深度學(xué)習(xí)：人工智能進(jìn)入應(yīng)用階段
2017-03-31 09:16:35 來源：上海證券報(bào) 熱度:
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，其過程是建立和模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，從而模仿人腦的機(jī)制來讀取和分析數(shù)據(jù)。深度學(xué)習(xí)被視為當(dāng)前最接近人工智能的機(jī)器學(xué)習(xí)方法。
2016年初，采用神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的AlphaGo戰(zhàn)勝人類圍棋高手，2016年末2017年初，化名Master的AlphaGo在網(wǎng)絡(luò)平臺(tái)上橫掃中日韓棋壇，取得60連勝輝煌戰(zhàn)績。
在AlphaGo之前，深度學(xué)習(xí)已開始應(yīng)用于圖像、聲音和文本的識(shí)別以及機(jī)器翻譯。在人工智能被提出半個(gè)世紀(jì)之后，人們終于看到了人工智能進(jìn)入應(yīng)用階段的曙光。
從人機(jī)大戰(zhàn)說起
從體力上看，機(jī)器早早就超過人類，但驕傲的人類覺得在智力上更勝一籌。這種情況似乎正在發(fā)生變化，在人機(jī)智力對(duì)抗中，人類開始處于下風(fēng)。
第一回合：人類險(xiǎn)勝
人與計(jì)算機(jī)的對(duì)抗可以上溯至20世紀(jì)70年代，最早是計(jì)算機(jī)技術(shù)人員在實(shí)驗(yàn)室一種休閑娛樂。隨著計(jì)算機(jī)速度的不斷提高，在整個(gè)20世紀(jì)80年代和90年代的家用電視游戲機(jī)和電腦游戲中都有很多與電腦對(duì)抗的棋牌游戲，普通玩家和計(jì)算機(jī)的對(duì)決有輸有贏，而在職業(yè)選手或者業(yè)余高手面前，虛擬對(duì)手不堪一擊。
1996年2月，由IBM開發(fā)的超級(jí)電腦深藍(lán)（Deep Blue）挑戰(zhàn)國際象棋世界冠軍卡斯帕羅夫，在經(jīng)過7天的比賽之后，深藍(lán)以2:4告負(fù)。這是歷史上第一次由人工智能挑戰(zhàn)世界頂級(jí)棋類選手，深藍(lán)輸了比賽卻引起全球?qū)θ斯ぶ悄馨l(fā)展的高度關(guān)注，這臺(tái)冷冰冰的機(jī)器在比賽中并沒有讓世界冠軍好受，卡斯帕羅夫雖然最終贏得比賽，但也宣告了人機(jī)對(duì)抗中人類勝利的歷史的結(jié)束。
第二回合：人類完敗
1996年到2016年的二十年，人類與機(jī)器之間進(jìn)行了三次標(biāo)志性的競賽，均已人類失敗告終。
1997年，IBM深藍(lán)再次挑戰(zhàn)卡斯帕羅夫，雖然離上一次比賽僅僅一年的時(shí)間，但世界冠軍這次招架不住了。最終，深藍(lán)以3.5:2.5贏得比賽，成為首個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗國際象棋世界冠軍的電腦系統(tǒng)，同時(shí)也標(biāo)志著人機(jī)智力對(duì)抗中，機(jī)器已經(jīng)實(shí)現(xiàn)逆轉(zhuǎn)。
2011年，IBM開發(fā)的由90臺(tái)Power 750服務(wù)器組成的集成服務(wù)器沃森（Watson）參加了美國著名綜藝答題節(jié)目《危險(xiǎn)邊緣》。在三天的比賽里，沃森最終擊敗最高獎(jiǎng)金得主魯特爾和連勝紀(jì)錄保持者詹寧斯，獲得了100萬美元的獎(jiǎng)金。這是人工智能在綜藝節(jié)目上第一次擊敗人類選手獲得最高獎(jiǎng)金。相對(duì)于深藍(lán)，沃森需要處理的信息更加復(fù)雜，在一些提示信息相對(duì)較少的問題面前表現(xiàn)確實(shí)不如人類，但是依靠強(qiáng)大數(shù)據(jù)處理能力和運(yùn)算速度上的優(yōu)勢，人類冠軍最終不敵沃森。
如果說1997年深藍(lán)的勝利和2011年沃森的勝利主要依靠機(jī)器高速的運(yùn)算能力，人類仍然在模糊數(shù)據(jù)識(shí)別和處理、交流、情感表達(dá)等方面勝過機(jī)器，特別是，人類的學(xué)習(xí)能力仍然是機(jī)器難以掌握的技能。然而到2016年，這一切都發(fā)生了改變。2016年伊始，谷歌宣布其倫敦子公司DeepMind開發(fā)的AlphaGo機(jī)器人以5:0大勝歐洲圍棋冠軍樊麾，隨后又以4:1比分戰(zhàn)勝世界冠軍韓國圍棋國手李世石。
從2016年底開始，谷歌給世界開了個(gè)一個(gè)大玩笑，AlphGo化名Master在圍棋網(wǎng)絡(luò)平臺(tái)上所向披靡，將中日韓的一個(gè)個(gè)頂尖棋手?jǐn)赜隈R下，取得了60連勝輝煌戰(zhàn)果。圍棋是迄今為止最復(fù)雜的棋類游戲，如果機(jī)器能夠在圍棋上戰(zhàn)勝人類頂尖選手則意味著至少在棋類游戲上實(shí)現(xiàn)了對(duì)人類的全面超越。
加入神經(jīng)網(wǎng)絡(luò)的AlphaGo與前輩深藍(lán)、沃森的顯著區(qū)別是：深藍(lán)和沃森都是“教”出來的，IBM的設(shè)計(jì)員和程序員們從國際象棋大師那里獲得象棋的各種信息，通過一系列算法提煉出特定的規(guī)律，再通過預(yù)編程灌輸給深藍(lán)；沃森也是通過預(yù)先設(shè)置的邏輯運(yùn)算理解題目含義并給出可能正確的答案。
相比較，AlphaGo是自己“學(xué)”出來的——DeepMind的程序員為它灌輸?shù)牟皇沁壿嬕?guī)則和方法，而是模擬人腦的學(xué)習(xí)能力，AlphaGo通過自己不斷的訓(xùn)練和研究學(xué)會(huì)圍棋并掌握各種技巧，在比賽中也是根據(jù)對(duì)手的棋路判斷最優(yōu)的策略，這一過程和人類學(xué)習(xí)圍棋并成為高手是相同的。
第三回合：休戰(zhàn)、共贏
今后，人與機(jī)器的比賽還會(huì)以更加喜聞樂見的形式出現(xiàn)在各種場合，但AlphaGo已經(jīng)讓絕大多數(shù)人認(rèn)識(shí)到人工智能時(shí)代即將到來，以及承認(rèn)機(jī)器終將超越人類智慧的現(xiàn)實(shí)，人與機(jī)器之間不需要再繼續(xù)比賽，合作才是人與機(jī)器關(guān)系的未來。
無論是深藍(lán)、沃森還是AlphaGo，其研發(fā)的目的遠(yuǎn)不止贏得一場比賽。IBM早將深藍(lán)和沃森系統(tǒng)應(yīng)用于藥物研發(fā)、金融風(fēng)險(xiǎn)計(jì)算等領(lǐng)域。至于輸給深藍(lán)的卡斯帕羅夫，并沒有因?yàn)槭《货瓴徽瘢髞硭帜孟铝藥缀跛兄麌H象棋比賽的冠軍，最后退出國際象棋界后又進(jìn)軍政界。輸給AlphaGo的李世石人氣大漲，參加各種訪談和綜藝節(jié)目，圍棋在韓國年輕人中進(jìn)一步升溫。人機(jī)大戰(zhàn)在比分上表現(xiàn)為人類的完敗，但最終的結(jié)果是大家都從中獲利。
計(jì)算機(jī)怎樣思考：控制派vs仿生派
AlphaGo與深藍(lán)、沃森的區(qū)別是采用了神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了深度學(xué)習(xí)。那么神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)到底是什么？它們的出現(xiàn)對(duì)計(jì)算機(jī)和人工智能的發(fā)展到底起到了多大的作用呢？
要了解計(jì)算機(jī)怎樣思考，不得不提到人工智能之父——阿蘭·麥席森·圖靈，這位生于20世紀(jì)初，直到42歲英年早逝時(shí)也沒有看到一臺(tái)真正意義上計(jì)算機(jī)的數(shù)學(xué)天才，提出了著名的“圖靈實(shí)驗(yàn)”，即如果第三者無法辨別人類與人工智能機(jī)器反應(yīng)的差別，則可以論斷該機(jī)器具備人工智能。
圖靈之后，對(duì)人工智能的研究分化為兩大派別：一是強(qiáng)調(diào)思路模擬的控制派；二是強(qiáng)調(diào)自我意識(shí)的仿生派。簡單而言，控制派認(rèn)為人工智能就如同一個(gè)專家會(huì)議，希望通過完美無缺的邏輯來實(shí)現(xiàn)思考；而仿生派認(rèn)為人工智能就是人腦，人腦怎樣思考，計(jì)算機(jī)大腦就怎么思考。
1948年，美國應(yīng)用數(shù)學(xué)家諾伯特·維納的著作《控制論》出版，他開啟的控制論（cybernetics）被稱作20世紀(jì)最偉大的科學(xué)成就之一，同時(shí)也被尊為人工智能中控制派的鼻祖。維納的學(xué)生邁克爾·阿比卜出版了控制論的科普讀物《大腦、機(jī)器和數(shù)學(xué)》，并隨后創(chuàng)辦了麻省理工大學(xué)計(jì)算機(jī)系。
1951年，后來獲得第一屆圖靈獎(jiǎng)的美國科學(xué)家馬文·明斯基創(chuàng)造了一臺(tái)學(xué)習(xí)機(jī)——Snare，從中發(fā)現(xiàn)了在當(dāng)時(shí)看來神經(jīng)網(wǎng)絡(luò)致命的弱點(diǎn)。明斯基的另一個(gè)重大貢獻(xiàn)是與另兩位在計(jì)算機(jī)領(lǐng)域聲名顯赫的人物——麥卡錫、香農(nóng)創(chuàng)辦了第一個(gè)人工智能學(xué)術(shù)性團(tuán)體“達(dá)特茅斯會(huì)議”。2016年初，明斯基去世，享年89歲，三天以后，谷歌宣布采用深度學(xué)習(xí)的AlphaGo戰(zhàn)勝歐洲圍棋冠軍。
如果要追溯仿生派的起源，則早在圖靈實(shí)驗(yàn)提出之前的1943年，美國科學(xué)家麥卡洛可和皮茨就發(fā)表了模擬神經(jīng)網(wǎng)絡(luò)的論文。1949年，加拿大心理學(xué)家赫布提出了著名的“赫布理論”，即突觸前神經(jīng)元向突觸后神經(jīng)元的持續(xù)重復(fù)的刺激可以導(dǎo)致突觸傳遞效能的增加，這一理論直到2000年才在動(dòng)物實(shí)驗(yàn)中被證實(shí)。1958年，美國實(shí)驗(yàn)心靈學(xué)家羅森布拉特在計(jì)算機(jī)上成功模擬了被稱為“感知機(jī)”的神經(jīng)網(wǎng)絡(luò)模型。感知機(jī)能夠處理一些簡單的視覺信號(hào)，雖然還非常粗糙和初級(jí)，但可以說第一次實(shí)現(xiàn)了對(duì)人腦的成功模擬。
可惜的是，在羅森布拉特發(fā)明“感知機(jī)”后長達(dá)20多年的時(shí)間里，神經(jīng)科學(xué)和信息科學(xué)并沒有很好的結(jié)合，兩者各有成就，但仿生派始終不敵控制派。直到20世紀(jì)80年代，仿生派才進(jìn)入一個(gè)繁榮時(shí)期，其中以1982年霍普菲爾德提出了遞歸神經(jīng)網(wǎng)絡(luò)，和1986年魯姆哈特和麥克萊蘭提出了具有里程碑意義的BP神經(jīng)網(wǎng)絡(luò)為代表。
在20世紀(jì)90年代，互聯(lián)網(wǎng)興起和普及，大批計(jì)算機(jī)科學(xué)家投入到有巨大市場和經(jīng)濟(jì)效益的互聯(lián)網(wǎng)相關(guān)研究中，無論是控制派還是仿生派取得的成就都被互聯(lián)網(wǎng)的高速發(fā)展所掩蓋，當(dāng)然，互聯(lián)網(wǎng)作為新的信息技術(shù)手段也對(duì)人工智能的進(jìn)步提供了全新的平臺(tái)。
2006年，杰弗里·辛頓提出了反向傳播算法和對(duì)比散度算法，即“深度學(xué)習(xí)”，突破了明斯基在半個(gè)世紀(jì)前提出的神經(jīng)網(wǎng)絡(luò)存在的局限。2012年，斯坦福大學(xué)和谷歌秘密X實(shí)驗(yàn)室用1000臺(tái)計(jì)算機(jī)構(gòu)建了全球最大的電子模擬神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)擁有10億個(gè)連接的人工神經(jīng)網(wǎng)絡(luò)“谷歌大腦”。實(shí)驗(yàn)人員向神經(jīng)網(wǎng)絡(luò)展示1000萬斷（張）從YouTube上隨機(jī)提取的圖像，最后，系統(tǒng)在沒有任何外界干預(yù)的情況下，認(rèn)識(shí)到了“貓”是什么并成功分辨出貓的照片，準(zhǔn)確率超過80%，這一事件為人工智能發(fā)展翻開嶄新一頁，標(biāo)志著以“深度學(xué)習(xí)”為代表的人工智能發(fā)展即將進(jìn)入應(yīng)用階段。
開掛的機(jī)器學(xué)霸
要真正理解神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)的原理需要高深的生物學(xué)、數(shù)學(xué)和電子信息方面的知識(shí)，在很多專業(yè)性很強(qiáng)的書籍、文章中能找到答案。這里，我們希望通過簡單的語言對(duì)神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等相關(guān)概念進(jìn)行通俗易懂的描述。
1．對(duì)人腦的仿生：人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建
人腦的神經(jīng)元（神經(jīng)細(xì)胞）由三個(gè)主要部分組成：樹突負(fù)責(zé)信息的輸入、細(xì)胞體負(fù)責(zé)處理信息、軸突則負(fù)責(zé)處理后信息的輸出。當(dāng)神經(jīng)元接受到外界刺激時(shí)，經(jīng)過內(nèi)部的信息處理，將結(jié)果輸出，這個(gè)過程看起來非常簡單，但卻是人腦思維形成的最基本過程。如果將算法賦予電子元件（例如CPU），并通過信號(hào)通道將這些電子元件與傳感器、輸入設(shè)備以及相互之間進(jìn)行鏈接可以模擬出人腦的神經(jīng)網(wǎng)絡(luò)。計(jì)算機(jī)的硬件技術(shù)飛速發(fā)展，使得構(gòu)建大規(guī)模的人工神經(jīng)網(wǎng)絡(luò)成為可能，在未來出現(xiàn)能夠比擬甚至超過人腦的人工神經(jīng)網(wǎng)絡(luò)是完全有可能的。
以一個(gè)最簡單的對(duì)蘋果還是梨的判斷來說明神經(jīng)網(wǎng)絡(luò)工作的原理。顏色、形狀和氣味是判斷一個(gè)水果是蘋果還是梨所需要的最基本的特征，當(dāng)這些信息通過視覺、味覺或者傳感器進(jìn)入神經(jīng)元，人腦（或者電腦）根據(jù)以往的經(jīng)驗(yàn)，如果信息表現(xiàn)為紅色、圓形、蘋果味，那么最后的結(jié)果就是蘋果。
這個(gè)過程看起來非常簡單，但對(duì)于一個(gè)未加訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來說，發(fā)生錯(cuò)誤是難免的。例如，并不是所有的蘋果都是紅色，有的蘋果是黃色，和梨的顏色非常接近；有的梨的形狀和蘋果也很接近；嫁接的新品種蘋果梨到底算蘋果還是梨，等等。當(dāng)這些因素出現(xiàn)時(shí)，對(duì)人工神經(jīng)網(wǎng)絡(luò)來說是巨大考驗(yàn)，很容易給出錯(cuò)誤的答案。
如何減少上述情況出現(xiàn)導(dǎo)致的錯(cuò)誤呢，這就需要深度學(xué)習(xí)的幫助。
2．對(duì)學(xué)習(xí)的仿生：深度學(xué)習(xí)如何開展
在一系列殘酷的動(dòng)物實(shí)驗(yàn)之后，生物學(xué)家發(fā)現(xiàn)了人腦對(duì)外界刺激的識(shí)別是一個(gè)抽象和迭代的過程。例如，對(duì)一個(gè)靜止圖像的識(shí)別，最開始是對(duì)圖像主體物邊緣的識(shí)別，然后抽象到一些具體特征，最后才是對(duì)各種特征抽象和概念化以得到準(zhǔn)確的意義。這一生物學(xué)發(fā)現(xiàn)意義重大，促成了人工智能在21世紀(jì)有了突破性的發(fā)展。
如果人腦的工作原理是從“淺層”的識(shí)別開始的，并將淺層識(shí)別的結(jié)果作為更高一層識(shí)別的輸入信息，那么計(jì)算機(jī)搭建的人工神經(jīng)網(wǎng)絡(luò)是不是也可以仿效人腦進(jìn)行工作呢？答案是肯定的。1996年，康奈爾大學(xué)在收集的大量黑白風(fēng)景照片中每張隨機(jī)提取16 16像素的方格，然后從任意一張風(fēng)景照片中再提取一個(gè)16 16像素的方格進(jìn)行比較，結(jié)果發(fā)現(xiàn)，包含物體邊緣的方格是最容易找到非常接近的方格的。換句話說，“邊緣”是識(shí)別一張風(fēng)景圖片的起點(diǎn)。這一實(shí)驗(yàn)證明對(duì)復(fù)雜事物的識(shí)別了從最基本“淺層”信息入手是有效和可行的。類似的實(shí)驗(yàn)后來被應(yīng)用于語音識(shí)別，同樣，“邊緣”是識(shí)別一條語音最基本的“淺層”信息。
在一個(gè)單個(gè)神經(jīng)網(wǎng)絡(luò)，從信息輸入到信息輸出中間雖然有多個(gè)神經(jīng)元，但都處于同一“層次”上，我們暫且稱之為“淺層神經(jīng)網(wǎng)絡(luò)”，以區(qū)別于“深層神經(jīng)網(wǎng)絡(luò)”。識(shí)別蘋果和梨貌似很簡單，但對(duì)于人工神經(jīng)網(wǎng)絡(luò)則需經(jīng)歷一個(gè)復(fù)雜的過程。如果想讓一個(gè)單層次的神經(jīng)網(wǎng)絡(luò)發(fā)揮作用，一個(gè)方法是由人來告訴計(jì)算機(jī)形狀、顏色和味道信息，神經(jīng)網(wǎng)絡(luò)只做最后的一次判斷。這樣的做法似乎很可笑，但并非完全無用。
信息管理和數(shù)據(jù)挖掘中經(jīng)常會(huì)使用到淺層神經(jīng)網(wǎng)絡(luò)，但前提是由信息管理專業(yè)的學(xué)生手工或使用軟件將數(shù)據(jù)挖掘的材料準(zhǔn)備好，這就如同由人來幫助人工神經(jīng)網(wǎng)絡(luò)判斷水果形狀、顏色和味道，通過人工參與彌補(bǔ)淺層神經(jīng)網(wǎng)絡(luò)局限性的方法。當(dāng)人工智能的應(yīng)用范圍擴(kuò)大，越來越多需要借助人工智能幫助的人員并非信息管理專業(yè)的學(xué)生，淺層神經(jīng)網(wǎng)絡(luò)已經(jīng)跟不上形勢和需要了。2006年，人工神經(jīng)網(wǎng)絡(luò)發(fā)展有了轉(zhuǎn)折點(diǎn)，辛頓等研究人員提出了深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN），實(shí)現(xiàn)了對(duì)人腦多層神經(jīng)網(wǎng)絡(luò)信息處理、分析和學(xué)習(xí)的模擬，這推動(dòng)了人工智能研究和應(yīng)用向前邁進(jìn)了一大步。
多層次的神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)深度學(xué)習(xí)的基礎(chǔ)，那么與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)比較，深層神經(jīng)網(wǎng)絡(luò)又哪些特點(diǎn)呢？深度學(xué)習(xí)又是如何在深層神經(jīng)網(wǎng)絡(luò)上展開的呢？
與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相同的是，深層神經(jīng)網(wǎng)絡(luò)也包括輸入層、隱層和輸出層，也只有相鄰層級(jí)之間的神經(jīng)元有鏈接通道，同一層及跨層之間是沒有鏈接的。區(qū)別在于，深層神經(jīng)網(wǎng)絡(luò)具有更多層級(jí)數(shù)量，并且具有更有效的算法，更加接近人腦的結(jié)構(gòu)，這使得深層神經(jīng)網(wǎng)絡(luò)能夠處理更加復(fù)雜的輸入信息，深度學(xué)習(xí)就是在這個(gè)多層級(jí)的人工神經(jīng)網(wǎng)絡(luò)上進(jìn)行的。
在搞清楚深層神經(jīng)網(wǎng)絡(luò)如何進(jìn)行深度學(xué)習(xí)之前，還要區(qū)別兩個(gè)重要的概念：監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。簡單而言，監(jiān)督學(xué)習(xí)就是有人指出學(xué)習(xí)結(jié)果正確與否的學(xué)習(xí)。想象一下，當(dāng)幼兒第一次看到蘋果的時(shí)候，會(huì)建立一個(gè)包含蘋果各種特征的概念；當(dāng)下一次再看到蘋果時(shí)，會(huì)加入對(duì)蘋果新的概念，例如蘋果并不都是紅色的，還有黃色的、白色的、綠色的蘋果，還有多種顏色混合的蘋果。這期間，有可能會(huì)看到梨、橙子、乒乓球等與蘋果在某些特征上相似的物體，幼兒可能把這些東西也認(rèn)為是蘋果，家長會(huì)指出錯(cuò)誤，幼兒調(diào)整對(duì)蘋果的認(rèn)識(shí)，判斷越來越準(zhǔn)確。是不是很簡單，這其實(shí)也是半個(gè)多世紀(jì)之前“感知機(jī)”的工作原理，通過不斷優(yōu)化不同輸入信息的權(quán)重以實(shí)現(xiàn)更加準(zhǔn)確的判斷。
上述監(jiān)督學(xué)習(xí)的過程，很容易忽略一個(gè)重要的前提條件，機(jī)器為什么知道通過形狀或者顏色去判斷一個(gè)物體是不是蘋果，形狀、顏色、氣味是人基于經(jīng)驗(yàn)對(duì)蘋果賦予的“特征”屬性，但機(jī)器并不知道這些就是蘋果的特征。過去，一般由人來幫助機(jī)器先期定義“特征”，但由人參與對(duì)“特征”的選取是一件極其繁瑣和耗費(fèi)時(shí)間的工作，并且在面對(duì)未知事物的時(shí)候，一開始也無規(guī)律可循。在輸入信息越來越復(fù)雜的情況下，人工選取特征已經(jīng)難以為繼了，由機(jī)器自動(dòng)學(xué)習(xí)特征似乎是更好的做法，多層神經(jīng)網(wǎng)絡(luò)上進(jìn)行的非監(jiān)督學(xué)習(xí)能夠完成這一過程。
非監(jiān)督就如同一個(gè)沒有家長在旁邊指導(dǎo)的幼兒學(xué)習(xí)過程，其目的是推斷出信息的內(nèi)在數(shù)據(jù)規(guī)律。例如，幼兒在看到很多次蘋果之后，會(huì)把具有一些圓形、紅色、特殊味道的一類物體歸為一類（雖然并不知道這就叫蘋果）并與其他的水果區(qū)別開來，這個(gè)過程一是實(shí)現(xiàn)了聚類，更重要的是完成了特征學(xué)習(xí)，幼兒知道應(yīng)該抓住哪些“特征”來判斷一個(gè)物體是不是蘋果。機(jī)器的非監(jiān)督學(xué)習(xí)有類似的過程，在多層人工神經(jīng)網(wǎng)絡(luò)上對(duì)每一層級(jí)進(jìn)行非監(jiān)督學(xué)習(xí)，這是深度學(xué)習(xí)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)最大區(qū)別，這一過程被稱作特征學(xué)習(xí)。
我們可以總結(jié)出一個(gè)簡化的深度學(xué)習(xí)過程：在深層神經(jīng)網(wǎng)絡(luò)中，采用無監(jiān)督學(xué)習(xí)對(duì)每一層逐層進(jìn)行訓(xùn)練，讓機(jī)器不斷學(xué)習(xí)這一層次需要識(shí)別的特征；每一層訓(xùn)練的結(jié)果作為更高一層集的輸入信息直至最頂層；在最頂層，使用監(jiān)督學(xué)習(xí)自上而下對(duì)各個(gè)層級(jí)的參數(shù)、權(quán)重、模型、算法進(jìn)行微調(diào)。這一過程反復(fù)進(jìn)行，直到達(dá)到一定準(zhǔn)確度。與傳統(tǒng)的機(jī)器學(xué)習(xí)比較，深度學(xué)習(xí)能夠不需要人類幫助提取特征，這提高了學(xué)習(xí)的自主性和學(xué)習(xí)效果。
在實(shí)際應(yīng)用中，對(duì)圖像的識(shí)別、對(duì)聲音的識(shí)別，或者像AlphaGo那樣學(xué)習(xí)圍棋采用的具體方法有很多，但大致的原理是相同的，只是過程和算法更加復(fù)雜。
會(huì)學(xué)習(xí)的機(jī)器能有多智能
這么多科學(xué)家的努力、巨額的研發(fā)經(jīng)費(fèi)投入，結(jié)果就是具備一個(gè)三歲小孩就能夠熟練掌握的技能——把蘋果和梨區(qū)分開來，這是不是有點(diǎn)得不償失。千萬不要低估這看似簡單的一步，要知道，在人不介入的情況下，使機(jī)器準(zhǔn)確區(qū)分蘋果和梨，幾代科學(xué)家已經(jīng)為之奮斗了半個(gè)多世紀(jì)且到目前為止也不能做到100%準(zhǔn)確。計(jì)算機(jī)在運(yùn)算速度上具有遠(yuǎn)超過人類的優(yōu)勢，且這種優(yōu)勢不斷擴(kuò)大，其“學(xué)習(xí)”的速度也是驚人的，這使得人工智能在多個(gè)領(lǐng)域進(jìn)入應(yīng)用階段，也成就了本章開篇提到的AlphaGo。
例如，在圖像和語音識(shí)別領(lǐng)域，谷歌、微軟、IBM、百度等公司近年來加強(qiáng)了深度學(xué)習(xí)的研究和商業(yè)應(yīng)用。谷歌采用深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺挑戰(zhàn)比賽中刷新了分類和偵測的紀(jì)錄，且比之前的紀(jì)錄提高了兩倍多。谷歌在其視圖軟件中嵌入人工智能模塊，實(shí)現(xiàn)了對(duì)字符、人臉、地標(biāo)、等進(jìn)行幾乎精確的識(shí)別。
微軟宣布其圖像識(shí)別系統(tǒng)的錯(cuò)誤率僅為4.94%，這不僅打破了之前百度創(chuàng)造的5.98%和谷歌創(chuàng)造的6.66%紀(jì)錄，甚至低于人類在歸類識(shí)別時(shí)5.1%的錯(cuò)誤率。百度也發(fā)布了基于深度學(xué)習(xí)的語音識(shí)別系統(tǒng)“Deep Speech”，該系統(tǒng)能夠模仿人類大腦新皮層中的神經(jīng)活動(dòng)，出錯(cuò)率比谷歌、微軟和蘋果的系統(tǒng)低10%以上。
深度學(xué)習(xí)一個(gè)有意思的應(yīng)用是預(yù)測分析。與傳統(tǒng)的邏輯推導(dǎo)不同，通過深度學(xué)習(xí)的預(yù)測分析結(jié)果令人驚訝但卻異常準(zhǔn)確。2014年巴西世界杯期間，各方人士都在預(yù)測比賽結(jié)果，在小組賽后的15場淘汰賽中，微軟利用深度學(xué)習(xí)的方法的預(yù)測結(jié)果全部準(zhǔn)確無誤，而谷歌的預(yù)測也猜中了其中14場比賽結(jié)果，這樣的預(yù)測準(zhǔn)確率顯然要比2008年法國世界杯的章魚保羅，和一貫烏鴉嘴的貝利靠譜得多。
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的新浪潮，也是人工智能發(fā)展的一個(gè)里程碑，雖然深度學(xué)習(xí)已經(jīng)在語音識(shí)別、圖像識(shí)別、預(yù)測分析、機(jī)器翻譯等領(lǐng)域小試身手，但客觀上講還處于襁褓階段，無論是理論研究還是工程化商業(yè)化還面臨巨大的難題。誰也不能保障深度學(xué)習(xí)在未來是否能夠成為人工智能最基礎(chǔ)的方法，或許會(huì)有新的更好的技術(shù)替代深度學(xué)習(xí)，但是可以肯定的是，人工智能的夢想不再遙遠(yuǎn)，機(jī)器將在不久的將來像人類一樣思考。
責(zé)任編輯：黃焱林
透過7件事了解人工智能先驅(qū)馬文·明斯基
哈佛大學(xué)研究新人工智能系統(tǒng) 速度媲美人類大腦
Google人工智能攻破了圍棋，然后呢？
中國新能源車的發(fā)展之路 人工智能的勝利