產(chǎn)品經(jīng)理了解人工智能必讀（基礎(chǔ)篇）

不過第一章的知識已經(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)知識了，自己總結(jié)了一篇文章就當(dāng)是對這一章內(nèi)容的重點(diǎn)知識總結(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，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)的收集過程中我們不得不說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)視覺識別提供了可標(biāo)注的海量數(shù)據(jù)庫，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早期的知識庫規(guī)則

最早期的人工智能系統(tǒng)往往是通過人工的制定計(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)則的過程就是算法出現(xiàn)的過程。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H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)?，國際象棋完全可以由一個(gè)非常簡短的、完全形式化的規(guī)則列表來描述，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，建立知識庫從而讓計(jì)算機(jī)可以使用邏輯推理規(guī)則來自動(dòng)地理解這些形式化語言中的申明，然而這種方式并沒有得到良好的發(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于貓的識別方式。通過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)的識別場景中，貓的形態(tài)是千變?nèi)f化的話，僅僅通過人工指定特征是完全不能夠解決這個(gè)問題的，特別是復(fù)雜物體的特征，人工進(jìn)行指定特征更是無法完成。

2.3表示學(xué)習(xí)階段

其實(shí)，簡單的機(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單的機(jī)器學(xué)習(xí)算法，也就是之前我所說的貓的特征集的例子。 然而，對于許多任務(wù)來說，我們很難知道應(yīng)該提取哪些特征，也就是通過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)不了對于復(fù)雜特征的學(xué)習(xí)和表示，如何通過簡單的規(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)建較簡單的概念來學(xué)習(xí)復(fù)雜概念。這種層次化的提出來自于對人類神經(jīng)大腦的研究成果，研究表明人類通過眼睛獲取外界信息傳遞給大腦的過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來的結(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)就是通過其他較簡單的表示來表達(dá)復(fù)雜表示，解決了表示學(xué)習(xí)中的核心問題。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理解世界，而每個(gè)概念則通過與某些相對簡單的概念之間的關(guān)系來定義。讓計(jì)算機(jī)從經(jīng)驗(yàn)獲取知識，從而可以避免由人類來給計(jì)算機(jī)形式化地指定它需要的所有知識。

總的來說，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抽象表示)。

3.2一張圖來理解深度學(xué)習(xí)的概念

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

從圖像識別來說，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象標(biāo)識的函數(shù)非常復(fù)雜。如果直接處理，學(xué)習(xí)或評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單映射(每個(gè)由模型的不同層描述)來解決這一難題。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比較相鄰像素的亮度來識別邊緣。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檢測特定對象的整個(gè)部分。最后，根據(jù)圖像描述中包含的對象部分，可以識別圖像中存在的對象。

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：人工智能的未來發(fā)展會(huì)怎么樣？

機(jī)器的誕生就是為了運(yùn)算和存儲數(shù)據(jù)的，在數(shù)字的計(jì)算和抽象問題的解決上，計(jì)算機(jī)已經(jīng)完全的超過了人的水平，但是往往這么厲害的機(jī)器卻不能完成對整個(gè)世界簡單東西的認(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話的意思。能夠進(jìn)行海量的存儲，卻不能很好的認(rèn)識一張普通的圖片，其實(shí)很某個(gè)角度來看，人工智能的發(fā)展其實(shí)是和人類成長是相反的。

人類對世界的認(rèn)知其實(shí)是從0-6歲就已經(jīng)形成的，在這個(gè)階段人通過學(xué)習(xí)認(rèn)識了這個(gè)世界簡單的物體，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)，從而形成對最基本常識的認(rèn)知。最后通過小學(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，但是對于大千世界的認(rèn)知卻還停留在嬰兒階段。據(jù)說，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。有人問人工智能未來的發(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6歲孩子對于世界的認(rèn)知，那么人工智能在所有的行業(yè)領(lǐng)域都會(huì)超過人類專家水平。

我這么斷定肯定會(huì)有人指出一個(gè)問題，即使是現(xiàn)在也有很多人來討論人機(jī)倫理方面的問題，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，現(xiàn)在還不是考慮這個(gè)的問題的時(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。