人工智能、機器學習、深度學習的區別在哪?
作者:人稱T客   來源:人稱T客   發表時間:2016-9-18  點擊:1175

有人說,人工智能(ArtificialIntelligence)是未來。人工智能是科幻小說。人工智能已經是我們日常生活的一部分。所有這些陳述都ok,這主要取決于你所設想的人工智能是哪一類。

  例如,今年早些時候,GoogleDeepMind的Alphago程序擊敗了韓國圍棋大師李世乭九段。人工智能、機器學習和深度學習這些詞成為媒體熱詞,用來描述DeepMind是如何獲得成功的。盡管三者都是AlphaGo擊敗李世乭的因素,但它們不是同一概念。

  區別三者最簡單的方法:想象同心圓,人工智能(AI)是半徑最大的同心圓,向內是機器學習(MachineLearning),最內是深入學習(DeepLearning)。


  從概念的而提出到繁榮

  自從幾位計算機科學家在1956年的達特茅斯會議上提到這個詞以后,人工智能就縈繞在實驗研究者們心中,不斷醞釀。在此后的幾十年里,人工智能被標榜為成就人類文明美好未來的關鍵。

  在過去的幾年里,特別是2015以來,人工智能開始大爆發。這在很大程度上提高了GPU的廣泛可用性,使得并行處理速度越來越快,使用更便宜,而且功能更強大。整個大數據運動擁有無限的存儲和大量的數據:圖像,文本,交易,映射數據等等。

  人工智能——機器所賦予的人的智能

  早在1956年夏天的會議上,人工智能先驅者的夢想是建立一個由新興計算機啟用的復雜的機器,具有與人的智能相似的特征。這是我們認為的「強人工智能」(GeneralAI),而神話般的機器則會擁有我們所有的感知,甚至更多,并且像人類一樣思考。你已經在電影中見過這些機器無休止地運動,像朋友如C-3PO,或者敵人如終結者。一般的人工智能機器仍然只是出現在電影和科幻小說中。

  我們目前可以實現的還是局限于「弱人工智能」(NarrowAI)。這些技術能夠像人類一樣執行特定的任務,或者比人類做的更好。像Pinterest上的圖像分類,Facebook上的人臉識別等。

  這些都是弱人工智能實踐中的例子。這些技術展示了人類智力的一些方面。但如何展示?這些智力是從哪里來的?這些問題促使我們進入到下一個階段,機器學習。

  機器學習——一種實現人工智能的方法

  機器學習最根本的點在于使用算法來分析數據的實踐、學習,然后對真實的事件作出決定或預測。而不是用一組特定的指令生成的硬編碼軟件程序來解決特定任務,機器是通過使用大量的數據和算法來「訓練」,這樣就給了它學習如何執行任務的能力。

  機器學習是早期人工智能人群思考的產物,多年來形成的算法包括決策樹學習、歸納邏輯編程、聚類、強化學習、貝葉斯網絡等等。正如我們所知,所有這些都沒有實現強人工智能的最終目標,而早期的機器學習方法甚至連弱人工智能都沒有觸及到。

  事實證明,多年來機器學習的最佳應用領域之一是計算機視覺,盡管仍然需要大量的手工編碼來完成這項工作。人們會去寫手工編碼分類器,如邊緣檢測濾波器,以便程序可以識別一個目標的啟動和停止;進行形狀檢測以確定它是否有八個側面;同時確保分類器能夠識別字母「s-t-o-p.」從那些手工編碼分類器中,機器就會開發算法使得圖像和「學習」更有意義,用來確定這是否是一個停止標志。

  結果還算不錯,但這還不夠。特別是在霧天當標志不那么清晰,或有一棵樹掩蓋了標志的一部分時,就難以成功了?;褂幸桓鱸?,計算機視覺和圖像檢測還不能與人類相媲美,它太脆弱,太容易受到周圍環境的影響。

  隨著時間的推移,學習算法改變了這一切。

  深度學習——一種實現機器學習的技術

  放貓(HerdingCats):YouTube視頻抓拍的貓的形象是深度學習的第一次突破性展示

  在過去的幾十年中,早期機器學習的另一種算法是人工神經網絡。神經網絡的靈感來自于我們對人類大腦生物學的理解:所有這些神經元之間的相互聯系。在一定的物理距離內,生物大腦中的任何神經元可以連接到其他神經元,而人工神經網絡有離散的層、連接和數據傳播的方向。

  例如,你可以把一個圖像分割成很多部分,這些可以輸入到神經網絡的第一層。在第一層中的單個神經元,然后將數據傳遞到第二層。第二層神經元做它的任務,等等,直到最后一層,那么最終結果就產生了。

  每個神經元都為其輸入分配權重,分配的權重正確與否與執行的任務相關。結果,最終的輸出由所有的權重所決定。這樣,還是以「停止」標志牌為例。將「停止」標志牌圖像的元素抽離分析,然后由神經元「檢查」:其八邊形的外形,消防車火紅的顏色,鮮明的字母,交通標志的大小,處于運動或靜止的狀態。神經網絡主要任務是總結是否是個停止標志。隨即,基于權重、經過深思熟慮「概率向量」的概念出現。該案例中,該系統中86%的可能是停止標志,7%的可能是速度限制標志,5%的可能性是掛在樹上的風箏等等。這樣,網絡結構便會告知神經網絡是否正確。

  但這個例子還是非常超前。因為直到最近,神經網絡還是被人工智能研究所忽略。實際上,在人工智能出現之初,神經網絡就已經顯現了,在「智能」方面還是產生很小的價值。問題是甚至最基本的神經網絡都是靠大量的運算。不過,多倫多大學的GeoffreyHinton領導的一個研究小組始終專注于其中,最終實現以超算為目標的并行算法的運算且概念的證明,但直到GPU得到廣泛利用,這些承諾才得以實現。

  回到之前「停止」標志的例子。神經網絡是被調制或「訓練」出來的,并且不時遇到錯誤的應答。它所需要的就是訓練。需要呈現成百上千甚至上百萬的圖像,直到神經元輸入的權重被準確調制,那么實際上每次都能得到正確的信息,無論是否有霧,無論晴天還是雨天。只有在那一點,神經網絡才學會一個停止標志是什么樣的,Facebook上你媽媽的臉是什么樣,又或者是吳恩達(AndrewNg)教授2012年在Google上學習到的貓的樣子。

  吳恩達的突破在于將這些神經網絡顯著增大,增加了層數和神經元,并通過系統的訓練運行大量的數據。在吳教授所舉案例中,數據就是YouTube視頻中1000萬張圖像。他將深度學習中添加了「深度」,也就是這些神經網絡中的所有層。

  通過在某些場景中深度學習,機器訓練的圖像識別要比人做得好:從貓到辨別血液中癌癥的指標,再到核磁共振成像中腫瘤。Google的AlphaGo先是學會了如何下棋,然后它與自己下棋訓練。通過不斷地與自己下棋,反復練習,以此訓練自己的神經網絡。

  深度學習,賦予人工智能光明的未來

  深度學習使得許多機器學習應用得以實現,并拓展了人工智能的整個領域。深度學習一一實現了各種任務,并使得所有的機器輔助變成可能。無人駕駛汽車、預防性醫療保健、甚至的更好的電影推薦,都觸手可及或即將成為現實。人工智能就在現在,也在未來。有了深度學習,人工智能可能甚至達到像我們暢想的科幻小說一樣效果。我拿走了你的C-3PO,當然,你有《終結者》就行。(責編:pingxiaoli)

獲取更多專業資訊

微信掃一掃

绝地求生更新4.3: 服務項目

維保運維服務

AWM[绝地求生]肉 www.morzn.icu

信息系統集成服務

機房搬遷服務

 
 
 
AWM[绝地求生]肉
QQ 在線客服
 
電話:
0531-88818533
客服QQ
2061058957
1905215487