2016年，AlphaGo 擊敗韓國圍棋冠軍李世石，在媒體報道中，曾多次提及“深度學習”這個概念。而新版本的AlphaGoZero，更充分地運用了深度學習法，不再從人類棋手的以往棋譜記錄中開始訓練，而是完全靠自己的學習算法，通過自我對弈來學會下棋。經過一段時間的自我學習，它就擊敗了曾打敗李世石的以及曾完勝柯潔的AlphaGo版本。
        由此可見，機器的確開始具有了某種學習能力。它在訓練中得到的不再只是規則、對象信息，而是還能獲得對象出現的可能條件。換言之，它已經能夠開始“感受”和捕捉可能性，而不只是現成之物了。這種學習就是一個非線性的、概率的、反饋調整的和逐層逐時地深化和構成的準發生過程。這是一個具有某種真實時間歷程的習得過程。
        什么是深度學習?
        深度學習是機器學習的一種形式，所采用的神經網絡在輸入節點和輸出節點之間具有許多“深度”層。通過基于大數據集訓練網絡，創建的模型可用于根據輸入數據進行精確預測。在用于深度學習的神經網絡中，每一層的輸出會前饋到下一層的輸入。通過更改各層之間連接的加權，反復優化模型。在每一個周期，對模型預測準確度的反饋將用于指導連接加權的更改。
        人工智能、機器學習與深度學習
        最早出現的人工智能位于同心圓最外側;其次是隨后發展起來的機器學習，位于中間;最后是推動人工智能突飛猛進發展的深度學習，位于最內側。
        自上個世紀50年代的人工智能熱以來，基于人工智能概念的機器學習和深度學習又掀起一陣前所未有的新浪潮。
        1956年，幾個計算機科學家在達特茅斯會議上首次提出了“人工智能”的概念。此后，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中蓄勢待發。之后的幾十年，人工智能一直在兩極反轉，有人稱其為打開人類文明輝煌未來的鑰匙，也有人將其當成科技瘋子的狂想扔到技術垃圾堆里。其實2012年之前，這兩種觀點一直不相上下。
        過去幾年，尤其是2015年以來，人工智能突飛猛進地發展。這主要歸功于圖形處理器(GPU)的廣泛應用，使得并行計算變得更快、更便宜、更有效。當然，無限拓展的存儲能力和驟然爆發的數據洪流(大數據)的組合拳，也使得圖像數據、文本數據、交易數據、映射數據全面海量爆發。
        機器學習——實現人工智能的方法
        機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。
        機器學習直接來源于早期的人工智能領域。傳統算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網絡等等。眾所周知，我們還沒有實現強人工智能。早期機器學習方法甚至都無法實現弱人工智能。
        機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程序能識別物體從哪里開始，到哪里結束;寫形狀檢測程序來判斷檢測對象是不是有八條邊;寫分類器來識別字母“ST-O-P”。使用以上這些手工編寫的分類器，人們總算可以開發算法來感知圖像，判斷圖像是不是一個停止標志牌。
        深度學習——實現機器學習的技術
        人工神經網絡是早期機器學習中的一個重要的算法。神經網絡的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接一定距離內的任意神經元不同，人工神經網絡具有離散的層、連接和數據傳播的方向。
        例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網絡的第一層。在第一層的每一個神經元都把數據傳遞到第二層。第二層的神經元也是完成類似的工作，把數據傳遞到第三層，以此類推，直到最后一層，然后生成結果。
        每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。
        我們停止(Stop)標志牌為例。將一個停止標志牌圖像的所有元素都打碎，然后用神經元進行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經網絡的任務就是給出結論，它到底是不是一個停止標志牌。神經網絡會根據所有權重，給出一個經過深思熟慮的猜測——“概率向量”。
        這個例子里，系統可能會給出這樣的結果：86%可能是一個停止標志牌;7%的可能是一個限速標志牌;5%的可能是一個風箏掛在樹上等等。然后網絡結構告知神經網絡，它的結論是否正確。

返回列表