李彥宏雙創周釋疑“新動能”

2017全國雙創活動周在上海拉開帷幕，百度創始人李彥宏作為“雙創”領袖代表在啟動儀式上致辭。在發言中，“人工智能忠實粉絲”的他除了介紹了AI技術對于創新創業的推動作用外，還提到了一些神秘字符——

9月15日，2017年全國大眾創業萬眾創新活動周在上海舉行，百度創始人李彥宏作為企業家代表進行發言。

今年活動周的主題是“雙創促升級，壯大新動能”，在描繪“雙創”升級之路時，李彥宏表示，近年來互聯網的人口紅利已經逐漸釋放殆盡，但一個比互聯網規模和影響都更大的新浪潮，正在撲面而來，就是人工智能。

李彥宏在發言中提到：技術在人工智能時代起到的作用非常大，而且技術進步的速度也很快……過去幾年，深度學習從DNN，到RNN，到CNN，再到GAN，不停地在升級換代，觸發新的創新。

掐指一算，這段話里一共出現了7個N。人工智能技術雖然現在已經不是新概念，但這些N究竟是什么意思？DNN（深度神經網絡）、RNN（循環神經網絡）、CNN（卷積神經網絡）、GAN（生成式對抗網絡）究竟代表了什么技術，為何最近人工智能技術會飛速發展，結合到人工智能的未來又將會如何呢？

李彥宏說道DNN、RNN、CNN、GAN其實都是深度學習的內容。這些名詞聽上去高深莫測。其實道理并不復雜——

DNN是啥？

所謂神經網絡其實這個詞是后來的，最早這個東西叫感知機，就是有一個輸入層，一個隱含層，一個輸出層。通過算法迭代完成一個解。

但是只有一層是處理不了復雜函數的，于是后來就發明了多層感知機，有多個隱含層，然后有算法讓各個層的各個節點互相聯通。

這種聯通很像人體中的神經，于是這種多層的感知機就有了名字，叫神經網絡。

理論上，隱含層當然是越多越好，但是科學家在使用中發現層數多了往往是局部最優。

就好比你下象棋，多層數的神經網絡，算了很多步，計算怎么把對方的馬吃了，然后選了最佳一步棋。但是下棋是殺死對方的帥啊，吃掉馬能占據子力優勢，但是并不一定贏啊。

為了吃掉對方馬的最優步，不一定是贏棋的最優步，這個問題不解決，層數多了反而不好用。

同時層數多了，訓練數據的有效性就弱了，整體學習的效率也就不行了。

這個難題一直到2006年才解決，然后DNN（深度神經網絡）就流行了。

DNN引出的CNN

DNN已經可以實用，但是DNN的問題是參數太多，每個點連接產生的數據量太大，雖然有算法改良還是容易陷入局部最優，而現實中有些東西是固定，不需要一層層地去學習計算。

于是，科學家就提出一個叫“卷積核”的東西，用這個東西來降低參數量，參數量少了，計算效率就提升了，而且陷入局部最優解的概率也就下來了，深度計算就好用了。

時間問題引出的RNN

全部連接的DNN存在一個問題，就是沒法按照時間序列的變化建立模型。但是人工智能深度學習的東西可不是靜態的。

語音識別是動態的，手寫也是動態的，需要解決時間序列的問題，于是就有了RNN（循環神經網絡）。在DNN的基礎上發展出時間戳，發展出長短時記憶單元，可以有解決時間序列的應用，這就是RNN。

以假亂真的GAN

GAN（生成式對抗網絡）是給生成模型用的，機器出來的語言，圖像能夠以假亂真，需要一個標準，需要一個判定模型。譬如要模擬生成一張畫，就有一個生成畫的模型，有一張事實存在的畫，有一個判定生成的畫，與事實存在的畫差異的模型。

首先固定生成模型，反復訓練判斷模型，讓判斷模型學會判斷，判斷模型學習好了，就可以訓練生成模型，最終讓生成模型生成的東西能以假亂真。

我們聽到百度度秘能模仿人說話，就是這種技術在起作用。

在李彥宏看來，隨著人工智能技術的進一步開放共享，它也將更好地賦能產業、完善生態、助力創新創業。在人工智能實際應用中，李彥宏說的DNN、CNN、RNN、GAN是混在一起用的。度秘看到你，識別你的面孔需要CNN，聽取你的語音需要RNN，回答你生成語言需要GAN。

而在包括人工智能技術這些新動能發展起來之后，現代社會中簡單的勞動都可以被取而代之了。endprint