AI只是一門技術(shù)的概念，最終還是要靠各種具體技術(shù)來實現(xiàn)，機器學(xué)習(xí)(Machine Learning)就是其中之一。深度學(xué)習(xí)(Deep Learning)是一種實現(xiàn)ML的技術(shù)，

作者：harbor來源：企業(yè)網(wǎng)D1Net|2018-05-11 14:34

人工智能(Artificial Intelligence)，英文縮寫為AI。AI是一門讓機器變得智能的科學(xué)研究，讓機器像人類一樣具備解決某些特定問題的能力。其實，AI可不是什么新事物，早在上世紀(jì)中葉就已經(jīng)誕生了。1950年，一位名叫馬文﹒明斯基的大四學(xué)生和同學(xué)一起建造了世界上第一臺神經(jīng)網(wǎng)絡(luò)計算機，被看作是人工智能的起點。馬文后來也被人稱為“人工智能之父”，從那時到現(xiàn)在已經(jīng)過了近70年。這些年AI技術(shù)一直不溫不火，偶爾出現(xiàn)一些吸引人的技術(shù)，很快就消失殆盡了。直到最近，AI又重新回到人們的視線里，而且獲得了幾乎所有互聯(lián)網(wǎng)大佬的青睞，將AI看作是未來技術(shù)發(fā)展的方向，并投入大量人力和資金去研究它。

AI之所以到現(xiàn)在才火爆起來是有原因的。早在70年前，計算機技術(shù)剛出現(xiàn)，計算能力和傳感器技術(shù)都不發(fā)達，AI的理念雖然先進，卻無實施的條件。眾所周知，讓機器具備學(xué)習(xí)的能力，要進行大量的學(xué)習(xí)計算，通過對已掌握的數(shù)據(jù)計算規(guī)律，從而知曉下一步該如何處理。甄別和計算數(shù)據(jù)的能力在70年前都不具備，所以AI技術(shù)的研究總是被擱淺。而現(xiàn)在則不同，云計算、虛擬化和大數(shù)據(jù)技術(shù)的出現(xiàn)，對數(shù)據(jù)的分析能力已經(jīng)很強，再加上計算能力的提升，海量數(shù)據(jù)的計算數(shù)秒內(nèi)就能完成，這給AI提供了良好的成長土壤，所以到了現(xiàn)在，AI不火都不行了。

AI只是一門技術(shù)的概念，最終還是要靠各種具體技術(shù)來實現(xiàn)，機器學(xué)習(xí)(Machine Learning)就是其中之一。ML使用算法分析數(shù)據(jù)，從中學(xué)習(xí)并做出推斷或預(yù)測。ML使用大量數(shù)據(jù)和算法來“訓(xùn)練”機器，由此讓機器學(xué)會如何去完成任務(wù)。比如在圖像識別中，一開始機器在識別事物的時候準(zhǔn)確率是比較差的，機器的表現(xiàn)帶有很大隨機性，但是經(jīng)過一段時間訓(xùn)練，隨著我們給機器看的圖像越來越多，機器的圖像識別準(zhǔn)確性會逐步提高。當(dāng)學(xué)習(xí)的圖片積累到一定數(shù)量的時候，我們可以對于某一種動物拍一張照片，這張照片是以前機器學(xué)習(xí)沒有看到的，但當(dāng)我們顯示這張照片，機器可以根據(jù)以往的經(jīng)驗準(zhǔn)確地識別出這是哪一種動物。ML背后的核心思想是，設(shè)計程序使得它可以在執(zhí)行的時候提升它在某任務(wù)上的能力，而不是有著固定行為的程序。ML包括多種問題定義，提供很多不同算法，能解決不同領(lǐng)域的各種問題，ML利用數(shù)據(jù)來解決簡單規(guī)則不能或者難以解決的問題，被廣泛應(yīng)用在了搜索引擎、無人駕駛、機器翻譯、醫(yī)療診斷、垃圾郵件過濾、玩游戲、人臉識別、數(shù)據(jù)匹配、信用評級和給圖片加濾鏡等任務(wù)中。

深度學(xué)習(xí)(Deep Learning)是一種實現(xiàn)ML的技術(shù)，是當(dāng)前AI技術(shù)中非?；鸬脑掝}，由Hinton等人于2006年提出，基于深度置信網(wǎng)絡(luò)提出非監(jiān)督貪心逐層訓(xùn)練算法。DL也稱為深度結(jié)構(gòu)學(xué)習(xí)，層次學(xué)習(xí)或者深度機器學(xué)習(xí)，是一類算法集合。DL利用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從大數(shù)據(jù)中學(xué)習(xí)現(xiàn)實世界中各類事物能直接用于計算機計算的表示形式，被認為是智能機器可能的“大腦結(jié)構(gòu)”。DL本身是神經(jīng)網(wǎng)絡(luò)算法的衍生，在圖像，語音等富媒體的分類和識別上取得了非常好的效果，所以各大研究機構(gòu)和公司都投入了大量人力來做相關(guān)研究和開發(fā)。DL重點在于如何快速地訓(xùn)練模型。通過DL，機器可以處理大量數(shù)據(jù)，識別復(fù)雜的模式，并提出深入的見解。DL有幾個有名的技術(shù)框架：tensorflow 谷歌、CNTK 微軟、Theano、caffe Berkeley、scikit-learn Python，AlphaGo就是使用了TensorFlow的杰出作品，AlphaGo 完虐李世乭，直接將DL帶火了。我們?nèi)粘５囊恍┩扑托侣勝徫锏?，都有DL的影子。之所以DL能火，最為主要的原因是準(zhǔn)確性，DL模式可以達到前所未有的精確度，有時甚至超過人類表現(xiàn)，讓人類都感覺到可怕，未來人類會不會被DL所創(chuàng)造的機器人打敗并消滅掉。如果是那樣，人類真的是搬起石頭砸自己的腳。其實，這種想法的人實屬多慮了，DL的學(xué)習(xí)能力的確可能超過人類大腦，但所有的學(xué)習(xí)能力都是人類賦予的，自然有控制的方法。

ML和DL都是AI的具體技術(shù)實現(xiàn)形式，但兩者區(qū)別明顯。DL是ML的技術(shù)之一，ML包含DL，但DL的技術(shù)更優(yōu)于ML，ML更是一種通用型的技術(shù)，包括決策樹、貝葉斯、支持向量機等算法，也包括神經(jīng)網(wǎng)絡(luò)算法。而DL深耕神經(jīng)網(wǎng)絡(luò)，是深度神經(jīng)網(wǎng)絡(luò)算法技術(shù)，包括深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)等。ML和DL都提供了訓(xùn)練模型和分類數(shù)據(jù)方法，但ML需要手動選擇圖像的相關(guān)特征，以訓(xùn)練機器學(xué)習(xí)模型，DL可以從圖像中自動提取相關(guān)功能，是一種端到端的學(xué)習(xí)，網(wǎng)絡(luò)被賦予原始數(shù)據(jù)和分類等任務(wù)并自動完成;如果沒有高性能GPU和標(biāo)記數(shù)據(jù)，那么ML和DL更具優(yōu)勢。這是因為DL通常比較復(fù)雜，就圖像而言可能需要幾千張圖才能獲得可靠的結(jié)果。高性能的GPU才能夠?qū)崿F(xiàn)快速計算，在建模上花更少時間來分析所有圖像，DL計算量更大;ML由手工設(shè)計特征決定學(xué)習(xí)效果，但是特征工程非常繁瑣，而DL能夠從大數(shù)據(jù)中自動學(xué)習(xí)特征;當(dāng)解決問題時，ML會將問題分解為多個子問題并逐個子問題解決，最后結(jié)合所有子問題的結(jié)果獲得最終結(jié)果，DL提倡直接的端到端解決問題。ML比較擅長分析維度較低，可解釋性很強的任務(wù)。DL擅長分析高維度的數(shù)據(jù)。比如圖像、語音等，兩者應(yīng)用的領(lǐng)域會有差別。

ML和DL是AI領(lǐng)域最先進的技術(shù)，尤其是DL，代表了當(dāng)今AI技術(shù)發(fā)展的方向，將有越來越多的產(chǎn)品采用DL技術(shù)，不過兩者應(yīng)用的領(lǐng)域不同，對于數(shù)據(jù)量較少，計算能力不高的領(lǐng)域，ML依然可以繼續(xù)發(fā)揮技術(shù)優(yōu)勢，兩種技術(shù)將長期同時存在著。