? ? ? ? 人工智能和機器學習概念目前在各種場合被頻頻提到，移動互聯(lián)網(wǎng)時代后的未來被預測為人工智能時代，那么人工智能的前世今生是怎樣的阵谚，到底會給我們的未來帶來什么呢？為了弄清這個問題烟具，我們可以簡單回顧一下人工智能的發(fā)展歷史梢什。
? ? ? ? 其實，人工智能可以追溯到很久以前的年代朝聋。在圖靈的時代嗡午，科學家就試圖通過模擬人的意識和思維來處理人類才能完成的復雜任務，并提出圖靈測試檢測機器是否具有真正的“智慧”冀痕。隨著計算機被發(fā)明荔睹，信息存儲和處理問題被解決，人工智能有了落地的可能金度。1956年在達特茅斯會議上应媚，人工智能的概念被明斯基明確提出，使用的正是由神經(jīng)學家提出的神經(jīng)網(wǎng)絡數(shù)據(jù)模型猜极，并在此次完善了匹配的編程語言中姜，將實現(xiàn)推向更具有現(xiàn)實意義的發(fā)展方向。
??????? 神經(jīng)網(wǎng)絡本質(zhì)是神經(jīng)元之間的作用與反饋跟伏，是人類思維的基礎丢胚，模擬大腦是長時間以來人工智能的主要思路。兩年后受扳，計算機科學家羅森布拉特提出感知機的概念携龟，即兩層神經(jīng)元組成的最簡單的神經(jīng)網(wǎng)絡，并用來進行數(shù)據(jù)二分類勘高∠矿科學界迎來了人工智能的第一縷曙光坟桅，更多人開始關注并投身于此。然而人工智能并沒有變得大熱蕊蝗，明斯基在1969年在其著作中證明感知器只能處理線性分類問題仅乓，連簡單的異或問題都無法正確分類。這個問題因而成為那一代人工智能領域?qū)W者繞不開的噩夢蓬戚。人工智能學科隨后一度作為最冷門的學科陷入了長達20年的停滯夸楣。
? ? ? ?直到1986年，杰弗里·辛頓提出反向傳播算法子漩，打破了人工智能萬古長夜的局面豫喧。該方法有效解決了非線性分類問題的局限性，并廣泛用于多層神經(jīng)網(wǎng)絡結構中幢泼，由此帶來了深度學習的熱潮紧显。為了得到高精度的結果，網(wǎng)絡結構不斷加深旭绒，隨著層數(shù)加深鸟妙，深層結構會逐漸喪失對于前層的有效學習焦人，反向傳播算法中的梯度消失問題變得不可忽視挥吵。不少人開始轉(zhuǎn)向淺層的機器學習方法來解決實際問題。直到2006年花椭，杰弗里·辛頓提出了梯度消失的解決方案忽匈，才重啟了深度學習的熱潮。同時這股熱潮開始從學術界席卷工業(yè)界矿辽，越來越多的公司和機構開始將其應用到語音識別和圖像分類等領域丹允。正是在這些領域，深度學習方法開始展現(xiàn)出顯著優(yōu)于傳統(tǒng)淺層機器學習方法的優(yōu)勢袋倔。2012年之后雕蔽，各種神經(jīng)網(wǎng)絡結構和調(diào)優(yōu)方法的提出使深度學習性能得到了大幅提升，但即使算法和算力不斷加強宾娜，深度學習動輒幾十個小時的訓練和海量的訓練數(shù)據(jù)要求還是把很多人拒之門外批狐。
? ? ? ?為了解決向訓練數(shù)據(jù)少的領域遷移問題，遷移學習應運而生前塔，它解決了將原領域?qū)W習到的東西遷移到目標領域的問題嚣艇，并有效利用已經(jīng)習得的模型參數(shù)，大大縮短了模型訓練時間华弓，被認為是人工智能算法的未來食零。
??????? 人工智能學科經(jīng)過長期沉淀和發(fā)展，相關的算法已經(jīng)具備了解決各種復雜問題的能力寂屏，以最低的成本使用深度學習神經(jīng)網(wǎng)絡解決各個細分領域的問題成了人工智能爆發(fā)期的關鍵贰谣。人工智能給人類帶來的深刻變革是接下來時間里大概率發(fā)生的事娜搂。正如互聯(lián)網(wǎng)+的模式改變了我們衣食住行的各個方面，未來AI+的模式一定也會以同樣的方式席卷各個行業(yè)的細分領域吱抚，車聯(lián)網(wǎng)涌攻、家電領域、醫(yī)療频伤、農(nóng)業(yè)恳谎、制造業(yè)等行業(yè)都需要更加精準的模式幫助人類處理復雜任務。
? ? ? ?華為機器學習服務基于這樣的理念推出自定義模型服務憋肖，它采用遷移學習的方法幫助開發(fā)者輕松定義自己的模型因痛，只需要準備少量領域數(shù)據(jù)，就可以獲取領域模型岸更，大大降低了深度學習的門檻鸵膏。相信未來，人工智能不再僅僅作為少數(shù)人的工具怎炊，而是可以應用于各行各業(yè)谭企，給人類社會的方方面面帶來更加智能、更加個性化的體驗评肆。
