有人說薪鹦，人工智能（AI）是未來，人工智能是科幻奔害，人工智能也是我們?nèi)粘Ｉ钪械囊徊糠值叵ā＿@些評價(jià)可以說都是正確的端考，就看你指的是哪一種人工智能。
今年早些時(shí)候扶供，Google DeepMind的AlphaGo打敗了韓國的圍棋大師李世乭九段裂明。在媒體描述DeepMind勝利的時(shí)候，將人工智能（AI）扳碍、機(jī)器學(xué)習(xí)（machine learning）和深度學(xué)習(xí)（deep learning）都用上了笋敞。這三者在AlphaGo擊敗李世乭的過程中都起了作用，但它們說的并不是一回事振亮。
今天我們就用最簡單的方法——同心圓，可視化地展現(xiàn)出它們?nèi)叩年P(guān)系和應(yīng)用麸祷。
如下圖阶牍，人工智能是最早出現(xiàn)的，也是最大惧辈、最外側(cè)的同心圓盒齿；其次是機(jī)器學(xué)習(xí)困食，稍晚一點(diǎn)硕盹；最內(nèi)側(cè)，是深度學(xué)習(xí)啊胶，當(dāng)今人工智能大爆炸的核心驅(qū)動垛贤。
五十年代南吮，人工智能曾一度被極為看好。之后露乏，人工智能的一些較小的子集發(fā)展了起來瘟仿。先是機(jī)器學(xué)習(xí)，然后是深度學(xué)習(xí)驹止。深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)的子集观蜗。深度學(xué)習(xí)造成了前所未有的巨大的影響墓捻。
從概念的提出到走向繁榮
1956年，幾個(gè)計(jì)算機(jī)科學(xué)家相聚在達(dá)特茅斯會議（Dartmouth Conferences）撤卢，提出了“人工智能”的概念放吩。其后羽杰，人工智能就一直縈繞于人們的腦海之中忽洛，并在科研實(shí)驗(yàn)室中慢慢孵化。之后的幾十年集灌，人工智能一直在兩極反轉(zhuǎn)复哆，或被稱作人類文明耀眼未來的預(yù)言梯找；或者被當(dāng)成技術(shù)瘋子的狂想扔到垃圾堆里。坦白說驯鳖，直到2012年之前浅辙，這兩種聲音還在同時(shí)存在。
過去幾年鸽捻，尤其是2015年以來御蒲，人工智能開始大爆發(fā)诊赊。很大一部分是由于GPU的廣泛應(yīng)用碧磅，使得并行計(jì)算變得更快、更便宜、更有效严望。當(dāng)然逻恐，無限拓展的存儲能力和驟然爆發(fā)的數(shù)據(jù)洪流（大數(shù)據(jù)）的組合拳复隆，也使得圖像數(shù)據(jù)挽拂、文本數(shù)據(jù)、交易數(shù)據(jù)台腥、映射數(shù)據(jù)全面海量爆發(fā)绒北。
讓我們慢慢梳理一下計(jì)算機(jī)科學(xué)家們是如何將人工智能從最早的一點(diǎn)點(diǎn)苗頭闷游，發(fā)展到能夠支撐那些每天被數(shù)億用戶使用的應(yīng)用的贴汪。
人工智能（Artificial Intelligence）——為機(jī)器賦予人的智能
成王（King me）:能下國際跳棋的程序是早期人工智能的一個(gè)典型應(yīng)用扳埂，在二十世紀(jì)五十年代曾掀起一陣風(fēng)潮聂喇。（譯者注：國際跳棋棋子到達(dá)底線位置后希太，可以成王酝蜒，成王棋子可以向后移動）。
早在1956年夏天那次會議堕澄，人工智能的先驅(qū)們就夢想著用當(dāng)時(shí)剛剛出現(xiàn)的計(jì)算機(jī)來構(gòu)造復(fù)雜的蛙紫、擁有與人類智慧同樣本質(zhì)特性的機(jī)器坑傅。這就是我們現(xiàn)在所說的“強(qiáng)人工智能”（General AI）喷斋。這個(gè)無所不能的機(jī)器星爪，它有著我們所有的感知（甚至比人更多），我們所有的理性近零，可以像我們一樣思考秒赤。
人們在電影里也總是看到這樣的機(jī)器：友好的入篮，像星球大戰(zhàn)中的C-3PO幌甘；邪惡的，如終結(jié)者鞍泉。強(qiáng)人工智能現(xiàn)在還只存在于電影和科幻小說中肮帐，原因不難理解训枢，我們還沒法實(shí)現(xiàn)它們恒界，至少目前還不行。
我們目前能實(shí)現(xiàn)的涩拙，一般被稱為“弱人工智能”（Narrow AI）兴泥。弱人工智能是能夠與人一樣虾宇，甚至比人更好地執(zhí)行特定任務(wù)的技術(shù)文留。例如竭沫，Pinterest上的圖像分類蜕提；或者Facebook的人臉識別谎势。
這些是弱人工智能在實(shí)踐中的例子。這些技術(shù)實(shí)現(xiàn)的是人類智能的一些具體的局部猖毫。但它們是如何實(shí)現(xiàn)的吁断？這種智能是從何而來仔役？這就帶我們來到同心圓的里面一層，機(jī)器學(xué)習(xí)又兵。
機(jī)器學(xué)習(xí)—— 一種實(shí)現(xiàn)人工智能的方法
健康食譜（Spam free diet）：機(jī)器學(xué)習(xí)能夠幫你過濾電子信箱里的（大部分）垃圾郵件任柜。（譯者注：英文中垃圾郵件的單詞spam來源于二戰(zhàn)中美國曾大量援助英國的午餐肉品牌SPAM。直到六十年代沛厨，英國的農(nóng)業(yè)一直沒有從二戰(zhàn)的損失中恢復(fù)宙地，因而從美國大量進(jìn)口了這種廉價(jià)的罐頭肉制品。據(jù)傳聞不甚好吃且充斥市場俄烁。）
機(jī)器學(xué)習(xí)最基本的做法绸栅，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)页屠，然后對真實(shí)世界中的事件做出決策和預(yù)測粹胯。與傳統(tǒng)的為解決特定任務(wù)辰企、硬編碼的軟件程序不同风纠，機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)牢贸。
機(jī)器學(xué)習(xí)直接來源于早期的人工智能領(lǐng)域竹观。傳統(tǒng)算法包括決策樹學(xué)習(xí)、推導(dǎo)邏輯規(guī)劃潜索、聚類臭增、強(qiáng)化學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等等。眾所周知竹习，我們還沒有實(shí)現(xiàn)強(qiáng)人工智能誊抛。早期機(jī)器學(xué)習(xí)方法甚至都無法實(shí)現(xiàn)弱人工智能。
機(jī)器學(xué)習(xí)最成功的應(yīng)用領(lǐng)域是計(jì)算機(jī)視覺整陌，雖然也還是需要大量的手工編碼來完成工作拗窃。人們需要手工編寫分類器、邊緣檢測濾波器泌辫，以便讓程序能識別物體從哪里開始随夸，到哪里結(jié)束；寫形狀檢測程序來判斷檢測對象是不是有八條邊震放；寫分類器來識別字母“ST-O-P”宾毒。使用以上這些手工編寫的分類器，人們總算可以開發(fā)算法來感知圖像殿遂，判斷圖像是不是一個(gè)停止標(biāo)志牌伍俘。
這個(gè)結(jié)果還算不錯(cuò)邪锌，但并不是那種能讓人為之一振的成功。特別是遇到云霧天癌瘾，標(biāo)志牌變得不是那么清晰可見觅丰，又或者被樹遮擋一部分，算法就難以成功了妨退。這就是為什么前一段時(shí)間妇萄，計(jì)算機(jī)視覺的性能一直無法接近到人的能力。它太僵化咬荷，太容易受環(huán)境條件的干擾冠句。
隨著時(shí)間的推進(jìn)，學(xué)習(xí)算法的發(fā)展改變了一切幸乒。
深度學(xué)習(xí)——一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)
放貓（Herding Cats）:從YouTube視頻里面尋找貓的圖片是深度學(xué)習(xí)杰出性能的首次展現(xiàn)懦底。（譯者注：herdingcats是英語習(xí)語，照顧一群喜歡自由罕扎，不喜歡馴服的貓聚唐，用來形容局面混亂，任務(wù)難以完成腔召。）
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）是早期機(jī)器學(xué)習(xí)中的一個(gè)重要的算法杆查，歷經(jīng)數(shù)十年風(fēng)風(fēng)雨雨。神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)臀蛛。但與大腦中一個(gè)神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同亲桦，人工神經(jīng)網(wǎng)絡(luò)具有離散的層、連接和數(shù)據(jù)傳播的方向浊仆。
例如客峭，我們可以把一幅圖像切分成圖像塊，輸入到神經(jīng)網(wǎng)絡(luò)的第一層抡柿。在第一層的每一個(gè)神經(jīng)元都把數(shù)據(jù)傳遞到第二層舔琅。第二層的神經(jīng)元也是完成類似的工作，把數(shù)據(jù)傳遞到第三層沙绝，以此類推，直到最后一層鼠锈，然后生成結(jié)果闪檬。
每一個(gè)神經(jīng)元都為它的輸入分配權(quán)重，這個(gè)權(quán)重的正確與否與其執(zhí)行的任務(wù)直接相關(guān)购笆。最終的輸出由這些權(quán)重加總來決定粗悯。
我們?nèi)砸酝Ｖ梗⊿top）標(biāo)志牌為例。將一個(gè)停止標(biāo)志牌圖像的所有元素都打碎同欠，然后用神經(jīng)元進(jìn)行“檢查”：八邊形的外形样傍、救火車般的紅顏色横缔、鮮明突出的字母、交通標(biāo)志的典型尺寸和靜止不動運(yùn)動特性等等衫哥。神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論茎刚，它到底是不是一個(gè)停止標(biāo)志牌。神經(jīng)網(wǎng)絡(luò)會根據(jù)所有權(quán)重撤逢，給出一個(gè)經(jīng)過深思熟慮的猜測——“概率向量”膛锭。
這個(gè)例子里，系統(tǒng)可能會給出這樣的結(jié)果：86%可能是一個(gè)停止標(biāo)志牌蚊荣；7%的可能是一個(gè)限速標(biāo)志牌初狰；5%的可能是一個(gè)風(fēng)箏掛在樹上等等。然后網(wǎng)絡(luò)結(jié)構(gòu)告知神經(jīng)網(wǎng)絡(luò)互例，它的結(jié)論是否正確奢入。
即使是這個(gè)例子，也算是比較超前了媳叨。直到前不久腥光，神經(jīng)網(wǎng)絡(luò)也還是為人工智能圈所淡忘。其實(shí)在人工智能出現(xiàn)的早期肩杈，神經(jīng)網(wǎng)絡(luò)就已經(jīng)存在了柴我，但神經(jīng)網(wǎng)絡(luò)對于“智能”的貢獻(xiàn)微乎其微。主要問題是扩然，即使是最基本的神經(jīng)網(wǎng)絡(luò)艘儒，也需要大量的運(yùn)算。神經(jīng)網(wǎng)絡(luò)算法的運(yùn)算需求難以得到滿足夫偶。
不過界睁，還是有一些虔誠的研究團(tuán)隊(duì)，以多倫多大學(xué)的Geoffrey Hinton為代表兵拢，堅(jiān)持研究翻斟，實(shí)現(xiàn)了以超算為目標(biāo)的并行算法的運(yùn)行與概念證明。但也直到GPU得到廣泛應(yīng)用说铃，這些努力才見到成效访惜。
我們回過頭來看這個(gè)停止標(biāo)志識別的例子。神經(jīng)網(wǎng)絡(luò)是調(diào)制腻扇、訓(xùn)練出來的债热，時(shí)不時(shí)還是很容易出錯(cuò)的。它最需要的幼苛，就是訓(xùn)練窒篱。需要成百上千甚至幾百萬張圖像來訓(xùn)練，直到神經(jīng)元的輸入的權(quán)值都被調(diào)制得十分精確，無論是否有霧墙杯，晴天還是雨天配并，每次都能得到正確的結(jié)果。
只有這個(gè)時(shí)候高镐，我們才可以說神經(jīng)網(wǎng)絡(luò)成功地自學(xué)習(xí)到一個(gè)停止標(biāo)志的樣子溉旋；或者在Facebook的應(yīng)用里，神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)了你媽媽的臉避消；又或者是2012年吳恩達(dá)（Andrew Ng）教授在Google實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到貓的樣子等等低滩。
吳教授的突破在于，把這些神經(jīng)網(wǎng)絡(luò)從基礎(chǔ)上顯著地增大了岩喷。層數(shù)非常多恕沫，神經(jīng)元也非常多，然后給系統(tǒng)輸入海量的數(shù)據(jù)纱意，來訓(xùn)練網(wǎng)絡(luò)婶溯。在吳教授這里，數(shù)據(jù)是一千萬YouTube視頻中的圖像偷霉。吳教授為深度學(xué)習(xí)（deep learning）加入了“深度”（deep）迄委。這里的“深度”就是說神經(jīng)網(wǎng)絡(luò)中眾多的層。
現(xiàn)在类少，經(jīng)過深度學(xué)習(xí)訓(xùn)練的圖像識別叙身，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌癥的早期成分硫狞，到識別核磁共振成像中的腫瘤信轿。Google的AlphaGo先是學(xué)會了如何下圍棋，然后與它自己下棋訓(xùn)練残吩。它訓(xùn)練自己神經(jīng)網(wǎng)絡(luò)的方法财忽，就是不斷地與自己下棋，反復(fù)地下泣侮，永不停歇即彪。
深度學(xué)習(xí)，給人工智能以璀璨的未來
深度學(xué)習(xí)使得機(jī)器學(xué)習(xí)能夠?qū)崿F(xiàn)眾多的應(yīng)用活尊，并拓展了人工智能的領(lǐng)域范圍隶校。深度學(xué)習(xí)摧枯拉朽般地實(shí)現(xiàn)了各種任務(wù)，使得似乎所有的機(jī)器輔助功能都變?yōu)榭赡苡济獭o人駕駛汽車深胳，預(yù)防性醫(yī)療保健，甚至是更好的電影推薦宁仔，都近在眼前稠屠，或者即將實(shí)現(xiàn)峦睡。
人工智能就在現(xiàn)在翎苫，就在明天权埠。有了深度學(xué)習(xí)，人工智能甚至可以達(dá)到我們暢想的科幻小說一般煎谍。你的C-3PO我拿走了攘蔽，你有你的終結(jié)者就好了。
