產(chǎn)品經(jīng)理了解人工智能必讀（基礎(chǔ)篇）

不過(guò)第一章的知識(shí)已經(jīng)能夠完全的的解釋深度學(xué)習(xí)的歷史發(fā)展和基數(shù)知識(shí)了，自己總結(jié)了一篇文章就當(dāng)是對(duì)這一章內(nèi)容的重點(diǎn)知識(shí)總結(jié)吧。

第一：人工智能發(fā)展的原因

人工智能近幾年了好像突然之間就火了，各大公司紛紛布局人工智能行業(yè)。其實(shí)，我們?nèi)プ肪繗v史原因就會(huì)發(fā)現(xiàn)其實(shí)人工智能已經(jīng)有了60多年的歷史了，從達(dá)特茅斯會(huì)議上人工智能概念的提出到如今人工歷史其實(shí)經(jīng)歷了三次浪潮，現(xiàn)在的幾年應(yīng)該是第三次浪潮的爆發(fā)期。

很多人就會(huì)問(wèn)，為什么第三次浪潮會(huì)在近幾年爆發(fā)，其實(shí)追究其原因，不難發(fā)現(xiàn)會(huì)有三個(gè)主要的因素在這個(gè)時(shí)代出現(xiàn)了：第一，高級(jí)算法的出現(xiàn)，經(jīng)歷前幾十年人工智能的孕育期，終于有了技術(shù)的積累，在這個(gè)時(shí)代，算法的更新解決了很多技術(shù)上的難題；第二，計(jì)算機(jī)計(jì)算能力的提升，我們都知道人工智能模型的訓(xùn)練和計(jì)算需要耗費(fèi)大量的時(shí)間和計(jì)算集群，強(qiáng)大CPU和CPU的出現(xiàn)大大加強(qiáng)了計(jì)算機(jī)的運(yùn)算能力，從而有了訓(xùn)練復(fù)雜模型的可能。最后，互聯(lián)網(wǎng)時(shí)代大數(shù)據(jù)的產(chǎn)生，人工智能模型的訓(xùn)練都是針對(duì)于數(shù)據(jù)集，在互聯(lián)網(wǎng)時(shí)代，海量的訓(xùn)練數(shù)據(jù)是解決人工智能瓶頸的根本原因。這個(gè)數(shù)據(jù)的收集過(guò)程中我們不得不說(shuō)image net的誕生，李飛飛領(lǐng)導(dǎo)了這個(gè)項(xiàng)目的誕生，從而將計(jì)算機(jī)視覺(jué)識(shí)別提供了可標(biāo)注的海量數(shù)據(jù)庫(kù)，這個(gè)項(xiàng)目的誕生可謂是人工智能行業(yè)的一個(gè)節(jié)點(diǎn)。

第二：人工智能技術(shù)的發(fā)展歷程

2.1早期的知識(shí)庫(kù)規(guī)則

最早期的人工智能系統(tǒng)往往是通過(guò)人工的制定計(jì)算規(guī)則讓計(jì)算去執(zhí)行規(guī)則從而完成系統(tǒng)使命，其實(shí)這個(gè)制定規(guī)則的過(guò)程就是算法出現(xiàn)的過(guò)程。李飛飛在ted演講中講述了一個(gè)盒子模型的人工智能系統(tǒng)，在這個(gè)系統(tǒng)中有很多顏色，形狀和高矮不同的盒子，最終系統(tǒng)執(zhí)行人工指令可以完成對(duì)于盒子的篩選和移動(dòng)。這個(gè)早期系統(tǒng)的其實(shí)就是通過(guò)人為的邏輯算法思考強(qiáng)加給計(jì)算機(jī)執(zhí)行從而完成系統(tǒng)任務(wù)，在ted會(huì)議上李飛飛展示了這個(gè)邏輯算法的節(jié)點(diǎn)流程可謂是非常的復(fù)雜，而且這種算法設(shè)計(jì)還不具備通用性，換了另外的一個(gè)任務(wù)這個(gè)算法就失效了。

還有就是IBM 的(Deep Blue)國(guó)際象棋系統(tǒng)在 1997 年擊敗了世界冠軍Garry Kasparov，它的系統(tǒng)設(shè)計(jì)其實(shí)和盒子模型很相似，因?yàn)閲?guó)際象棋僅含有 64 個(gè)位置并只能以嚴(yán)格限制的方式移動(dòng)，設(shè)計(jì)一種成功的國(guó)際象棋策略是巨大的成就，但向計(jì)算機(jī)描述棋子及其允許的走法并不是挑戰(zhàn)的困難。因?yàn)椋瑖?guó)際象棋完全可以由一個(gè)非常簡(jiǎn)短的、完全形式化的規(guī)則列表來(lái)描述，并可以容易地由程序員事先準(zhǔn)備好。

這兩種系統(tǒng)的實(shí)現(xiàn)其實(shí)就是被稱為硬編碼的方式，建立知識(shí)庫(kù)從而讓計(jì)算機(jī)可以使用邏輯推理規(guī)則來(lái)自動(dòng)地理解這些形式化語(yǔ)言中的申明，然而這種方式并沒(méi)有得到良好的發(fā)展。

2.2手動(dòng)指定特征

第二個(gè)階段發(fā)展到機(jī)器學(xué)習(xí)的階段，很多先驅(qū)者從人類大腦的神經(jīng)元獲得靈感，我們今天知道的一些最早的學(xué)習(xí)算法，是旨在模擬生物學(xué)習(xí)的計(jì)算模型，即大腦怎樣學(xué)習(xí)或?yàn)槭裁茨軐W(xué)習(xí)的模型。從而出現(xiàn)很多的經(jīng)典的機(jī)器學(xué)習(xí)概念。這個(gè)階段通過(guò)人工指定特征的方式讓機(jī)器達(dá)到具有匹配和映射特征的能力，從而完成機(jī)器對(duì)外界的認(rèn)知能力。李飛飛在一次演講中她提到早期的她對(duì)于貓的識(shí)別方式。通過(guò)人工指定貓的特征例如貓肥胖的身體，尾巴，頭部的輪廓等特征告訴計(jì)算機(jī)具備這種特征的就是貓，但是在真實(shí)的識(shí)別場(chǎng)景中，貓的形態(tài)是千變?nèi)f化的話，僅僅通過(guò)人工指定特征是完全不能夠解決這個(gè)問(wèn)題的，特別是復(fù)雜物體的特征，人工進(jìn)行指定特征更是無(wú)法完成。

2.3表示學(xué)習(xí)階段

其實(shí)，簡(jiǎn)單的機(jī)器學(xué)習(xí)算法的性能在很大程度上依賴于給定數(shù)據(jù)的表示，也就是特征的數(shù)據(jù)表示方式。通用的人工智能任務(wù)都可以通過(guò)以下方式解決:先提取一個(gè)合適的特征集，然后將這些特征提供給簡(jiǎn)單的機(jī)器學(xué)習(xí)算法，也就是之前我所說(shuō)的貓的特征集的例子。 然而，對(duì)于許多任務(wù)來(lái)說(shuō)，我們很難知道應(yīng)該提取哪些特征，也就是通過(guò)人工指定特征集合從而完成映射特征的方式不可取，那么我們能不能通過(guò)機(jī)器去學(xué)習(xí)特征取代人工指定呢？這個(gè)時(shí)候表示學(xué)習(xí)就隨之出現(xiàn)了，表示學(xué)習(xí)就是使用機(jī)器學(xué)習(xí)來(lái)發(fā)掘表示本身，而不僅僅把表示映射到輸出。然而在這個(gè)階段，機(jī)器去完成負(fù)責(zé)特征的學(xué)習(xí)又遇到了瓶頸，因?yàn)樽尨笄澜绲臉?gòu)成特征太復(fù)雜，機(jī)器完全實(shí)現(xiàn)不了對(duì)于復(fù)雜特征的學(xué)習(xí)和表示，如何通過(guò)簡(jiǎn)單的規(guī)則去讓機(jī)器理解復(fù)雜世界又變成了一個(gè)難題，這個(gè)時(shí)候深度學(xué)習(xí)就誕生了。

第三：深度學(xué)習(xí)概述

3.1深度學(xué)習(xí)的定義

層次化的概念的提出讓計(jì)算機(jī)構(gòu)建較簡(jiǎn)單的概念來(lái)學(xué)習(xí)復(fù)雜概念。這種層次化的提出來(lái)自于對(duì)人類神經(jīng)大腦的研究成果，研究表明人類通過(guò)眼睛獲取外界信息傳遞給大腦的過(guò)程是大腦皮層層次信息傳遞的結(jié)果，大腦皮層的每一層的部分負(fù)責(zé)處理不同的信息，而且在處理信息是有先后順序的，并且是基于上一層信息傳遞過(guò)來(lái)的結(jié)果進(jìn)行處理的，這種研究成果導(dǎo)致了深度學(xué)習(xí)的概念產(chǎn)生。

深度學(xué)習(xí)其實(shí)就是通過(guò)其他較簡(jiǎn)單的表示來(lái)表達(dá)復(fù)雜表示，解決了表示學(xué)習(xí)中的核心問(wèn)題。讓計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)，并根據(jù)層次化的概念體系來(lái)理解世界，而每個(gè)概念則通過(guò)與某些相對(duì)簡(jiǎn)單的概念之間的關(guān)系來(lái)定義。讓計(jì)算機(jī)從經(jīng)驗(yàn)獲取知識(shí)，從而可以避免由人類來(lái)給計(jì)算機(jī)形式化地指定它需要的所有知識(shí)。

總的來(lái)說(shuō)，深度學(xué)習(xí)就是一種特定類型的機(jī)器學(xué)習(xí)，具有強(qiáng)大的能力和靈活性，它將大千世界表示為嵌套的層次概念體系(由較簡(jiǎn)單概念間的聯(lián)系定義復(fù)雜概念、從一般抽象概括到高級(jí)抽象表示)。

3.2一張圖來(lái)理解深度學(xué)習(xí)的概念

深度學(xué)習(xí)廣泛的應(yīng)用在圖像識(shí)別領(lǐng)域中，為了讓大家很好的理解這種通過(guò)簡(jiǎn)單層級(jí)來(lái)表示復(fù)雜概念的方式，我們用一張圖來(lái)理解深度學(xué)習(xí)從簡(jiǎn)單概念到復(fù)雜概念的表示。

從圖像識(shí)別來(lái)說(shuō)，計(jì)算機(jī)難以理解原始感觀輸入數(shù)據(jù)的含義，如表示為像素值集合的圖像。將一組像素映射到對(duì)象標(biāo)識(shí)的函數(shù)非常復(fù)雜。如果直接處理，學(xué)習(xí)或評(píng)估此映射似乎是不可能的。

因此，深度學(xué)習(xí)將所需的復(fù)雜映射分解為一系列嵌套的簡(jiǎn)單映射(每個(gè)由模型的不同層描述)來(lái)解決這一難題。輸入展示在 可見層(visible layer)，這樣命名的原因是因?yàn)樗覀兡苡^察到的變量。然后是一系列從圖像中提取越來(lái)越多抽象特征的 隱藏層(hidden layer)。因?yàn)樗鼈兊闹挡辉跀?shù)據(jù)中給出，所以將這些層稱為 ‘‘隱藏”; 模型必須確定哪些概念有利于解釋觀察數(shù)據(jù)中的關(guān)系。這里的圖像是每個(gè)隱藏單元表示的特征的可視化。給定像素，第一層可以輕易地通過(guò)比較相鄰像素的亮度來(lái)識(shí)別邊緣。有了第一隱藏層描述的邊緣，第二隱藏層可以容易地搜索可識(shí)別為角和擴(kuò)展輪廓的邊集合。給定第二隱藏層中關(guān)于角和輪廓的圖像描述，第三隱藏層可以找到輪廓和角的特定集合來(lái)檢測(cè)特定對(duì)象的整個(gè)部分。最后，根據(jù)圖像描述中包含的對(duì)象部分，可以識(shí)別圖像中存在的對(duì)象。

3.3深度學(xué)習(xí)和機(jī)器學(xué)習(xí)有什么關(guān)系？

深度學(xué)習(xí)在定義上就是一種表示學(xué)習(xí)，也是一種機(jī)器學(xué)習(xí)，可以用于許多(但不是全部)AI 方法。 深度學(xué)習(xí)有著悠久而豐富的歷史，但隨著許多不同哲學(xué)觀點(diǎn)的漸漸消逝，與之對(duì)應(yīng)的名稱也漸漸塵封。 我們今天知道的一些最早的學(xué)習(xí)算法，是旨在模擬生物學(xué)習(xí)的計(jì)算模型，即大腦怎樣學(xué)習(xí)或?yàn)槭裁茨軐W(xué)習(xí)的模型，早期的人工神經(jīng)網(wǎng)絡(luò)方式其實(shí)就是深度學(xué)習(xí)，其結(jié)果是深度學(xué)習(xí)以 人工神經(jīng)網(wǎng)絡(luò)(artificialneural network, ANN)之名而淡去。

第四：人工智能的未來(lái)發(fā)展會(huì)怎么樣？

機(jī)器的誕生就是為了運(yùn)算和存儲(chǔ)數(shù)據(jù)的，在數(shù)字的計(jì)算和抽象問(wèn)題的解決上，計(jì)算機(jī)已經(jīng)完全的超過(guò)了人的水平，但是往往這么厲害的機(jī)器卻不能完成對(duì)整個(gè)世界簡(jiǎn)單東西的認(rèn)知。計(jì)算機(jī)能夠完成復(fù)雜的邏輯運(yùn)算，卻不能很好的理解我們說(shuō)話的意思。能夠進(jìn)行海量的存儲(chǔ)，卻不能很好的認(rèn)識(shí)一張普通的圖片，其實(shí)很某個(gè)角度來(lái)看，人工智能的發(fā)展其實(shí)是和人類成長(zhǎng)是相反的。

人類對(duì)世界的認(rèn)知其實(shí)是從0-6歲就已經(jīng)形成的，在這個(gè)階段人通過(guò)學(xué)習(xí)認(rèn)識(shí)了這個(gè)世界簡(jiǎn)單的物體，即使是一歲的孩子也知道那是一只貓，這是因?yàn)槿说难劬r(shí)時(shí)刻刻都在獲取信息，從而交給大腦進(jìn)行學(xué)習(xí)，從而形成對(duì)最基本常識(shí)的認(rèn)知。最后通過(guò)小學(xué)初中大學(xué)才完成邏輯思維和計(jì)算思維的形成。然而，計(jì)算機(jī)則完全相反，在邏輯思維和計(jì)算思維上，現(xiàn)代計(jì)算機(jī)只要輸入數(shù)據(jù)，計(jì)算機(jī)就能完成這些數(shù)據(jù)的運(yùn)算和存貯，但是對(duì)于大千世界的認(rèn)知卻還停留在嬰兒階段。據(jù)說(shuō)，目前的計(jì)算機(jī)認(rèn)知水平也就僅僅停留在人類1歲左右的水平。有人問(wèn)人工智能未來(lái)的發(fā)展如果，我個(gè)人斷定，如果人工智能能夠使機(jī)器的認(rèn)知超過(guò)6歲孩子對(duì)于世界的認(rèn)知，那么人工智能在所有的行業(yè)領(lǐng)域都會(huì)超過(guò)人類專家水平。

我這么斷定肯定會(huì)有人指出一個(gè)問(wèn)題，即使是現(xiàn)在也有很多人來(lái)討論人機(jī)倫理方面的問(wèn)題，假如機(jī)器具有了自主學(xué)習(xí)和思考的能力，那么人存在的意思是什么？我只能說(shuō)，現(xiàn)在還不是考慮這個(gè)的問(wèn)題的時(shí)候，畢竟機(jī)器想要達(dá)到人類的認(rèn)知智力水平還不知道是什么時(shí)候的事情了。