欧美成人精品手机在线观看_69视频国产_动漫精品第一页_日韩中文字幕网 - 日本欧美一区二区

編者按：過去 4 年，大家無疑已經注意到大范圍的日常技術在質量方面已經取得了巨大突破。這背后基本上都有深度學習的影子。到底什么是深度學習？深度學習是如何發展到今天的？這一路上它都經歷了哪些關鍵時刻？Roger Parloff 的這篇http://iphone.myzaker.com/zaker/l.php?u=http%3A%2F%2Ffortune.com%2Fai-artificial-intelligence-deep-machine-learning%2F&target=_new" target="_self">深度學習簡史可以讓我們全面了解。鑒于篇幅較長，我們分上下兩篇刊出，這是上篇。

過去 4 年，讀者無疑已經注意到大范圍的日常技術在質量方面已經取得了巨大突破。

其中最明顯就是我們智能手機上的語音識別，它的功能已經比過去好得多了。當我們用語音命令打電話給配偶時已經能聯系上對方了。因為接線的不是美國鐵路局或者一頭憤怒的公牛。

實際上，我們現在越來越只需跟計算機講話就能實現互動，對方也許是 Amazon 的 Alexa，蘋果的 Siri，微軟的 Cortana 或者 Google 的眾多語音響應功能。百度稱，過去 18 個月其客戶語音接口的使用量已經增至原來的 3 倍。

機器翻譯等其他形式的語言處理也變得更加令人信服，Google、微軟、Facebook 和百度每月都會 get √新的技能。Google 翻譯現在為 32 個語言對提供語音翻譯，為 103 種語言提供文本翻譯，其中不乏宿務語、伊博語、祖魯語等略微生僻的語言。Google 的收件箱現在已經為所有來信準備了 3 種回復。

然后還有圖像識別方面的進展。上述 4 家公司都有無需識別標簽即可讓你搜索或者自動組織相片集的功能。你可以要求把有狗、有雪的照片都顯示出來，甚至連擁抱這樣相當抽象的概念也難不倒它。這些公司還都在做類似的產品原型，可以在數秒鐘之內生成句子長度的照片描述。

想想吧。要想收集有狗的照片，app 必須識別很多種狗，從吉娃娃到德國牧羊犬，而且無論照片是倒置還是部分模糊，無論是在左邊還是右邊，不管是大霧還是下雪，是陽光普照還是在林蔭底下，app 都不應該識別不出小狗。與此同時還得排除掉狼和貓等。光靠像素的話這怎么可能做到呢？

http://zkres.myzaker.com/201610/57f5c66ea07aecc97a020953_640.jpg">

人工神經網絡如何識別照片中的小狗。1）訓練階段會提供大量帶標簽的各種動物圖像給神經網絡，讓后者學會進行分類；2）輸入：提供一張不帶標簽的圖片給經過訓練的神經網絡；3）第一層：神經元對不同的簡單形狀如邊緣進行響應；4）更高層：神經元對更復雜的結構進行響應；5）頂層：神經元對我們會識別為不同動物的高度復雜、抽象的概念進行響應。

圖像識別的進展遠不僅限于那些看起來很酷的社交 app 上。醫療初創企業宣布它們很快就可以用計算機來讀 X 光片、MRI（核磁共振圖像）以及 CT 掃描，而且跟放射科醫生相比，它們不僅速度更快結果還更加精確，可以更早創傷更少地診斷癌癥，并且加速拯救生命的藥物的尋找工作。更好的圖像識別對于機器人學、無人機以及無人車（福特、Tesla、Uber、百度、Google 等都在路測自己的無人車原型）等方面的技術改進至關重要。

但大多數沒有意識到的是，所有這些突破在本質上其實都是同一個突破。它們都是靠一組熱門人工智能技術取得的，這種技術的名字叫做深度學習，但大多數科學家更愿意用它最初的學術名稱：深度神經網絡。

神經網絡最引人矚目的點是計算機并沒有經過任何的人工編程即可實現上述功能。當然，實際上也沒有人能夠通過編程來實現那些功能。程序員只是給計算機提供了一種學習算法，讓它觀察上 TB 的數據——也就是訓練計算機，讓它自行找出如何識別所需對象、單詞或者句子的辦法。

簡而言之，現在這些計算機可以自學了。Nvidia CEO 黃仁勛說："基本上這相當于寫軟件的軟件。" Nvidia 是圖形處理器的市場領導，在 5 年前開始大規模押注于深度學習。

神經網絡并不是什么新事物。這一概念最早可以追溯到 1950 年代，而許多的關鍵算法突破試著 1980 年代和 1990 年代才取得的。變的是現在的計算機科學家終于有了海量的計算能力，以及龐大的數據倉庫——互聯網上充斥著各種圖像、視頻、音頻以及文本文件——結果表明，這些東西對于跑好神經網絡必不可少。VC 機構 A16Z 的合伙人 Frank Chen 說："這就是深度學習的寒武紀大爆發。"他用大部分較為高等的動物突然出現的地質時代來類比深度學習取得的進展。

這一飛速發展激發了一系列活動爆發。據 CB Insughts 的數據，上季度對 AI 初創企業的股權融資達到了 10 億美元的歷史新高。2016 年 Q2 共進行了 121 輪相關初創企業融資，相比之下 2011 年同期只有 21 起。在此期間，AI 方面的投資超過了 75 億美元——其中超過 601 億美元是 2014 年以來進行的。（9 月末，AI 的 5 大巨頭—— Amazon、Faebook、Google、IBM 以及微軟成立了http://iphone.myzaker.com/zaker/l.php?u=http%3A%2F%2F36kr.com%2Fp%2F5053809.html&target=_new" target="_self">非盈利的 AI 組織，旨在推動公眾對該話題的理解，并就相關的道德和最佳實踐開展研究）

2012 年時 Google 開展的深度學習項目只有 2 個。據一位發言人表示，現在它正在推進的相關項目已超過 1000 個，涵括了包括搜索、Android、Gmail、翻譯、地圖、YouTube 以及無人車在內的所有主流產品范疇。IBM 的 Watson 也應用 AI，但它 2011 年擊敗兩位 Jeopardy 智力競賽人類冠軍時用的不是深度學習。不過據 Watson CTO Rob High 說，現在 Watson 幾乎所有 30 項服務都已經增加了深度學習能力。

5 年前幾乎還不知道深度學習是什么的 VC，現在個個對沒有這項技能的初創企業都非常謹慎。Chen 觀察到："我們已經處在這樣一個時代，即開發復雜軟件應用已經成為必須。"他說大家很快就會需要軟件這樣："‘你的自然語言處理版（軟件）在哪里？’‘我怎么才能跟你的 app 對話？因為我不想通過菜單點擊。’"

一些公司已經在把深度學習集成進自己的日常流程當中。微軟研究院負責人 Peter Lee 說："我們的銷售團隊正在利用神經網絡推薦該聯絡哪一位潛在客戶，或者作出什么樣的產品推薦。"

硬件界已經感受到這種震動。讓所有這一切成為可能的計算能力發展不僅僅是得益于摩爾定律的延續，而且還有 2000 年代末 Nvidia 做出圖形處理器的幫忙——這種強大的芯片原本是為了給玩家提供豐富的 3D 視覺體驗——但大家意外發現，在深度學習計算方面，其效率要比傳統 CPU 高出 20 到 50 倍。今年 8 月，Nvidia 宣布其數據中心業務的季度收入與去年同比已經翻了一番多，達 1.51 億美元。其 CFO 告訴投資者"目前為止絕大部分增長來自于深度學習。"在時長 83 分鐘的電話會當中，"深度學習"這個詞就出現了 81 次。

芯片巨頭英特爾也沒有閑著。過去 2 個月它一口氣（以超過 4 億美元）收購了 Nervana Systems 和 Movidius（價格未披露），這兩家公司的技術都是針對不同階段的深度學習計算量身定制的。

至于 Google，今年 5 月，它披露了自己已經秘密采用自行設計的定制芯片 TPU（Tensor Processing Unit）一年多了，這種芯片正是給經深度學習訓練的應用使用的。（Tensor 是類似矩陣一樣的數組，在深度計算中往往要進行相乘運算）

的確，企業可能已經到達了另一個拐點。百度首席科學家吳恩達說："在過去，許多標普 500 強 CEO 希望自己能早點意識到互聯網戰略的重要性。我想從現在開始的今后 5 年也會有一些標普 500 強 CEO 后悔沒有早點思考自己的 AI 戰略。"

其實在吳恩達看來，互聯網這個比喻已經不足以形容 AI 及深度學習的隱含意義。他說："AI 就是新的電力。僅僅 100 年前電力變革了一個又一個行業，現在 AI 也會做同樣的事情。"

可以把深度學習視為一個子集的子集。"人工智能"涵括的技術范圍很廣——比如傳統的邏輯學、基于規則的系統——這些能幫助計算機和機器人至少用類似思考的方式解決問題。在這個領域里面還有一個更小一點的類別叫做機器學習，這是一整個神秘但又重要的數學技術工具箱的總稱，它可以幫助機器改進需要經驗的任務表現。最后，在機器學習這個門類當中還有一個更小的子集叫做深度學習。

吳恩達說，我們可以把深度學習看做是"從 A 到 B 的映射。你可以輸入一段音頻剪輯然后輸出腳本。這就是語音識別。"他強調，只要你有可以訓練軟件的數據，就有無限可能："你可以輸入電子郵件，而輸出可以是：這是否垃圾郵件嗎？"輸入貸款申請，輸出可能是目標客戶償還貸款的可能性。輸入車隊的使用模式，輸出可以是發車去到哪里的建議。

人工智能術語表

人工智能

AI 是個廣義概念，用于任何讓計算機模仿人類智能、利用邏輯、假定規則、決策樹以及機器學習（含深度學習）的技術

機器學習

含有深奧的統計技術的 AI 子集。這種統計技術可讓機器改進需要經驗的任務。深度學習屬于機器學習。

深度學習

機器學習子集包括了讓軟件可以訓練自己執行任務（如云和圖像識別）的算法，手段是讓多層神經網絡接受海量數據。

在這樣的愿景下，深度學習幾乎可以變革任何行業。Google Brain 項目負責人 Jeff Dean 說："將會發生的根本性改變是現在計算機視覺真正可以工作了。"或者用他的話說："現在計算機已經睜開了它們的眼睛。"

這是否意味著是時候擁抱"奇點"了呢？（所謂奇點是指這樣的一個假設時刻，到那時超智機器將可以在無需人類干預的情況下自我改進，從而引發一個逃逸周期，導致進化緩慢的人類被拋開得越來越遠，產生恐怖的后果）

還沒有。神經網絡擅長模式識別——有時候表現得跟我們人類一樣好甚至更佳。但它們不懂推理。

即將發生的革命的第一個火花是在 2009 年開始閃爍的。那年夏天，微軟研究院邀請了神經網絡先驅，多倫多大學的 Geoffrey Hinton 前往參觀。由于對他的研究感到印象深刻，Lee 的團隊開始試驗用神經網絡進行語音識別。Lee 說："我們被結果驚到了。我們用非常早期的原型就實現了精確度提高 30%。"

據 Lee 說，2011 年，微軟把深度學習技術引入到自己的商用語音識別產品上。2012 年，Google 開始跟進。

但是真正的轉折點發生了 2012 年 10 月。在意大利佛羅倫薩的一場研討會上，斯坦福 AI 實驗室負責人，著名的計算機視覺競賽 ImageNet 創始人李飛飛宣布，Hinton 的兩位學生已經發明了一種軟件，這種軟件識別對象的精確率幾乎是最接近對手的 2 倍。Hinton 認為"這是一個非常驚人的結果，令此前許多對此表示質疑的人都信服了。"（去年的競賽上一家深度學習的參賽選手已經超越了人的識別率。）

攻破圖像識別打響第一槍，這激起了一場人才爭奪戰。Google 把 Hinton 和贏得那場競賽的兩名學生都請了過來。Facebook 簽下了法國的深度學習創新者 Yann LeCun，他在 1980 年代和 1990 年代是贏得 ImageNet 競賽的某種算法的先驅。而百度則搶下了吳恩達。吳曾是前斯坦福 AI 實驗室的負責人，2010 年曾幫助推出并領導了以深度學習為核心的 Google Brain 項目。

此后這場人才爭奪戰開始變本加厲。微軟研究院的 Lee 說，今天"這個領域正在上演一場搶奪人才的血腥戰爭。"他說這方面頂級人才的報價"堪比一線的 NFL 選手。"

現年 68 歲的 Geoffrey Hinton 是在 1972 年的時候第一次聽說神經網絡的，當時他正在愛丁堡大學做人工智能方向的畢業設計。在劍橋大學學習了實驗心理學之后，Hinton 開始狂熱地戀上了神經網絡，這是一種靈感源自大腦神經元工作方式的軟件設計。在當時，神經網絡還沒有得寵。他說："每個人都認為這種想法瘋了。"但 Hinton 仍然堅持他的努力。

神經網絡有望讓計算機像小孩一樣從經驗而不是通過人工定制編程的繁雜指令來學習。他回憶道："那時候大部分的 AI 都是邏輯啟發的。但邏輯是大家很晚才學會的東西。2、3 歲的小孩是不懂邏輯的。所以在我看來，就智能的工作方式而言，相對于邏輯，神經網絡是一種要好得多的范式。"

在 1950 和 1960 年代，神經網絡在計算機科學家當中非常流行。1958 年，康奈爾大學心理研究學家 Frank Rosenblatt 在一個項目中首次搭建了神經網絡原型，他把這個得到海軍資助的項目叫做 Perceptron。項目使用的穿孔卡片計算機體型巨大，占滿了整整一個房子。經過 50 次試驗之后，它學會了區分在左右側做記號的卡片。當時的《紐約時報》是這么報道此事的："海軍披露了一臺電子計算機的雛形，將來這臺計算機預期可以走路、說話、寫字以及復制自己，并且能意識到自己的存在。"

結果證明，軟件只有一層神經元式節點的 Perceptron 能力有限。但是研究人員認為，如果是多層，或者叫做深度神經網絡的話就可以實現更多的東西。

1958 至 1986，深度學習的關鍵時刻：1）1958 年，Frank Rosenblatt 披露了單層神經網絡 Perceptron 2）1969 年，AI 大牛，MIT 的 Marvin Minsky 合著了一本書，對神經網絡的可行性提出質疑，神經網絡開始失寵。 3）1986 年，神經網絡先驅 Geoffrey Hinton 等人找到了訓練多層神經網絡糾正錯誤的辦法，重新點燃了業界對此的熱情。

http://iphone.myzaker.com/zaker/l.php?u=http%3A%2F%2F36kr.com%2Fp%2F5054042.html&target=_new" target="_self">人工智能革命：為什么深度學習會突然改變你的生活？（下）