文章|海中天AI（人工智能）是未来，是科幻小说，是我们日常生活的一部分。
所有的断言都是正确的，这只取决于你在谈论什么人工智能。
例如，当谷歌DeepMind开发的AlphaGo程序击败韩国职业围棋大师李世石时，媒体在描述DeepMind的胜利时使用了人工智能、机器学习、深度学习等术语。
AlphaGo之所以打败李世石，是因为这三项技术都做出了巨大的贡献，但它们并不是一回事。
要明确它们的关系，最直观的表达方式就是同心圆。
首先出现的是想法，然后是机器学习。
当机器学习蓬勃发展时，深度学习出现了。
今天的人工智能爆炸是由深度学习驱动的。
。
从衰落到繁荣的岁月，在达特茅斯会议上，计算机科学家首次提出“AI”一词，AI由此诞生。
接下来的日子里，AI成为了实验室里的“幻想对象”。
几十年过去了，人们对人工智能的看法不断发生变化。
有时他们认为人工智能是未来人类文明的预兆和关键。
有时他们认为这只是技术垃圾，只是一个过于雄心勃勃的轻率概念，注定会失败。
坦率地说，直到2006年，人工智能仍然兼具这两个特点。
过去几年，AI呈爆发式增长，今年以来发展迅猛。
快速发展主要得益于GPU的广泛普及，它使得并行处理更快、更便宜、更强大。
另一个原因是实际存储容量无限扩展，数据大规模产生，如图片、文本、交易、地图数据信息等。
AI：让机器展现人类智能 早在2016年夏天，在当时的会议上，AI先驱们的梦想是建造一台复杂的机器（由当时刚刚兴起的计算机驱动），然后拥有机器表现出人类智能的特征。
这个概念就是我们所说的“通用人工智能”，就是建造一个很棒的机器，让它拥有人类的所有感知，甚至可以超越人类的感知。
它可以像人类一样思考。
我们经常在电影中看到这种机器，比如C-3PO和终结者。
另一个概念是“狭义人工智能”。
简单来说，“弱人工智能”可以像人类一样完成某些特定任务，并且可能比人类做得更好。
例如，Pinterest 服务使用 AI 对图片进行分类，Facebook 使用 AI 来识别人脸。
这就是“弱人工智能”。
以上例子都是“弱人工智能”的实际运用案例，这些应用都体现了人类智能的一些特征。
它是如何实现的？这些情报从哪里来？随着对问题的深入理解，我们来到下一个循环，那就是机器学习。
机器学习：实现人工智能目标的途径。
一般来说，机器学习就是利用算法真正分析数据，不断学习，然后对世界上正在发生的事情做出判断和预测。
这个时候，研究人员就不会手工编写软件，确定特殊的指令集，然后让程序完成特殊的任务。
相反，研究人员将使用大量数据和算法来“训练”机器，以便机器学习如何执行任务。
机器学习的概念是由早期人工智能研究人员提出的。
过去几年，机器学习领域涌现了很多算法方法，包括决策树学习、归纳逻辑编程、聚类分析（Clustering）、强化学习、贝叶斯网络等，但众所周知，没有人真正达到最终目标的“强人工智能”。
凭借早期的机器学习方法，我们甚至距离“弱人工智能”的目标还很遥远。
过去很多年，机器学习最好的应用案例就是“计算机视觉”。
为了实现计算机视觉，研究人员仍然需要手动编写大量代码来完成任务。
研究人员手动编码分类器，例如边缘检测过滤器，以便程序可以确定对象的开始和结束位置；形状检测可以判断物体是否有八面；分类器可以识别字符“S-T-O-P”。
使用手动编写的石斑鱼，研究人员可以开发算法来识别有意义的图像，然后学会确定它不是停车标志。
这个方法确实有效，但是效果不是很好。
如果有雾，标志的能见度较低，或者树木遮挡了部分标志，其识别能力就会降低。
直到最近，计算机视觉和图像检测技术还远未达到人类的能力，因为它很容易出错。
深度学习：实现机器学习的技术“人工神经网络”是另一种算法方法，也是由早期机器学习专家提出的，已经存在了几十年。
神经网络的想法来自于我们对人脑的理解——神经元的互连性。
两者之间也存在差异。
人脑中的神经元以特定的物理距离连接，而人工神经网络具有独立的层、连接和数据传播方向。
例如，您可以拍摄一张图像，将其切成块，然后将其输入神经网络的第一层。
第一层中独立的神经元将数据传输到第二层，第二层中的神经元也有自己的使命，一直持续到最后一层，并生成最终结果。
每个神经元都会对输入信息进行权衡，确定权重，并了解其与其执行的任务的关系，例如它的正确性或错误程度。
最终结果由所有权重决定。
以停车标志为例，我们将停车标志图像进行切割，让神经元检测它的八边形形状、红色、独特的字符、交通标志尺寸、手势等。
神经网络的任务是得出结论：是否是停车标志。
神经网络被赋予一个“概率向量”，该向量依赖于有根据的猜测和权重。
在这种情况下，系统有 86% 的信心认为该图像是停车标志，7% 的信心认为这是一个限速标志，5% 的信心认为这是挂在树上的风筝，等等。
然后网络架构告诉神经网络它的判断是否正确。
即使是像这样简单的事情也是未来主义的。
不久前，AI研究界还回避神经网络。
神经网络在人工智能发展的早期阶段就已经存在，但并没有形成太多的“智能”。
问题在于，即使是基本的神经网络对于计算的要求也太高，无法成为一种实用的方法。
尽管如此，仍有少数研究团队在勇敢前行，比如多伦多大学 Geoffrey Hinton 领导的团队。
他们将该算法并行放入超级计算机中以验证他们的概念。
直到 GPU 开始广泛采用，我们才真正看到了希望。
回到停车标志识别的例子，如果我们用大量错误答案来训练网络并调整网络，结果会更好。
研究人员所需要做的就是训练。
他们需要收集数万甚至数百万张图片，直到人工神经元输入的权重高度准确，让每一个判断都正确——无论有雾与否，无论是否有雾。
无论是晴天还是雨天都没关系。
这时，神经网络可以“教导”自己弄清楚停车标志是什么样子的；它还可以识别 Facebook 上的人脸图像并识别猫 - Andrew Ng 2008 年在 Google 所做的就是让神经网络识别猫。
吴恩达的突破在于将神经网络做得极其庞大，不断增加层数和神经元数量，并让系统运行大量数据来训练它。
Andrew Ng 的项目调用了来自数万个 YouTube 视频的图像，他真正赋予了深度学习“深度”。
如今，在某些场景下，经过深度学习技术训练的机器在识别图像方面比人类更好，例如识别猫、识别血液中癌细胞的特征以及识别 MRI 扫描中的肿瘤。
谷歌 AlphaGo 自己学习下围棋并从中学习。
有了深度学习，人工智能的未来是光明的。
借助深度学习，机器学习拥有许多实际应用，也扩展了人工智能的整体范围。
深度学习分解任务，使各种类型的机器辅助成为可能。
自动驾驶汽车、更好的预防性治疗、更好的电影推荐要么已经存在，要么将会存在。
人工智能既是现在，也是未来。
在深度学习的帮助下，也许有一天人工智能会达到科幻小说中描述的水平，这也是我们一直在等待的。
你将拥有自己的 C-3PO，你将拥有自己的终结者。