跳⁠到主⁠要内⁠容

AI、机⁠器学⁠习与深⁠度学⁠习有⁠何不⁠同?

作⁠者

  • A

    AIWin

发⁠布日⁠期

前⁠言

人⁠工⁠智⁠能(Artificial Intelligence, AI)在 2017、2018 年成为非常热门的词汇,最著名的例子是 AlphaGo:2016 年 3 月,Google DeepMind 研发的围棋人⁠工⁠智⁠能软件击败韩国顶尖职业棋手李世石,成为第⁠一个不让子而战胜围棋职业九段棋手的计算机围棋程序,树立了人⁠工⁠智⁠能的一个里⁠程⁠碑。为何人⁠工⁠智⁠能会在当下大爆发?到底是什么样的突破让人⁠工⁠智⁠能变得如此聪明?未来是否会真正影响人类的工作?让我们在下面的章节一一说⁠明。

人⁠工⁠智⁠能发⁠展⁠史

相信各位这几年常听到几个名词:人⁠工⁠智⁠能(Artificial Intelligence, AI)、机器学习(Machine Learning)、深度学习(Deep Learning)。这几个名词到底有什么关系?按照学术上的明确定义,深度学习是机器学习的一环,而机器学习是人⁠工⁠智⁠能的一环。人⁠工⁠智⁠能的核心问题包括构建能够与人类相似、甚至超越人类的推理、知识、规⁠划、学习、交流、感知、移动和操作物体的能力(维基百科),而机器学习与深度学习属于推理、知识、规⁠划、学习的领⁠域。

人工智能、机器学习、深度学习的包含关系图:深度学习(CNN、LSTM)是机器学习(逻辑回归、SVM、神经网络)的一环,机器学习又是人工智能的一环

人⁠工⁠智⁠能这个名词大家并不陌生,早在 20~30 年前就已出现,发展史中也经历过三次热潮与两次低谷。两次低谷的原因,一是没有明确的理论定义,二是硬件算力不足,无法验证是否可行。然而自 2010 年起,NVIDIA 发展的图形处⁠理器(GPU)带来强大的算力,再加上大数据与深度学习算法的加持,一举突破了以往的限⁠制。

神经网络发展史时间轴:1958 感知器、1969 感知器受批评、1974 反向传播、1995 SVM 兴起、1998 卷积神经网络识别手写、2006 受限玻尔兹曼机、2012 Google Brain 与 AlexNet 赢得 ImageNet

弱人⁠工⁠智⁠能与强人⁠工⁠智⁠能

人⁠工⁠智⁠能可分为三个层次:一、弱人⁠工⁠智⁠能:只会单一任务的学习与推理,而且做得很好,但不会自行延伸到此任务以外的认知。二、强人⁠工⁠智⁠能:等同于人类的人⁠工⁠智⁠能,具备多项任务的自我学习与情感表现。三、超人⁠工⁠智⁠能:具有强人⁠工⁠智⁠能的能力,且各项能力都远超越人⁠类。

截至目前为止,我们仍处于弱人⁠工⁠智⁠能的阶段——AlphaGo 虽然下围棋很强,但它也只会下围棋,不会延伸出其他技能。有趣的是,许多学者与企业家对人⁠工⁠智⁠能的发展开⁠始有了不同的见解:一派指出需要防范人⁠工⁠智⁠能发展失控、威胁人类;另一派则认为按目前的发展还不需要过于担心,毕竟人类处⁠理信息的能力仍远超过目前的计算⁠机。

人⁠工⁠智⁠能的未⁠来

如今因为大数据、深度学习与 GPU 算力的提升,人⁠工⁠智⁠能的发展大幅向前,全球大厂纷纷投入研发,台湾厂商也不例外;除了大厂之外,也让许多创业团队在人⁠工⁠智⁠能上有了多样化的发挥空间。未来人⁠工⁠智⁠能卖的是一种对人类的服⁠务,辅助人类完成特定的任⁠务。

2018 年值得持续关注的,是新形态或新应用的人⁠工⁠智⁠能算法,以及人⁠工⁠智⁠能的芯片化(AI Chip):Apple 在发布 iPhone X 的同时,已宣布把神经网络的硬件架构放进处⁠理器内;全球已有数十家公司将在今年发布 AI Chip。一旦 AI Chip 普及,生活中的大小事都会被 AI 围绕——到时会是什么样的生活?我们拭目以⁠待!