基于深度學習的人工智能發展與應用

王 賡

（秦皇島市人防指揮信息保障中心，河北 秦皇島 066000）

0 引言

大數據、云計算、人臉識別、圖像分析等多種網絡新興技術與概念的不斷涌現，人工智能時代步入飛速發展時期。而自2016年谷歌研發的阿爾法狗與職業九段圍棋選手李世石開展人機大戰，并輕松擊敗李世石以后，人工智能與深度學習的融合成果體現得淋漓盡致，也成了科技熱搜話題排行榜首位。隨著近年來的不斷研究，更多的深度學習與人工智能在人們日常生活中被運用，工業、醫療、家居等各種機器人的出現更是極大地推動了社會的飛速發展。

1 深度學習的概述

深度學習的理念來自早期人工神經網絡的相關探究，屬于機器學習算法中的一種，擁有極為強大的學習性能。經過深入訓練的神經網絡計算方法，也是目前人工智能時代發展下重要的研究與發展方向。深度學習最突出的特性就在于對大數據的學習與使用。通過在之前的經驗中提取關鍵概念要素進行訓練與學習，能夠對之后的沒有經過訓練使用的數據進行處理，并不是單純的一種算法或一種分析模型［1］。

2 人工智能的發展趨勢

2.1 探索多角度融合深度學習創新發展

在人工智能時代，深度學習已經逐漸成為推進其發展的重要方向。深度學習內容的不斷創新、突破與發展，不斷為人工智能時代的進步帶來新的算法與技術。之前單純依靠監督式進行學習的算法生成方式已經被淘汰，因為更多變化性數據的存在與大量理解力問題的出現，依靠以往的人工智能方式已經難以解決［2］。進行深度學習，構建多維算法模型，加入人工神經網絡內容的同時進行深度訓練成為當前多元化人工智能時代的發展需要，并深受業內關注。深度學習與人工智能的融合已經逐漸成為相關領域的創新與研究熱點。

2.2 深度運用識別技術提升學習能力

人工智能時代的不斷發展能夠為AI的發展形成強有力的經驗數據支撐，利用深度學習的方式提升AI技術智能化的決策，最終逐漸接近人工決策能力的目標。但是基于目前海量大數據，AI無法進行全部數據樣本的處理與分析，長期超負荷的運作將會嚴重影響AI的運作性能。而識別技術的發展能夠對該類問題提供良好的解決方案。識別技術能夠通過對大量數據樣本的分類提取，依據關鍵信息進行分類，然后根據不同的類別分別進行處理，能夠對提升AI專業處理性能與效率產生深遠影響。

2.3 深入推進產業結構升級

從社會經濟運行角度而言，人工智能時代的發展已經逐步深入人類日常生活、工作，對社會的運行產生重要影響。人工智能技術通過不斷在科學研究或各行各業應用的深入，正逐漸改變以往的工作方式。人工智能創新技術的運用逐漸對商業環境、社會運轉形態等產生重要影響，通過不斷地提高工作效率，將更多的智能化應用如醫療機器人、工業機器人等融入各行各業的實際發展，解決行業痛點問題的同時推進各環節的精細化管理，加快國家產業結構轉型升級，推進更高附加產值的產業發展。

3 人工智能時代基于深度學習的應用

3.1 圖像處理

圖像處理是當前人們生產生活中經常面臨的問題，主要是把各種來源的圖像通過相應的方式對其進行關鍵信息提取后分類處理。其主要的工作有對圖像進行一定標準的分類、壓縮、提質、關鍵信息獲取等。圖像處理技術的發展對安防、安檢、交通等多個行業都會產生重要影響。深度學習技術是基于人工神經網絡理論發展起來的，即通過模仿人類學習方式與能力對機器進行一定的訓練之后，讓其具有與人腦相似的數據處理能力。

例如在交通領域中，通過深度學習的人工智能圖像識別技術，研究無人駕駛技術的運用。無人駕駛技術也是當前人工智能時代基于深度學習技術的具體應用熱點，也是一項極具綜合信息技術的交通運行方式。無人駕駛技術包含3個方面的內容：一是監控設備、雷達設備和測距設備等硬件的構建，通過對交通環境的檢索，對周圍的交通狀況、行人車輛、交通崗等關鍵信息進行收集，然后回傳至集中處理應用系統中開展集中性的分類提取與處理。該部分作為整個系統的核心，通過對各種關鍵信息進行分析與判斷，結合綜合的道路情況對行駛車輛發出指令；然后指令接收系統根據處理系統發出的關鍵指令信息執行指令，對關鍵控制點進行適當把控［3］。無人駕駛能夠對交通情況進行分析，針對一些突發狀況也能夠做出應急處理，保證能夠準確接收并執行中央智能處理系統的指令，這也是當前無人駕駛深度學習的關鍵內容。

3.2 語音識別與轉換

人工智能在語音識別與轉換方面的應用，已經逐漸從最開始的簡單語言識別逐漸走向智能化的多語種、多內容的轉換。目前，語音識別主要采用混合高斯方式開展模型構建，該種模型構建方式的利用能夠切實提高語音識別的準確率，降低失誤率。但是語音識別也受環境因素影響，很多不可控制的自然環境或人為因素的干擾導致目前的語音識別技術在商業中的運用還不廣泛。隨著深度學習技術的發展以及語音識別技術算法的不斷研究，識別的失誤率逐漸降低，已經能夠滿足商業運行環境對語音識別的要求，如科大訊飛等有關企業的語音識別技術已經逐漸能夠在會議中進行運用，并取得了較好效果。

3.3 人臉識別

之前最常用的人臉識別方式主要包括主動形狀與主動表現兩種方式，除此以外還有其他的一些方式，例如使用部分描述與局部二值方式開展識別或特點提取的方法，然后使用線性分析進行研究等。受限于諸多的外界不穩定因素影響，如光線強弱、臉部表情、遮擋物照片像素質量等的影響，導致以往的人臉識別技術難以更精確地進行人臉的判斷。

而深度學習技術的發展讓更精準的算法與模型成為可能，能夠從基礎圖像信息中完成對人臉關鍵信息的提取與識別。通過對大量原始人臉圖片的表征學習，讓深度學習對關鍵信息的把控更為精準，通過更多關鍵算法的運作提高人臉識別精準度。深度學習下的人臉識別技術能夠借助強大的圖片信息處理能力進行深度關鍵信息的分析與提取，最終達到超過人類肉眼精準度的識別。深度學習的發展極大地推進了人臉識別中人工智能技術的進步，當前基于人臉識別的深度學習方法已達7種［4］。

4 結語

綜上所述，科學技術的深入發展帶動人工智能時代的快速進步，人工智能技術在當前社會經濟發展中具有越來越重要的地位。深度學習作為機器學習中的重要組成方面，經過不斷的深入研究與發展，已經初步形成了發展雛形，基于相關人類神經網絡與統計學等多方面的理論知識，與人工智能充分有機融合，應用于圖像識別、人臉識別等多種生活具體層面，并取得了較好的效果。