有人说人工智能（AI）是未来，人工智能是科幻小说，人工智能也是我们日常生活的一部分。这些评价能不能说是正确的，就看你指的是哪一种人工智能了。今年早些时候，谷歌DeepMind的AlphaGo击败了韩国围棋大师李世石九段。媒体在描述DeepMind的成功时，都用到了人工智能（AI）、机器学习（machinelearning）和深度学习（deeplearning）。这三个人都在AlphaGo战胜李世石的过程中发挥了作用，但他们的意思并不相同。今天我们用最简单的方法——同心圆，来直观的展示一下它们三者的关系和应用。如上图所示，人工智能最早出现，也是最大最外层的同心圆；第二个是机器学习，稍晚一点；最里面是深度学习，它是当今人工智能爆炸式增长的核心驱动力。20世纪50年代，人工智能一度被极度乐观。之后，人工智能的较小子集得到发展。首先是机器学习，然后是深度学习。深度学习又是机器学习的一个子集。深度学习产生了前所未有的影响。|从构想到繁荣1956年，几位计算机科学家齐聚达特茅斯会议（DartmouthConferences），提出了“人工智能”的概念。从此，人工智能就一直萦绕在人们的脑海中，在科研实验室中慢慢孵化。在随后的几十年里，人工智能一直在颠倒两极，或者被称为对人类文明耀眼未来的预言；坦白说，直到2012年，这两种声音仍然同时存在。过去几年，特别是2015年以来，人工智能爆发式增长。这在很大程度上是由于GPU的广泛使用，使得并行计算更快、更便宜、更高效。当然，无限扩展的存储容量和突然爆发的数据洪流（大数据）的结合也导致了图像数据、文本数据、交易数据和地图数据的海量爆炸。让我们来看看计算机科学家如何将人工智能从最早的外表发展到每天有数亿用户使用的应用程序。|人工智能（ArtificialIntelligence）——赋予人类机器智能早在1956年夏天的会议上，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构建具有相同本质特征的复杂机器作为人类的智慧。机器。这就是我们现在所说的“通用人工智能”。这台万能的机器拥有我们所有的感官（甚至超过人类）、我们所有的理性，可以像我们一样思考。人们在电影中总能看到这样的机器：友善，就像星球大战中的C-3PO；邪恶的，就像终结者一样。强人工智能目前只存在于电影和科幻小说中，很容易理解为什么我们不能实现它们，至少现在还不能。我们目前能做到的，一般称为“NarrowAI”。狭义AI是一种可以执行特定任务的技术，与人类一样好，甚至更好。例如，Pinterest上的图像分类；或Facebook上的人脸识别。这些是狭义人工智能在实践中的例子。这些技术实现了人类智能的某些特定部分。但它们是如何实现的呢？这种情报从何而来？这将我们带到了同心圆的内层，机器学习。|机器学习-人工智能的一种方法机器学习最基本的是使用算法来解析数据，从中学习，然后对现实世界的事件做出决策和预测。与硬编码解决特定任务的传统软件程序不同，机器学习是用大量数据“训练”的，各种算法从数据中学习如何完成任务。机器学习直接来自人工智能的早期领域。传统算法包括决策树学习、推理逻辑编程、聚类、强化学习和贝叶斯网络等。众所周知，我们还没有实现强人工智能。早期的机器学习方法甚至无法实现弱人工智能。机器学习最成功的应用领域是计算机视觉，尽管它仍然需要大量的手工编码才能完成工作。人们需要手动编写分类器、边缘检测过滤器，以便程序能够识别对象的起点和终点；编写形状检测程序，判断被检测物体是否有八个边；编写一个分类器来识别字母“ST-O-P”。使用这些手写分类器，人们最终可以开发算法来感知图像并确定它是否是停车标志。这还不错，但不是那种让人振奋的成功。尤其是在阴天和雾天，当路标不是那么清晰可见，或者部分被树木遮挡时，算法很难成功。这也是为什么前段时间计算机视觉的性能一直无法接近人类能力的原因。它太僵硬，太容易受到环境条件的干扰。随着时间的推移，学习算法的发展改变了一切。|深度学习——机器学习的一种技术人工神经网络（ArtificialNeuralNetworks）是早期机器学习中的重要算法，经历了几十年的风风雨雨。神经网络原理的灵感来自于我们大脑的物理结构——相互连接的神经元。但与大脑中的神经元可以连接到一定距离内的任何神经元不同，人工神经网络具有离散的层、连接和数据传输的方向。例如，我们可以将图像分成图像块并将它们输入到神经网络的第一层。第一层中的每个神经元都将数据传递给第二层。第二层的神经元做类似的工作，将数据传递给第三层，依此类推，直到最后一层，然后生成结果。每个神经元为其输入分配权重，而该权重的正确性与其执行的任务直接相关。最终输出由这些权重相加决定。我们仍然以停车标志为例。停车标志图像的所有元素都被粉碎并用神经元“检查”：八角形、消防车般的红色、粗体字、交通标志的典型尺寸以及静止运动特征等等。神经网络的任务是得出是否是停车标志的结论。基于所有权重，神经网络将得出一个经过深思熟虑的猜测——一个“概率向量”。在这个例子中，系统可能会给出以下结果：86%可能是一个停止标志；7%可能是限速标志；5%可能是挂在树上的风筝等等。然后网络结构告诉神经网络它的结论是否正确。即使这个例子也比较高级。直到最近，神经网络在很大程度上被AI社区所遗忘。其实在人工智能的早期，神经网络就已经存在，只是神经网络对“智能”的贡献微乎其微。主要问题是即使是最基本的神经网络也是计算密集型的。神经网络算法的计算要求难以满足。但是，仍然有一些以多伦多大学的GeoffreyHinton为代表的虔诚的研究团队，坚持研究并实现了面向超级计算的并行算法的运行和概念验证。但这些努力直到GPU广泛可用后才见效。让我们回到这个停车标志识别示例。神经网络时不时地被调制、训练和容易出错。它最需要的是训练。需要数十万甚至数百万的图像进行训练，直到神经元的输入权重被非常精确地调制，无论是雾天、晴天还是雨天，每次都能得到正确的结果。只有这样我们才能说神经网络已经成功学会了看起来像一个停车标志；或者在Facebook应用程序中，神经网络已经了解了你妈妈的脸；或者在2012年，吴恩达教授谷歌实现了一个神经网络来学习猫的外观等等。吴教授的突破在于从基础上大幅增加了这些神经网络。有很多层和很多神经元，然后输入大量数据到系统来训练网络。在吴教授的案例中，数据是来自1000万个YouTube视频的图像。吴教授给深度学习加上了“深”。这里的“深度”指的是神经网络中的很多层。现在，经过深度学习训练的图像识别在某些场景下甚至可以比人类做得更好：从识别猫，到识别血液中癌症的早期成分，再到在核磁共振成像中识别肿瘤。谷歌的AlphaGo首先学会了如何下围棋，然后训练它与自己下围棋。它训练神经网络的方式是不停地和自己下棋，反复下棋，不停下来。|深度学习，赋予人工智能光明的未来深度学习使机器学习能够实现诸多应用，拓展了人工智能的应用范围。深度学习如此具有破坏性地完成了各种任务，以至于所有机器辅助功能似乎都是可能的。无人驾驶汽车、预防性医疗保健，甚至更好的电影推荐都在这里，或者即将出现。人工智能是现在和明天。有了深度学习，人工智能甚至可以达到我们想象中的科幻级别。只要你有你的终结者，我就带走了你的C-3PO。
