導語
人工智能真的來了霉旗！
有人說痴奏，這也許會是人類歷史上的最后一次革命！所有人都希望能夠乘上AI這條巨龍厌秒，跨入未來读拆。然而，在行動之前最好還是先做好準備鸵闪，我們必須具備與AI同樣高檐晕、同樣廣闊的視野，否則我們還沒爬上龍背就會被它摔死蚌讼。于是辟灰，我寫下了“AI視野”這個系列文章，希望它們能夠借各位看官一雙慧眼……
如果說AI是條巨龍篡石，那么芥喇，深度學習就是這條龍的眼睛，然而深度學習究竟意味著什么凰萨？盡管現(xiàn)在對深度學習的報道可以說是鋪天蓋地继控，但這些文章要么過于局限在算法的細節(jié)械馆，要么偏重于某一領域的應用。沒錯湿诊，從技術的角度來說狱杰，深度學習不過是一種深層次的神經(jīng)網(wǎng)絡；從科學的角度說厅须，深度學習其實是一種表征學習算法仿畸。然而，我覺得這些理解雖然都沒錯朗和，但都過于狹隘错沽。我更感興趣的是如果我們將深度學習這樣一種技術放到一個更大的社會背景中看，它究竟意味著什么眶拉？
這就好像當年的互聯(lián)網(wǎng)革命千埃，如果我們僅僅從TCP/IP協(xié)議的角度來看，是很難理解為什么共享單車這種奇葩存在能夠在今天的大街小巷大行其道忆植。只有當我們認識到放可，互聯(lián)網(wǎng)實際上就是一種便捷的鏈接萬物的利器的時候，我們才能看懂互聯(lián)網(wǎng)革命朝刊。
同樣的道理耀里，若想看清深度學習的本質，我們就必須跳出技術細節(jié)拾氓，從一種更大的視角去理解深度學習在整個技術冯挎、甚至社會生態(tài)背景之中所發(fā)揮的作用。這篇文章就嘗試著帶領讀者走入這一更大的視角咙鞍。我們首先將歷數(shù)最近幾年深度學習取得的突破進展房官；然后我們給出了本篇文章的核心觀點，深度學習续滋，更確切地說是深度學習神經(jīng)網(wǎng)絡是一種重度翰守、高通量的語義鏈接器。具備了這種認識之后疲酌，我們就可以在拓展我們的想象力蜡峰，創(chuàng)造出更多的應用。
深度學習的輝煌戰(zhàn)績
首先徐勃，讓我們先來看看深度學習都給我們帶來了哪些突破。
模式識別
由于這部分應用的相關報道很多早像，我將一帶而過僻肖。大概在2006年左右，深度學習首先在語音和圖像的識別上取得了重大突破卢鹦，準確度有了大幅度飆升臀脏。到了大概2013年左右劝堪，隨著RNN和LSTM在對話生成、機器翻譯等任務中的應用揉稚，人們在自然語言理解方面也有了重大的進步秒啦。至此，深度學習基本完成了第一波創(chuàng)新浪潮搀玖。然而余境，相比較語音和圖像，深度學習在自然語言上的進展并沒有那么驚艷灌诅。
接下來芳来，讓我們看一看深度學習更有創(chuàng)意的應用。
看圖說話
看圖說話（給圖片加描述信息）是一個令人印象深刻的應用猜拾，通過在技術上整合CNN和RNN這兩種不同架構即舌，網(wǎng)絡可以像人類小孩一樣看懂圖片，并輸出相應的文本描述挎袜。
讀唇識音
DeepMind團隊不愧是全球最厲害的人工智能團隊（恐怕沒有之一）顽聂，他們不僅在理論工作上表現(xiàn)非凡（AlphaGo、機器打游戲）盯仪，也是應用方面的高手紊搪。比如，讀唇識音這個應用就非常有創(chuàng)意磨总。他們把Google的神經(jīng)翻譯機應用在了唇語這樣一種極其特殊的語言上嗦明，最終導致了機器的識別準確率高達50%左右，遠超過人類讀唇專家的25%準確度蚪燕。
生成任務
近期的深度學習研究熱點從識別轉到了生成任務娶牌。無論是令人印象深刻的語音合成（現(xiàn)在的滴滴打車就在利用科大訊飛的語音生成技術合成了郭德綱、林志玲的聲音）馆纳，還是被Yann LeCun譽為“近十年機器學習領域最有趣的事情”的GAN（Generated Adversial Network诗良，生成對抗網(wǎng)絡），它們都可以看作是數(shù)據(jù)生成的方法突破鲁驶。如圖所示鉴裹，GAN算法可以將視頻中的一匹駿馬瞬間變成斑馬，它還能根據(jù)一個輪廓而自動填充其中的內(nèi)容钥弯，甚至還可以根據(jù)一段話的描述径荔，而生成相應的圖片。
機器理解
機器閱讀理解任務总处，下面的文字為提問的問題，粉紅色的區(qū)域為機器回答問題的時候注意力集中的焦點區(qū)域
最近深度學習的另一個研究趨勢就是讓機器具有更高層次的思維胧谈，例如機器閱讀理解或者基于圖片的理解與問答等任務。在這些任務中荸频，傳統(tǒng)的RNN或LSTM已經(jīng)很難做到出色菱肖，人們不得不借助諸如神經(jīng)圖靈機、記憶旭从、注意力等機制才能做好稳强。深度學習與傳統(tǒng)符號AI（搜索、推理等）的結合是如今人工智能發(fā)展的一大趨勢遇绞。
深度學習應用的本質
廣義的翻譯
細數(shù)這些令人印象深刻的深度學習應用不難發(fā)現(xiàn)键袱，它們其實都可以看作是一種從輸入信息到輸出信息的映射，只不過這種映射超級復雜摹闽，需要用龐大且深邃的神經(jīng)網(wǎng)絡來實現(xiàn)蹄咖。
例如，在語音付鹿、圖像澜汤、自然語言的識別中，輸入端可以是語音舵匾、圖像俊抵、視頻，或者一個符號序列坐梯；輸出的則是相應的類別標簽徽诲，從而輔助人們進行標識和理解。所以吵血，我們可以認為這種任務實際上是聲音谎替、圖像、序列到標簽的映射蹋辅。
同樣钱贯，看圖說話、讀唇識音也是一種從輸入到輸出的映射侦另，它們分別是將圖像和視頻映射成了文本文字秩命。或者更形象地說褒傅，其實它們都是完成了一種廣義上的翻譯弃锐。機器可以把圖片翻譯成文字，把口型翻譯成文本殿托。在這兩個任務中霹菊，相比較前面的識別任務，輸出端變得略微復雜碌尔，其它并無本質不同浇辜。
生成任務也是一種輸入到輸出的映射，也是一種翻譯唾戚。比如柳洋，在馬變斑馬中，我們把馬“翻譯”成了斑馬叹坦。同樣熊镣，在根據(jù)文字生成圖片的例子中，我可以把文字翻譯成圖片募书。
這些任務從表面上看五花八門绪囱，高深莫測，但是其實這里面并沒有多少“智能”可言莹捡。因為，我們只需要把大量這樣的輸入－輸出對數(shù)據(jù)喂給深度學習網(wǎng)絡就可以讓它學到其中的規(guī)律，從而給出八九不離十的答案笤休。
重度建峭、高通量的語義鏈接器
在深度學習界，人們用“端到端”（End2End）這個詞來概括所有諸如此類的模型和應用启泣，我覺得非常形象涣脚。我們可以將上面的各種應用概括為下圖：
從這張圖我們不難看出，實際上深度神經(jīng)網(wǎng)絡就是一種鏈接器寥茫，它可以將兩個端緊密地鏈接到一起遣蚀。無論這個神經(jīng)網(wǎng)絡鏈接器的訓練多么復雜，也無論其中的技術多么酷炫纱耻，所有深度學習的應用都不礙乎在兩個端之間搭建出這樣一座鏈接器橋梁芭梯，這恰恰就是深度學習應用的本質。
也許你會覺得這樣的結論有些不過癮膝迎！鏈接器粥帚？我們的網(wǎng)線不也是鏈接器嗎？難道說限次，深度神經(jīng)網(wǎng)絡和網(wǎng)線一樣芒涡，僅僅是個鏈接裝置？那模式識別能力呢卖漫？智能呢费尽？
當然，和互聯(lián)網(wǎng)時代的鏈接器相比羊始，深度神經(jīng)網(wǎng)絡這種鏈接器是非常不同的旱幼，它有三大特性：
1、重度
這里面的重度的意思是說從輸入到輸出的鏈接其實不止一條突委，而是很多條柏卤。所以冬三，神經(jīng)網(wǎng)絡這種鏈接帶寬超高。
2缘缚、高通量
由于神經(jīng)網(wǎng)絡的工作都是并行的勾笆，所以一旦它運行起來，它就可以讓多條通路同時工作桥滨、傳遞信息窝爪。這樣，神經(jīng)網(wǎng)絡通道的信息吞吐量就會比一般的通信信道要大得多齐媒，這就是高通量的含義蒲每。
3、模式與語義
與經(jīng)典通信線路最本質的區(qū)別喻括，就在于神經(jīng)網(wǎng)絡鏈接器中傳遞的不是經(jīng)典的確定性信息邀杏，而是具有模糊性的高層信息。為什么這么說呢唬血？因為神經(jīng)網(wǎng)絡的本事就在于它可以在大量的底層經(jīng)典線路之上涌現(xiàn)出具有意義的Pattern（模式）淮阐。比如，我們做人臉識別的時候刁品，輸入給網(wǎng)絡的就是細化到每個像素的經(jīng)典信息泣特，然而網(wǎng)絡在整體卻能夠識別人臉中的模式，從而生成人類能看懂的標簽挑随。
因此状您，神經(jīng)網(wǎng)絡可以處理模糊信息，它可以將大量經(jīng)典線路之上所浮現(xiàn)出來的模式（Pattern）進行傳遞兜挨。如果我們將一切端到端的學習都看作是廣義的翻譯膏孟，那么我們就不難理解，當機器做翻譯的時候拌汇，它實際上是在傳遞隱藏在具體語言背后的Pattern柒桑，這種Pattern正是隱藏在大量符號中的“語義”。一種意義可以有不同種表述方式噪舀，也就有不同的經(jīng)典意義的信息魁淳，而一個訓練好的神經(jīng)網(wǎng)絡恰恰可以捕獲這些多樣信息背后的不變模式，從而準確地把“意義”而不是信息傳遞給接收端与倡。所以界逛，廣義地說，深度神經(jīng)網(wǎng)絡的本質其實就是一種傳遞“語義”的重度纺座、高通量的鏈接器（如下圖）息拜。
如果我們從信息論的角度來看待端到端式的深度學習網(wǎng)絡，那么我們可以得到兩種不同的信道，一種是傳遞經(jīng)典信息的信道少欺，一種是傳遞“語義”的深度學習信道喳瓣。我們知道，Shannon的信息論僅僅討論經(jīng)典信息在網(wǎng)絡傳輸中的規(guī)律赞别，但是針對信息的含義卻始終無法觸及夫椭。深度學習信道的出現(xiàn)也許會給經(jīng)典信息論提供巨大的機會與挑戰(zhàn)，因為這種信道本質上就是在傳遞信息背后的“語義”氯庆。
深度學習的未來應用
一旦我們了解到了深度學習網(wǎng)絡的本質就是一種重度、高通量的意義鏈接器扰付，那么我們就不難張開我們的想象翅膀堤撵，創(chuàng)造出各式各樣的應用。
深度學習應用矩陣
首先羽莺，讓我們考慮通訊的兩端都是人的情況实昨。人作為一種復雜系統(tǒng)，既是一個高通量的信息源盐固，又是一個需要消耗大量信息的信息匯荒给，每時每刻人都在吞吐著大量的信息，所以深度學習神經(jīng)網(wǎng)絡這種鏈接器非常適合成為一種人機交互界面刁卜。
例如志电，Andrei Cheremskoy就系統(tǒng)性地研究了深度學習的應用，并提出了一套稱為組合矩陣的方法蛔趴。他將人類能夠傳達挑辆、感受的信息，分成了聽覺孝情、視覺鱼蝉、運動和符號幾種模態(tài)，而每一種模態(tài)又可以根據(jù)發(fā)送和接受分成生成器和識別器兩種箫荡。這樣魁亦，我們可以把所有這些模態(tài)以及所有的發(fā)送、接收方式列出來形成下列的矩陣羔挡。除了涂灰的對角線洁奈，我們可以將任意兩項組合在一起而得到一種應用。例如绞灼，當我們組合Speech generator（語音生成）和Speech recognizer（語音識別）的時候睬魂，我們就可以得到“彩云小譯”這款應用，它相當于一個同聲傳譯镀赌。當我們將Image recognizer（圖像識別）和Natural language generator（自然語言生成）組合在一起之后氯哮，就可以得到看圖說話的應用。當我們將Motion recognizer（運動識別）和Speech generator（語音生成）組合在一起之后，就可以得到給無聲電影配音這樣的深度學習應用（參見：http://machinelearningmastery.com/inspirational-applications-deep-learning/）喉钢。當然姆打，有些組合表面上看起來可能并沒有太大的意義，比如Natural language generator和Image generator組合在一起可能會創(chuàng)造出一種由機器生成的語言肠虽，然后再根據(jù)這種語言生成一張圖片的應用幔戏，然而不知道它有何作用。有關組合矩陣的更多詳情請參考（https://www.javacodegeeks.com/2016/11/systematic-approach-applications-deep-learning.html）税课。
形態(tài)矩陣
進一步闲延，我們知道人類有眼韩玩、耳垒玲、鼻、舌找颓、身這五種感官合愈，不同感官也會創(chuàng)造出更多有意思的深度學習應用。Andrei Cheremskoy又提出了形態(tài)矩陣（Morphological Matrix）击狮，用以描述每一種信息模態(tài)下的可能應用方式佛析。
如上圖所示，每一列表示一種信息模態(tài)彪蓬，每一行對應了一種信息呈現(xiàn)方式寸莫。例如，對于聽覺這個模態(tài)來講档冬，它可以呈現(xiàn)為語音储狭、音樂和聲波這三種可能的呈現(xiàn)方式。每一種方式又可以分為識別和生成這兩種任務捣郊，這便形成了形態(tài)矩陣辽狈。我們將表中的任意兩項組合在一起就可創(chuàng)造出一個組合矩陣中的項，所以形態(tài)矩陣可以生成組合矩陣呛牲，進而大大豐富深度學習的應用范圍刮萌。
值得注意的是圖中打著問號的幾項，味覺娘扩、嗅覺和觸覺以及未知的模態(tài)着茸，人們尚沒有開發(fā)出這種感官的識別或者生成算法，但有可能蘊含著非常有意思的應用琐旁。
例如涮阔，如果我們開發(fā)出了一種嗅覺傳感器，可以通過分析物體周圍空氣的分子成分而識別出這種東西的屬性灰殴，那么人工鼻子就會出現(xiàn)敬特，而且嗅覺甚至可以比人類更靈敏。目前，這種電子鼻子已經(jīng)應用到了潛艇故障檢測之中伟阔。我相信辣之，配備了深度學習算法和大數(shù)據(jù)后，電子鼻可以超越警犬來進行刑偵斷案皱炉。
沿著這個思路怀估，我們可以想到，更有意思的應用也許在于氣味生成器合搅。比如多搀，它可以將一段音樂轉化成某種氣味，從而讓我們用嗅覺來去享受音樂灾部。這也可以幫助聾啞人“嗅”到周圍的聲音康铭。
另一方面，觸覺也是一塊遠沒有被開墾的處女地梳猪。我們知道，我們的皮膚每時每刻都在接受大量的外界信息蒸痹，因為巨量的分子每時每刻都在撞擊著我們皮膚上的表皮細胞春弥。只不過，這么大量的信息并沒有輸入到我們的頭腦意識之中叠荠。有的時候匿沛，我們處于某地就會覺得莫名的不舒服，那很有可能就是表皮細胞接受到了一些難以名狀的信息讓我們產(chǎn)生了這樣的感覺榛鼎。深度學習網(wǎng)絡是否可以開發(fā)出這樣特殊的信道呢逃呼？我們將在AI視野系列后面的文章中對這個問題進行詳細描述。
通感裝置
前面提到的應用還僅限于人和人之間的溝通者娱，我們開發(fā)的是人類的眼抡笼、耳、鼻黄鳍、舌推姻、身等信號通道，但實際上一旦深度學習技術成熟之后就不一定局限于此框沟。比如藏古，我們可以讓信息的一端輸入一個復雜系統(tǒng)的狀態(tài)，比如股票市場忍燥；另一端是我們?nèi)祟惸軌蚋兄男盘柾ǖ琅≡危敲次覀兙涂梢酝ㄟ^深度神經(jīng)網(wǎng)絡將兩端連接在一起，從而做到通感梅垄，也就是我們可以聽到股市的歌聲厂捞；或者“嗅到”一個在線社區(qū)的“情緒”。
具體地，假如一個神經(jīng)網(wǎng)絡的輸入端是股市大盤上千支股票的價格波動蔫敲，另一端則對應了一段優(yōu)美的音樂饲嗽，這樣經(jīng)過深度學習，網(wǎng)絡可以得到從價格波動到音樂之間的映射奈嘿。我們就可以用聽的方式來了解股票市場的整體情況了貌虾。比如，當大盤瘋狂下跌的時候裙犹，它會播放悲壯的曲子尽狠，當大盤走高的時候，它會生成令人亢奮的進行曲叶圃。運用這樣的重鏈接袄膏、高通量的語義通道，我們能夠獲得通感的能力掺冠，去感受復雜系統(tǒng)沉馆。下圖展示了這種聆聽股市的裝置的信息流。我們可以通過強化學習的方式訓練生成音樂的網(wǎng)絡和音樂情緒識別的網(wǎng)絡德崭，從而找到適合每個人的股市音樂斥黑。
萬物沉浸
我們還可以仿照這種方法建立物與物之間的深度通信。例如眉厨，我們可以訓練一個神經(jīng)網(wǎng)絡锌奴，將天氣狀態(tài)映射為智能客廳中的家具擺放狀態(tài)，于是我的房間就會根據(jù)天氣的不同而呈現(xiàn)出不同的家具擺放模式憾股。這樣鹿蜀，房間就會在不同的季節(jié)得到一個讓人感覺最舒適的布局，所有這一切都不需要工程師的設計服球，而是神經(jīng)網(wǎng)絡自動學習得到的茴恰。
在心理學領域中有一個沉浸的概念，它是指當人與外界事物的通訊信息量非常大的時候斩熊，人就會進入心流狀態(tài)琐簇，從而沉浸到了這個事物之中。當深度學習網(wǎng)絡作為鏈接器橫跨在大量系統(tǒng)之間的時候座享，不同系統(tǒng)之間就彼此沉浸其中婉商，從而使得整個系統(tǒng)表現(xiàn)得更像一個整體≡眩總之丈秩，當深度學習鏈接器普遍存在的時候，萬物（或者至少是人造物）之間的隔閡和邊界也將會越來越模糊淳衙。
尾聲
有人說機器學習蘑秽、神經(jīng)網(wǎng)絡的本質就在于預測饺著，這本沒有錯，我們的確可以用深度學習來做預測肠牲。但是幼衰，站在全局層面看，深度學習的預測作用還非常有限缀雳。但是當各種深度學習芯片鋪天蓋地地進入市場的時候渡嚣，神經(jīng)網(wǎng)絡的高通、重度肥印、語義鏈接屬性就會變得越來越重要识椰。
在這種情況下，修建高通量通道將會變得可能深碱，人與人腹鹉、人與物，以及物與物之間的聯(lián)系將會變得更加緊密敷硅、更加深入功咒，整個世界也將會在更深的層面相互連接形成一個整體，這就是本篇文章所要傳達的觀點绞蹦。
然而力奋，這還僅僅是人工智能革命的開始。正如當年互聯(lián)網(wǎng)讓鏈接萬物的能力迅速普及到我們的生活坦辟，人類社會就會發(fā)生天翻地覆的變化一樣刊侯，當重度章办、高通锉走、語義鏈接器普及到各個角落的時候，人類乃至整個地球必然也會發(fā)生更巨大的變化藕届。更多詳情挪蹭，請您繼續(xù)關注我們的AI視野系列文章。
當然休偶，在當今重要的深度學習革命中梁厉，還有一個方面我沒有涉及，這就是AlphaGo中使用的深度強化學習踏兜。該算法顯然是一項重大的突破词顾，它將古老的強化學習和深度學習聯(lián)合了起來。
該算法顯然是一項重大的突破碱妆，它將古老的強化學習和深度學習聯(lián)合了起來肉盹。然而，這種應用與本文討論的內(nèi)容卻并不兼容疹尾，關于這一點上忍，我會另文詳述骤肛。
關于深度學習?
http://campus.swarma.org/vdetail=10136？src=2
關于機器翻譯課程：
http://campus.swarma.org/gcou=10062?src=2
搜索公眾號：集智俱樂部
加入“沒有圍墻的研究所”
讓蘋果砸得更猛烈些吧窍蓝！
