(xí)是讓機(jī)器變得更加智能的算法，機(jī)器學(xué)習(xí)在某種程度上成就了人工智能。

人工智能是未來(lái)。人工智能是科幻。人工智能已經(jīng)深入我們的日常生活。這些話都沒(méi)錯(cuò)，當(dāng)然這要看你指的是哪種程度的人工智能。

概述

2015年11月9日，Google發(fā)布人工智能系統(tǒng)TensorFlow并宣布開(kāi)源。這兩年在不管在國(guó)內(nèi)還是在國(guó)外，人工智能、機(jī)器學(xué)習(xí)仿佛一夜之前傳遍大街小巷。機(jī)器學(xué)習(xí)作為人工智能的一種類型，可以讓軟件根據(jù)大量的數(shù)據(jù)來(lái)對(duì)未來(lái)的情況進(jìn)行闡述或預(yù)判。如今，領(lǐng)先的科技巨頭無(wú)不在機(jī)器學(xué)習(xí)下予以極大投入。Facebook、蘋(píng)果、微軟，甚至國(guó)內(nèi)的百度，Google 自然也在其中。

去年早些時(shí)候 Google DeepMind 的 AlphaGo 項(xiàng)目在舉世矚目的圍棋比賽中一舉擊敗了韓國(guó)選手李世石，媒體就是使用了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)這幾個(gè)術(shù)語(yǔ)，來(lái)解釋 DeepMind 獲勝的原因，并將它們混為一談。但是三者其實(shí)不是一回事。

區(qū)別與聯(lián)系

為了搞清三者關(guān)系，我們來(lái)看一張圖：

如圖所示：人工智能最大，此概念也最先問(wèn)世；然后是機(jī)器學(xué)習(xí)，出現(xiàn)的稍晚；最后才是深度學(xué)習(xí)。

從低潮到繁榮

自從 1956 年計(jì)算機(jī)科學(xué)家們?cè)谶_(dá)特茅斯會(huì)議（Dartmouth Conferences）上確認(rèn)人工智能這個(gè)術(shù)語(yǔ)以來(lái)，人們就不乏關(guān)于人工智能奇思妙想，研究人員也在不遺余力地研究。在此后的幾十年間，人工智能先是被捧為人類文明光明未來(lái)的鑰匙，后又被當(dāng)作過(guò)于自大的異想天開(kāi)而拋棄。

但是在過(guò)去幾年中，人工智能出現(xiàn)了爆炸式的發(fā)展，尤其是 2015 年之后。大部分原因，要?dú)w功于圖形處理器（GPU）的廣泛應(yīng)用，使得并行處理更快、更便宜、更強(qiáng)大。另外，人工智能的發(fā)展還得益于幾乎無(wú)限的存儲(chǔ)空間和海量數(shù)據(jù)的出現(xiàn)（大數(shù)據(jù)運(yùn)動(dòng)）：圖像、文本、交易數(shù)據(jù)、地圖數(shù)據(jù)，應(yīng)有盡有。

下面我們從發(fā)展的歷程中來(lái)一一展開(kāi)對(duì)人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的深度學(xué)習(xí)。

人工智能

人工智能先驅(qū)們?cè)谶_(dá)特茅斯開(kāi)會(huì)時(shí)，心中的夢(mèng)想是希望通過(guò)當(dāng)時(shí)新興的計(jì)算機(jī)，打造擁有相當(dāng)于人類智能的復(fù)雜機(jī)器。這就是我們所說(shuō)的“通用人工智能”（General AI）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機(jī)器。在電影中我們已經(jīng)看過(guò)無(wú)數(shù)這樣的機(jī)器人，對(duì)人類友好的 C-3PO，以及人類的敵人終結(jié)者。通用人工智能機(jī)器至今只存在 于電影和科幻小說(shuō)里，理由很簡(jiǎn)單：我們還實(shí)現(xiàn)不了，至少目前為止。

我們力所能及的，算是“弱人工智能”（Narrow AI）：執(zhí)行特定任務(wù)的水平與人類相當(dāng)，甚至超越人類的技術(shù)?，F(xiàn)實(shí)中有很多弱人工智能的例子。這些技術(shù)有人類智能的一面。但是它們是如何做到的？智能來(lái)自哪里？這就涉及到下一個(gè)同心圓：機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方法。機(jī)器學(xué)習(xí)的概念來(lái)自早期的人工智能研究者，已經(jīng)研究出的算法包括決策樹(shù)學(xué)習(xí)、歸納邏輯編程、增強(qiáng)學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等。簡(jiǎn)單來(lái)說(shuō)，機(jī)器學(xué)習(xí)就是使用算法分析數(shù)據(jù)，從中學(xué)習(xí)并做出推斷或預(yù)測(cè)。與傳統(tǒng)的使用特定指令集手寫(xiě)軟件不同，我們使用大量數(shù)據(jù)和算法來(lái)“訓(xùn)練”機(jī)器，由此帶來(lái)機(jī)器學(xué)習(xí)如何完成任務(wù)。

許多年來(lái)，計(jì)算機(jī)視覺(jué)一直是機(jī)器學(xué)習(xí)最佳的領(lǐng)用領(lǐng)域之一，盡管還需要大量的手動(dòng)編碼才能完成任務(wù)。研究者會(huì)手動(dòng)編寫(xiě)一些分類器（classifier），如邊緣檢測(cè)篩選器，幫助程序辨別物體的邊界；圖形檢測(cè)分類器，判斷物體是否有八個(gè)面；以及識(shí)別“S-T-O-P”的分類器。在這些手動(dòng)編寫(xiě)的分類器的基礎(chǔ)上，他們?cè)匍_(kāi)發(fā)用于理解圖像的算法，并學(xué)習(xí)如何判斷是否有停止標(biāo)志。

但是由于計(jì)算機(jī)視覺(jué)和圖像檢測(cè)技術(shù)的滯后，經(jīng)常容易出錯(cuò)。

深度學(xué)習(xí)

深度學(xué)習(xí)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種技術(shù)。早期機(jī)器學(xué)習(xí)研究者中還開(kāi)發(fā)了一種叫人工神經(jīng)網(wǎng)絡(luò)的算法，但是發(fā)明之后數(shù)十年都默默無(wú)聞。神經(jīng)網(wǎng)絡(luò)是受人類大腦的啟發(fā)而來(lái)的：神經(jīng)元之間的相互連接關(guān)系。但是，人類大腦中的神經(jīng)元可以與特定范圍內(nèi)的任意神經(jīng)元連接，而人工神經(jīng)網(wǎng)絡(luò)中數(shù)據(jù)傳播要經(jīng)歷不同的層，傳播方向也不同。

舉個(gè)例子，你可以將一張圖片切分為小塊，然后輸入到神經(jīng)網(wǎng)絡(luò)的第一層中。在第一層中做初步計(jì)算，然后神經(jīng)元將數(shù)據(jù)傳至第二層。由第二層神經(jīng)元執(zhí)行任務(wù)，依次類推，直到最后一層，然后輸出最終的結(jié)果。

每個(gè)神經(jīng)元都會(huì)給其輸入指定一個(gè)權(quán)重：相對(duì)于執(zhí)行的任務(wù)該神經(jīng)元的正確和錯(cuò)誤程度。最終的輸出由這些權(quán)重共同決定。因此，我們?cè)賮?lái)看看上面提到的停止標(biāo)志示例。一張停止標(biāo)志圖像的屬性，被一一細(xì)分，然后被神經(jīng)元“檢查”：形狀、顏色、字符、標(biāo)志大小和是否運(yùn)動(dòng)。神經(jīng)網(wǎng)絡(luò)的任務(wù)是判斷這是否是一個(gè)停止標(biāo)志。它將給出一個(gè)“概率向量”（probability vector），這其實(shí)是基于權(quán)重做出的猜測(cè)結(jié)果。在本文的示例中，系統(tǒng)可能會(huì)有 86% 的把握認(rèn)定圖像是一個(gè)停止標(biāo)志，7% 的把握認(rèn)為是一個(gè)限速標(biāo)志，等等。網(wǎng)絡(luò)架構(gòu)然后會(huì)告知神經(jīng)網(wǎng)絡(luò)其判斷是否正確。

不過(guò)，問(wèn)題在于即使是最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)也要耗費(fèi)巨大的計(jì)算資源，因此當(dāng)時(shí)不算是一個(gè)可行的方法。不過(guò)，以多倫多大學(xué) Geoffrey Hinton 教授為首的一小批狂熱研究者們堅(jiān)持采用這種方法，最終讓超級(jí)計(jì)算機(jī)能夠并行執(zhí)行該算法，并證明該算法的作用。如果我們回到停止標(biāo)志那個(gè)例子，很有可能神經(jīng)網(wǎng)絡(luò)受訓(xùn)練的影響，會(huì)經(jīng)常給出錯(cuò)誤的答案。這說(shuō)明還需要不斷的訓(xùn)練。它需要成千上萬(wàn)張圖片，甚至數(shù)百萬(wàn)張圖片來(lái)訓(xùn)練，直到神經(jīng)元輸入的權(quán)重調(diào)整到非常精確，幾乎每次都能夠給出正確答案。不過(guò)值得慶幸的是Facebook 利用神經(jīng)網(wǎng)絡(luò)記住了你母親的面孔；吳恩達(dá) 2012 年在谷歌實(shí)現(xiàn)了可以識(shí)別貓的神經(jīng)網(wǎng)絡(luò)。

如今，在某些情況下，通過(guò)深度學(xué)習(xí)訓(xùn)練過(guò)的機(jī)器在圖像識(shí)別上表現(xiàn)優(yōu)于人類，這包括找貓、識(shí)別血液中的癌癥跡象等。谷歌的 AlphaGo 學(xué)會(huì)了圍棋，并為比賽進(jìn)行了大量的訓(xùn)練：不斷的和自己比賽。

總結(jié)

人工智能的根本在于智能，而機(jī)器學(xué)習(xí)則是部署支持人工智能的計(jì)算方法。簡(jiǎn)單的講，人工智能是科學(xué)，機(jī)器學(xué)習(xí)是讓機(jī)器變得更加智能的算法，機(jī)器學(xué)習(xí)在某種程度上成就了人工智能。