人工智能、機器學習和深度學習

志剛

人工智能的浪潮正在席卷全球，諸多詞匯時刻縈繞在我們耳邊：人工智能、機器學習、深度學習。不少人對這些高頻詞匯的含義及其背后的關(guān)系總是似懂非懂、一知半解。

為了幫助大家更好地理解人工智能，這篇文章用最簡單的語言解釋了這些詞匯的含義，理清它們之間的關(guān)系，希望對剛?cè)腴T的同行有所幫助。

人工智能：從概念提出到走向繁榮

1956年，幾個計算機科學家相聚在達特茅斯會議，提出了“人工智能”的概念，夢想著用當時剛剛出現(xiàn)的計算機來構(gòu)造復雜的、擁有與人類智慧同樣本質(zhì)特性的機器。其后，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中慢慢孵化。之后的幾十年，人工智能一直在兩極反轉(zhuǎn)，或被稱作人類文明耀眼未來的預言，或被當成技術(shù)瘋子的狂想扔到垃圾堆里。直到2012年之前，這兩種聲音還在同時存在。

2012年以后，得益于數(shù)據(jù)量的上漲、運算力的提升和機器學習新算法（深度學習）的出現(xiàn)，人工智能開始大爆發(fā)。據(jù)領(lǐng)英近日發(fā)布的《全球AI領(lǐng)域人才報告》顯示，截至2017年一季度，基于領(lǐng)英平臺的全球AI（人工智能）領(lǐng)域技術(shù)人才數(shù)量超過190萬，僅國內(nèi)人工智能人才缺口達到500多萬。

人工智能的研究領(lǐng)域也在不斷擴大，人工智能研究出現(xiàn)了各個分支，包括專家系統(tǒng)、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統(tǒng)等。

但目前的科研工作都集中在弱人工智能這部分，并很有希望在近期取得重大突破，電影里的人工智能多半都是在描繪強人工智能，而這部分在目前的現(xiàn)實世界里難以真正實現(xiàn)（通常將人工智能分為弱人工智能和強人工智能，前者讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理，而強人工智能讓機器獲得自適應能力，解決一些之前沒有遇到過的問題）。

弱人工智能有希望取得突破，是如何實現(xiàn)的，“智能”又從何而來呢？這主要歸功于一種實現(xiàn)人工智能的方法——機器學習。

機器學習：一種實現(xiàn)人工智能的方法

機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預測。與傳統(tǒng)的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數(shù)據(jù)來“訓練”，通過各種算法從數(shù)據(jù)中學習如何完成任務。

舉個簡單的例子，當我們?yōu)g覽網(wǎng)上商城時，經(jīng)常會出現(xiàn)商品推薦的信息。這是商城根據(jù)你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，并且愿意購買的產(chǎn)品。這樣的決策模型，可以幫助商城為客戶提供建議并鼓勵產(chǎn)品消費。

機器學習直接來源于早期的人工智能領(lǐng)域，傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM等。從學習方法上來分，機器學習算法可以分為監(jiān)督學習（如分類問題）、無監(jiān)督學習（如聚類問題）、半監(jiān)督學習、集成學習、深度學習和強化學習。

傳統(tǒng)的機器學習算法在指紋識別、人臉檢測、物體檢測等領(lǐng)域的應用基本達到了商業(yè)化的要求或者特定場景的商業(yè)化水平，但每前進一步都異常艱難，直到深度學習算法的出現(xiàn)。

深度學習：一種實現(xiàn)機器學習的技術(shù)

深度學習本來并不是一種獨立的學習方法，其本身也會用到有監(jiān)督和無監(jiān)督的學習方法來訓練深度神經(jīng)網(wǎng)絡。但由于近幾年該領(lǐng)域發(fā)展迅猛，一些特有的學習手段相繼被提出（如殘差網(wǎng)絡），因此越來越多的人將其單獨看作一種學習的方法。

最初的深度學習是利用深度神經(jīng)網(wǎng)絡來解決特征表達的一種學習過程。深度神經(jīng)網(wǎng)絡本身并不是一個全新的概念，可大致理解為包含多個隱含層的神經(jīng)網(wǎng)絡結(jié)構(gòu)。為了提高深層神經(jīng)網(wǎng)絡的訓練效果，人們對神經(jīng)元的連接方法和激活函數(shù)等方面做出相應的調(diào)整。其實有不少想法早年間也曾有過，但由于當時訓練數(shù)據(jù)量不足、計算能力落后，因此最終的效果不盡如人意。

深度學習摧枯拉朽般地實現(xiàn)了各種任務，使得似乎所有的機器輔助功能都變?yōu)榭赡堋o人駕駛汽車，預防性醫(yī)療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現(xiàn)。

三者的區(qū)別和聯(lián)系

機器學習是一種實現(xiàn)人工智能的方法，深度學習是一種實現(xiàn)機器學習的技術(shù)。我們就用最簡單的方法——同心圓，可視化地展現(xiàn)出它們?nèi)叩年P(guān)系。

目前，業(yè)界有一種錯誤的較為普遍的意識，即“深度學習最終可能會淘汰掉其他所有機器學習算法”。這種意識的產(chǎn)生主要是因為，當下深度學習在計算機視覺、自然語言處理領(lǐng)域的應用遠超過傳統(tǒng)的機器學習方法，并且媒體對深度學習進行了大肆夸大的報道。

深度學習，作為目前最熱的機器學習方法，但并不意味著是機器學習的終點。起碼目前存在以下問題：

1. 深度學習模型需要大量的訓練數(shù)據(jù)，才能展現(xiàn)出神奇的效果，但現(xiàn)實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統(tǒng)的機器學習方法就可以處理；

2. 有些領(lǐng)域，采用傳統(tǒng)的簡單的機器學習方法，可以很好地解決了，沒必要非得用復雜的深度學習方法；

3. 深度學習的思想，來源于人腦的啟發(fā)，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之后，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規(guī)模的訓練數(shù)據(jù)，而現(xiàn)在的深度學習方法顯然不是對人腦的模擬。

科學不是戰(zhàn)爭而是合作，任何學科的發(fā)展從來都不是一條路走到黑，而是同行之間互相學習、互相借鑒、博采眾長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是一樣，你死我活那是邪教，開放包容才是正道。

進入21世紀，縱觀機器學習發(fā)展歷程，研究熱點可以簡單總結(jié)為2000～2006年的流形學習、2006年～2011年的稀疏學習、2012年至今的深度學習。未來哪種機器學習算法會成為熱點呢？深度學習三大巨頭之一吳恩達曾表示，“在繼深度學習之后，遷移學習將引領(lǐng)下一波機器學習技術(shù)”。但最終機器學習的下一個熱點是什么，誰又能說得準呢。（編輯/高緯時）