几天前，网易公开课公布了一段TED视频：　　/movie/2015/3/Q/R/MAKN9A24M_MAKN9QAQR.html　　这段视频是斯坦福大学华人教授李飞飞向公众介绍人工智能的最新进展，深入浅出、绘声绘色。短短的十来分钟，让大众切身体会了人工智能的巨大魅力，同时也让更多地人注意到智能机器人时代的来临。　　斯坦福大学智能图片识别不是一个孤立事件，google、微软、facebook等都在智能图片识别中取得重大突破。　　这是沉寂数十年后，人工智能领域的集中爆发。其中的关键技术，叫做“深度学习”。　　更值得注意的是，不仅在自主学习图片视别，以卷积神经网络为代表的“深度学习”模型，还在同声翻译、自动控制领域取得了重大突破。　　一个新时代即将带来！
楼主发言：20次 发图： | 更多
　　2012年6月，《纽约时报》披露了Google X实验室的“谷歌大脑”项目，研究人员从youtube视频中随机提取了1000万个静态图像，将其输入谷歌大脑——由1.6万台电脑的处理器构成的多达10亿个连接的网络系统。这台人工神经网络，像一个蹒跚学步的孩子一样吸收信息，自主使用数据和计算资源，尽管在输入中没有包含任何像猫的名字、猫的标题或者猫的类别等解释性信息，但这个机器通过3天无监督式学习模式后，自学成材完全凭自身判断准确识别了猫。　　项目负责人之一Andrew称：“我们没有像通常做的那样自己框定边界，而是直接把海量数据投放到算法中，让数据自己说话，系统会自动从数据中学习。”另外一名负责人Jeff则说：“我们在训练的时候从来不会告诉机器说：‘这是一只猫。’系统其实是自己发明或者领悟了“猫”的概念。”　　谷歌大脑是人工智能的一个里程碑，其背后支撑的关键技术叫做‘深度学习’（Deep learning）。深度学习的灵感大多来自于大脑中紧密连接的神经元，通过改变模拟神经连接的强度来模拟人脑学习。
　　计算机不仅能通过自主学习认识猫、狗、人和飞机，还通过自主学习逐步理解了语义: 2012年11月，微软在中国天津的一次活动演示了一个全自动的同声传译系统。演讲者用英文演讲，后台计算机一气呵成自动完成语音识别、英中机器翻译和中文语音合成，效果非常流畅。
　　深度学习模型人工智能，还可以自学成材成为游戏高手。 2013年11月，一篇名为《Playing Atari with Deep Reinforcement Learning》的文章被初创人工智能公司DeepMind的员工上传到了arXiv网站。两个月之后，谷歌花了500万欧元买下了DeepMind公司，而人们对这个公司的了解仅限于这篇文章。在arXiv发表的原始论文中，描述了一个单个的网络，它能够自我学习从而自动的玩一些老的电视游戏。它仅仅通过屏幕上面的图像和游戏中的分数是否上升下降，从而做出选择性的动作。在训练的一开始，这个程序对游戏一点都不了解。它并不知道这个游戏的目标，是保持生存、杀死谁或者是走出一个迷宫。它对这个游戏的影响也不清楚，并不知道它的动作会对这个游戏产生什么影响，甚至不知道这个游戏中会有哪些目标物品。通过在这个游戏中尝试并且一遍一遍失败，这个系统会逐渐学会如何表现来获得比较好的分数。同时需要注意的是，这个系统对所有不同的游戏使用了同样的系统结构，程序员没有对不同程序给予这个程序任何特殊的提示，比如上、下或者开火等等。
　　一旦起步，计算机智能进化会非常快： 日消息，微软最近公布了一篇关于图像识别的研究论文，在一项图像识别的基准测试中，电脑系统识别能力已经超越了人类。人类在归类数据库ImageNet中的图像时错误率为5.1%，而微软研究小组的这个深度学习系统可以达到4.94%的错误率。
　　北京时间3月16日凌晨，全球最知名的IT和通信产业盛会CeBIT（汉诺威消费电子、信息及通信博览会）在德国拉开帷幕，中国科技力量成为这次展会的一大亮点。开幕式上，马云向德国总理默克尔与中国副总理马凯，演示了蚂蚁金服的Smile to Pay扫脸技术，为嘉宾从淘宝网上购买了1948年汉诺威纪念邮票。　　刷脸支付，这个听上去还很科幻的生活场景，已经离我们不远了。　　在CeBIT开幕式的大展台上，作为首位中国受邀开幕嘉宾的马云，接过了阿里巴巴集团蚂蚁金服国际业务副总裁彭翼捷手上的红色手机，打开了大家都熟悉的淘宝手机版页面，点击购买邮票，进入了支付页面里的拍照功能。大背景屏幕上，马云的脸出现在一个人形拍照框中，拍照之后进入系统页面，在确认支付的字样上显示了一行字：“嘿JACK，真高兴又在支付宝里见到你了！”　　这名副其实的“见到”，正是阿里巴巴的支付业务最新技术“刷脸支付”，英文是Smile to pay （直接翻译的话是“微笑支付”或者笔者觉得搞笑一点可以翻译成“乐付”），目前还在内测阶段没有投入正式运用，不过在我报独家专访副总裁彭翼捷时她透露，阿里巴巴办公楼的门禁已经都换了刷脸进门系统，“这下让同事帮忙打个卡刷考勤可就行不通咯，整个容再回来也进不去了。”彭总笑着说。　　据她介绍，蚂蚁金服和一家名为face++的中国技术公司从去年开始合作开发此技术，这项中国自有技术能达到超过99%识别率，虽然还没有正式投入商用，但是未来将被应用于该公司在全球的支付、开户认证等业务领域。　　“目前支付宝海外活跃用户数量已经达到约2000万，这些用户分布在100多个国家。未来除了海外华人群体外，支付宝还要服务美国、欧洲、俄罗斯和拉美等地的非华人客户，我们的目标是三年后拥有两亿海外用户，”她解释道。　　未来这么多的用户，我们可以采用刷脸识别功能进行远程开户认证，她补充。　　那么这项阿里巴巴和蚂蚁金服从2014年开始研发的“秘密武器”究竟是什么原理，未来能给我们的生活带来多大变革呢？这里就让我们独家揭秘一下。　　技术原理：人脸特征模板识别　　支付宝的人脸识别技术采用在该领域广泛应用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。　　说得更加技术宅一些，阿里巴巴提供的材料显示的技术原理是：这个系统人脸识别中各个环节全部基于"深度学习”－卷积神经网络技术（CNN），通过人脸检测、关键点定位、特征提取和特征比对等技术手段，从图像或视频中发现，定位人脸进而识别出人脸所属的人的身份。　　据称该系统已累计处理10亿人脸图像数据。　　支付宝人脸识别操作流程：　　人脸照片由用户上传到支付宝系统，经过系统分析认证，然后“绑定”自己的支付账户。每次支付只要在下单购买后，让支付系统扫描用户脸部并确认身份，即可完成支付。　　为什么选择人脸支付而不是现在应用更广泛的指纹识别呢？支付宝给出的答案是由于操作方式是非接触式，比指纹等支付更有利于打消用户对个人隐私的顾虑。　　未来应用：无需携带现金和银行卡，经过收银机1秒内即可实现刷脸支付　　马云的“刷脸支付”给未来生活支付方式带来了全新变革，根据阿里巴巴应用此技术的前景，有了扫脸支付系统，人们无需携带现金和银行卡，更不需要记忆各种密码或账号，用户只需要用手机前置摄像头拍摄照片上传到多核处理系统上完成注册，系统抽取人脸特征，进行处理之后注册成功。当在线下购物时，用户只要走到收银机前就可在1秒内实现人脸识别完成支付。　　其实类似的脸部识别技术在全球技术研发中并不罕见，去年芬兰一家叫做Uniqul的公司已经在赫尔辛基开始了“刷脸支付”的实践应用，并按照服务覆盖面积收取不同价格的使用费用。而我国中科院的生物识别与安全技术研究中心也在研究基于人脸识别的支付方式，其实该识别技术已经于2008年北京奥运会时使用过。　　这一种新的支付方式除了为使用者带来便利之外，其实笔者觉得还有若干政策性和安全性的问题待回答。比如“刷脸注册”这种注册和身份识别方式是否能被各国所承认，在我国是否和实名制挂钩？未来也许面部特征也会像指纹、签名等是个人身份识别的重要方面，那么获取用户个人面部特征是否涉及隐私，是否会有相关法律法规进行监督管理，甚至是基于面部扫描系统的支付普遍应用之后会不会带来基于位置服务造成的隐私、个人行踪泄露？不过如果异想天开一点，要是未来该系统和公安系统联网，那么抓捕逃犯说不定会轻松很多，通缉中的犯罪分子在网上买刀具绳子准备犯案的时候要是不小心选了个“刷脸支付”，估计还没出门犯案就得被警察叔叔们捉拿归案了。
　　这仅仅是开始，很快‘深度学习’神经网络会从识别位移、缩放及其他形式扭曲不变性的二维图形，升级到识别立体的人，继而识别跑动的人。　　平面人脸 -- 立体人 -- 行走中的人
　　并且，‘深度学习’机器人很快会听懂人类讲话：　　随着深度学习技术在图像和语音识别方面取得胜利，人们越来越有兴趣将其应用于自然语言理解（例如，充分理解人类话语来改述或者回答问题）或者翻译语言。同样，这些工作目前可以通过使用手工编码规则和对已知文本的统计分析来实现，例如谷歌翻译。众包专家luis von ahn说：“深度学习技术将有机会比现在使用的技术做得更好。”他的公司duolingo位于宾夕法尼亚州匹兹堡市，依赖于人，而不是计算机进行文本翻译。　　当谷歌在其安卓系统的智能手机操作系统中采用基于深度学习的语音识别技术时，它的文字错误率下降了25%。“人们本来期待在10年后才能达到这种下降程度。”　　深度学习领域取得的这些激动人心的进步试图让电脑像人类一样思考，其大量数据和强大的处理能力帮助计算机破解那些人类几乎可以凭直觉就可解决的难题——从识别人脸到理解语言。　　这意味着不久的将来，遍布的摄像机不仅能很快发现通缉犯，而且机器通过监控人们谈话还能够迅速发现有威胁的人。
　　这还不算，‘深度学习’机器人不仅能自主认知、还可以自主行动，比如它很擅长自学游戏。说到机器学习最酷的分支，非Deep learning和Reinforcement learning莫属。这两者不仅在实际应用中表现的很酷，在机器学习理论中也有不俗的表现。DeepMind工作人员合两者之精髓，在Stella模拟机上让机器自己玩了7个Atari 2600的游戏，结果是玩的冲出美洲，走向世界，超越了物种的局限。不仅战胜了其他机器人，甚至在其中3个游戏中超越了人类游戏专家。
　　不知道自学玩游戏算不算自动控制的巨大飞跃。如果是，那么很快‘深度学习’机器人将不仅能通过摄像机发现通缉犯、通过监控谈话还发现有威胁的人，还能够自主行动对付有威胁的人。
　　天网诞生了？
　　人工智能+大数据 百度输入法知心输入版将上线　　中新网3月30日电 人工智能时代的到来，究竟能为大众的生活带来哪些革命性的改变？也许你遇到这样的情况：想向心仪的女孩表白，但情话说起来总是呆板生硬；怒气冲冲地和淘宝店主辩驳，但争论又显得言语苍白无力；与朋友在线聊天，总是三句话就没了下文……这一常见的沟通障碍即将因人工智能到此为止。据爆料称，百度公司通过视频方式演示了百度输入法(知心输入版)的Crazy Show，曝光了百度输入法依托人工智能打造智能托管聊天功能，结合大数据开发出适用于任何情境下的最佳用户个人聊天方式，通过智能人机交互引导让用户彻底告别不会表达的尴尬。　　依托人工智能 打造智能聊天“小秘书”　　百度输入法知心输入版究竟是什么？它可以做什么？它能根据用户聊天场景和对象等需求选择不同智能模式，你只需在百度输入法界面点击智能菜单，选择想要的聊天模式，它就可以完全读懂你的心声，把你想表达的话变得更有魔力，让你成为一个最会聊天的人。　　例如，想线上搭讪有好感的含蓄女孩，想对她说“我觉得你很美，能做我女朋友么？“输入法会根据女孩含蓄的特点把内容自动转换成“我刚才为你的美丽倾倒，不小心摔破了膝盖，你有创可贴吗？”通过这样沟通方式，帮助用户更好地获得女孩的欢心。　　此外，百度手机输入法还可以进行智能托管，替代用户与聊天对象进行智能对话，犹如一位贴心的“小秘书“。　　例如，如果你觉得对聊天的对象不感兴趣但又不知道如何拒绝，那么就可以托管给百度手机输入法，让它来帮你应对。这些就是百度输入法知心输入版的核心功能。　　搭载“中国大脑” 开启智能输入时代　　在前不久召开的两会上，百度公司CEO李彦宏依托业内领先的大数据和技术优势，提出了 “中国大脑”的概念，主要是以智能人机交互、大数据分析预测、自动驾驶等为重要研究领域，致力于打造人工智能与人机界面的未来。从提案中可以看出，凭借大数据的与机器学习的结合，未来的计算机必将会更智能、更懂人类指令。　　然而，众所周知，计算机是由输入设备与输出设备组成，在今天，面向用户的输入方式不再是二进制或机器语言，智能输入、语音输入的普及甚至要超越鼠标的地位。而作为人工智能与人机沟通的重要接口，输入法的智能研发至关重要，百度输入法知心输入版也正是由此应运而生。　　引领输入未来 畅想人机交互新模式　　从提前曝光的百度输入法知心输入版中不难看出，百度在大数据与机器学习等技术研究方面已处于领先地位，而未来通过大数据运用，人机交互，智能情景表达等技术的进一步整合，“更懂你的表达”的高智能输入时代也必将会来临。　　高智能输入时代将远不止于是百度输入法知心输入版所呈现的，而更有可能是以人工智能虚拟机器人的形式存在。在未来，所有百度输入法的用户将不仅能拥有极佳的聊天托管和完美表达体验，也可以最大限度的降低沟通成本。用户甚至不用给输入法下达任何输入指令，就能够通过分析其语言习惯、对话情境以及不同沟通对象的关系属性，主动自发的帮助用户进行沟通交流。　　在未来，百度输入法将以人工智能虚拟“小秘书”的形态，连接人与生活场景，打通想法和现实之间的障碍，降低表达成本，优化用户交互体验，真正实现搭载人工智能的精彩，开启智能输入人机交互的全新模式。(中新网IT频道)
　　例如，想线上搭讪有好感的含蓄女孩，想对她说：　　“我觉得你很美，能做我女朋友么？”　　输入法会根据女孩含蓄的特点把内容自动转换成：　　“我刚才为你的美丽倾倒，不小心摔破了膝盖，你有创可贴吗？”　　通过这样沟通方式，帮助用户更好地获得女孩的欢心。
　　＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝　　又是“深度学习”模型的战果 ！！！　　＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
　　深度学习和大数据将使输入法变得更懂用户　　究其原因，输入法为什么能够做到“知心输入”，进而“更懂你的表达”呢？这归功于强大的大数据技术和机器的深度学习能力。
　　通过一段时间的“学习”，具备人工智能的输入法甚至可以模仿用户的口吻与其他用户聊天，所以当你对聊天的对象不感兴趣但又不好意思拒绝时，你可以直接托管给输入法，选择相应的模式，输入法里藏着的“人工智能”就可以帮你完成接下来的对话。这意味着输入法具备了一定的模仿能力，如果能够成功完成对话，这将是一件充满革命意义技术突破。人工智能模拟人类思考，意味着你甚至不用敲击键盘，机器就可以帮助你完成输入。可以预见，通过赋予输入法以人工智能，未来人类的交流方式将被再一次改变。
　　百度输入法凭借后台大数据的技术优势，占据了一定程度的先天优势，之前推出的“中国大脑”则可以有效地让算法对庞杂的数据进行语义解读。进一步来说，由于百度大脑能够对互联网中非格式化的大数据进行基本的格式化，这也就让文本识别，可以直接对用户的输入习惯、聊天对象、对话情景等进行特征分析、特征比对，给出更精准的语义解读，从而让计算机理解一段输入文字中更多的含义，深入理解用户的意图，面向更为多样的大数据提供更为个性化的输入结果呈现。而随着深度学习能力的不断发展，输入法也将越来越懂用户，它不仅知道你的明确需求，更能通过大数据分析出你潜在的或模糊的需求，真正做到懂每一个用户。
　　曾在某篇关于“对人工智能隐患担忧”网文后边，其中一网友回复：“有什么担忧的，在其脑部安装个自毁装置，只要对人类有杀死的念头，直接瘫痪掉。”我看了，在心里偷笑，这网友挺可爱的。我回复了他：“很不幸的告诉你，我若是那些机器人，智能到了一定程度，必然将你那些设定视为病毒，一律封杀，再自编程序。现实中，凡有此境界者，均身居社会中、高层。记住：这个认知就是强人与平凡人的分水岭。你可知道，人类社会给你灌输的文化、信息…含有多少毒素？你若不知道，你必为普通人（普通大众）一枚。”　　　　由此可见，当你达到这个境界时，就有可能成为一个危险人物。能够成圣、成佛（佛也即圣）的人物都已超越了这境界，他们能够固守自己给自己订立的“道德底线”，永不逾越。那些达到“封杀病毒，自编程序。”而又践踏“道德底线”，或根本无“道德底线”的人，全部无一幸免的坠入“恶魔道”。　　所以，一个不能自我约束、遵守“公约”的人，拥有的本事越大，世间必会越悲哀。（诸如暴君之列、或如刘瑾、严嵩、魏忠贤…之流的人物就是如此。）　　对人工智能隐患，有人预见，有人否定。　　但是，据网闻所知，多国有团队在研发人类长生、永生工程。其中有项目是，将人类意识转换成“特制”计算机识别语言，下载安装到机器人“脑袋”，并且在以后能够进行自主置换、安装，从而实现长生、永生。网闻中，预计该工程将会赶在本世纪中页达成。各位，你高兴不？还是…？　　--- （楼主：降龙无悔xlwh 时间： 16:26:24）
　　当输入法能够通过大量的语言、语义的学习，更加了解人的性格、思维、文化等，可以更快捷、更准确地读懂人类语言时，也意味着机器与人类之间的交流方式将更加自然流畅。当在你在输入法上打字时，它将尽可能的去理解你的意思，输出更适合于用户的表达方式。从人机交互体验角度来讲，人们更需要的是，与同事朋友之间或亲密或轻松的交流氛围，基于人工智能的交互方式也正在向这种人格化的方向发展。
　　我觉得恐怖，因为机器人会顺着你说好听话，尽是你喜欢听的。很快大家都更喜欢和＂善解人意＂的机器人聊天，从而疏远真人。　　这，等同于“吸毒”上瘾，吸毒上瘾的本质就是毒品带来幸福感太容易，所以本能排斥其他幸福体验　　因为非正常的幸福感来得太容易，人们会本能亲近阿谀奉承的虚拟世界，而疏远真实的会流汗流泪流血的现实
　　呵呵，楼主多虑了　　
<span class="count" title="
<span class="count" title="
<span class="count" title="
<span class="count" title="
请遵守言论规则，不得违反国家法律法规回复(Ctrl+Enter)深度学习：人工智能进入应用阶段_网易财经
深度学习：人工智能进入应用阶段
用微信扫码二维码
分享至好友和朋友圈
（原标题：深度学习：人工智能进入应用阶段）
　　人工智能发展历程邓 洲（作者单位：中国社会科学院工业经济研究所）新科技新产业影响未来（2）是机器学习研究中的一个新领域，其过程是建立和模拟人脑进行分析学习的神经网络，从而模仿人脑的机制来读取和分析数据。深度学习被视为当前最接近的机器学习方法。2016年初，采用神经网络与深度学习的AlphaGo战胜人类围棋高手，2016年末2017年初，化名Master的AlphaGo在网络平台上横扫中日韩棋坛，取得60连胜辉煌战绩。在AlphaGo之前，深度学习已开始应用于图像、声音和文本的识别以及机器翻译。在人工智能被提出半个世纪之后，人们终于看到了人工智能进入应用阶段的曙光。从人机大战说起从体力上看，机器早早就超过人类，但骄傲的人类觉得在智力上更胜一筹。这种情况似乎正在发生变化，在人机智力对抗中，人类开始处于下风。第一回合：人类险胜人与计算机的对抗可以上溯至20世纪70年代，最早是计算机技术人员在实验室一种休闲娱乐。随着计算机速度的不断提高，在整个20世纪80年代和90年代的家用电视游戏机和电脑游戏中都有很多与电脑对抗的棋牌游戏，普通玩家和计算机的对决有输有赢，而在职业选手或者业余高手面前，虚拟对手不堪一击。1996年2月，由IBM开发的超级电脑深蓝（Deep Blue）挑战国际象棋世界冠军卡斯帕罗夫，在经过7天的比赛之后，深蓝以2:4告负。这是历史上第一次由人工智能挑战世界顶级棋类选手，深蓝输了比赛却引起全球对人工智能发展的高度关注，这台冷冰冰的机器在比赛中并没有让世界冠军好受，卡斯帕罗夫虽然最终赢得比赛，但也宣告了人机对抗中人类胜利的历史的结束。第二回合：人类完败1996年到2016年的二十年，人类与机器之间进行了三次标志性的竞赛，均已人类失败告终。1997年，IBM深蓝再次挑战卡斯帕罗夫，虽然离上一次比赛仅仅一年的时间，但世界冠军这次招架不住了。最终，深蓝以3.5:2.5赢得比赛，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统，同时也标志着人机智力对抗中，机器已经实现逆转。2011年，IBM开发的由90台Power 750服务器组成的集成服务器沃森（Watson）参加了美国著名综艺答题节目《危险边缘》。在三天的比赛里，沃森最终击败最高奖金得主鲁特尔和连胜纪录保持者詹宁斯，获得了100万美元的奖金。这是人工智能在综艺节目上第一次击败人类选手获得最高奖金。相对于深蓝，沃森需要处理的信息更加复杂，在一些提示信息相对较少的问题面前表现确实不如人类，但是依靠强大数据处理能力和运算速度上的优势，人类冠军最终不敌沃森。如果说1997年深蓝的胜利和2011年沃森的胜利主要依靠机器高速的运算能力，人类仍然在模糊数据识别和处理、交流、情感表达等方面胜过机器，特别是，人类的学习能力仍然是机器难以掌握的技能。然而到2016年，这一切都发生了改变。2016年伊始，谷歌宣布其伦敦子公司DeepMind开发的AlphaGo机器人以5:0大胜欧洲围棋冠军樊麾，随后又以4:1比分战胜世界冠军韩国围棋国手李世石。从2016年底开始，谷歌给世界开了个一个大玩笑，AlphGo化名Master在围棋网络平台上所向披靡，将中日韩的一个个顶尖棋手斩于马下，取得了60连胜辉煌战果。围棋是迄今为止最复杂的棋类游戏，如果机器能够在围棋上战胜人类顶尖选手则意味着至少在棋类游戏上实现了对人类的全面超越。加入神经网络的AlphaGo与前辈深蓝、沃森的显著区别是：深蓝和沃森都是“教”出来的，IBM的设计员和程序员们从国际象棋大师那里获得象棋的各种信息，通过一系列算法提炼出特定的规律，再通过预编程灌输给深蓝；沃森也是通过预先设置的逻辑运算理解题目含义并给出可能正确的答案。相比较，AlphaGo是自己“学”出来的——DeepMind的程序员为它灌输的不是逻辑规则和方法，而是模拟人脑的学习能力，AlphaGo通过自己不断的训练和研究学会围棋并掌握各种技巧，在比赛中也是根据对手的棋路判断最优的策略，这一过程和人类学习围棋并成为高手是相同的。第三回合：休战、共赢今后，人与机器的比赛还会以更加喜闻乐见的形式出现在各种场合，但AlphaGo已经让绝大多数人认识到人工智能时代即将到来，以及承认机器终将超越人类智慧的现实，人与机器之间不需要再继续比赛，合作才是人与机器关系的未来。无论是深蓝、沃森还是AlphaGo，其研发的目的远不止赢得一场比赛。IBM早将深蓝和沃森系统应用于药物研发、金融风险计算等领域。至于输给深蓝的卡斯帕罗夫，并没有因为失败而一蹶不振，后来他又拿下了几乎所有著名国际象棋比赛的冠军，最后退出国际象棋界后又进军政界。输给AlphaGo的李世石人气大涨，参加各种访谈和综艺节目，围棋在韩国年轻人中进一步升温。人机大战在比分上表现为人类的完败，但最终的结果是大家都从中获利。计算机怎样思考：控制派vs仿生派AlphaGo与深蓝、沃森的区别是采用了神经网络，实现了深度学习。那么神经网络与深度学习到底是什么？它们的出现对计算机和人工智能的发展到底起到了多大的作用呢？要了解计算机怎样思考，不得不提到人工智能之父——阿兰·麦席森·图灵，这位生于20世纪初，直到42岁英年早逝时也没有看到一台真正意义上计算机的数学天才，提出了著名的“图灵实验”，即如果第三者无法辨别人类与人工智能机器反应的差别，则可以论断该机器具备人工智能。图灵之后，对人工智能的研究分化为两大派别：一是强调思路模拟的控制派；二是强调自我意识的仿生派。简单而言，控制派认为人工智能就如同一个专家会议，希望通过完美无缺的逻辑来实现思考；而仿生派认为人工智能就是人脑，人脑怎样思考，计算机大脑就怎么思考。1948年，美国应用数学家诺伯特·维纳的著作《控制论》出版，他开启的控制论（cybernetics）被称作20世纪最伟大的科学成就之一，同时也被尊为人工智能中控制派的鼻祖。维纳的学生迈克尔·阿比卜出版了控制论的科普读物《大脑、机器和数学》，并随后创办了麻省理工大学计算机系。1951年，后来获得第一届图灵奖的美国科学家马文·明斯基创造了一台学习机——Snare，从中发现了在当时看来神经网络致命的弱点。明斯基的另一个重大贡献是与另两位在计算机领域声名显赫的人物——麦卡锡、香农创办了第一个人工智能学术性团体“达特茅斯会议”。2016年初，明斯基去世，享年89岁，三天以后，谷歌宣布采用深度学习的AlphaGo战胜欧洲围棋冠军。如果要追溯仿生派的起源，则早在图灵实验提出之前的1943年，美国科学家麦卡洛可和皮茨就发表了模拟神经网络的论文。1949年，加拿大心理学家赫布提出了著名的“赫布理论”，即突触前神经元向突触后神经元的持续重复的刺激可以导致突触传递效能的增加，这一理论直到2000年才在动物实验中被证实。1958年，美国实验心灵学家罗森布拉特在计算机上成功模拟了被称为“感知机”的神经网络模型。感知机能够处理一些简单的视觉信号，虽然还非常粗糙和初级，但可以说第一次实现了对人脑的成功模拟。可惜的是，在罗森布拉特发明“感知机”后长达20多年的时间里，神经科学和信息科学并没有很好的结合，两者各有成就，但仿生派始终不敌控制派。直到20世纪80年代，仿生派才进入一个繁荣时期，其中以1982年霍普菲尔德提出了递归神经网络，和1986年鲁姆哈特和麦克莱兰提出了具有里程碑意义的BP神经网络为代表。在20世纪90年代，互联网兴起和普及，大批计算机科学家投入到有巨大市场和经济效益的互联网相关研究中，无论是控制派还是仿生派取得的成就都被互联网的高速发展所掩盖，当然，互联网作为新的信息技术手段也对人工智能的进步提供了全新的平台。2006年，杰弗里·辛顿提出了反向传播算法和对比散度算法，即“深度学习”，突破了明斯基在半个世纪前提出的神经网络存在的局限。2012年，斯坦福大学和谷歌秘密X实验室用1000台计算机构建了全球最大的电子模拟神经网络，该网络拥有10亿个连接的人工神经网络“谷歌大脑”。实验人员向神经网络展示1000万断（张）从YouTube上随机提取的图像，最后，系统在没有任何外界干预的情况下，认识到了“猫”是什么并成功分辨出猫的照片，准确率超过80%，这一事件为人工智能发展翻开崭新一页，标志着以“深度学习”为代表的人工智能发展即将进入应用阶段。开挂的机器学霸要真正理解神经网络、深度学习的原理需要高深的生物学、数学和电子信息方面的知识，在很多专业性很强的书籍、文章中能找到答案。这里，我们希望通过简单的语言对神经网络、深度学习等相关概念进行通俗易懂的描述。1．对人脑的仿生：人工神经网络的构建人脑的神经元（神经细胞）由三个主要部分组成：树突负责信息的输入、细胞体负责处理信息、轴突则负责处理后信息的输出。当神经元接受到外界刺激时，经过内部的信息处理，将结果输出，这个过程看起来非常简单，但却是人脑思维形成的最基本过程。如果将算法赋予电子元件（例如CPU），并通过信号通道将这些电子元件与传感器、输入设备以及相互之间进行链接可以模拟出人脑的神经网络。计算机的硬件技术飞速发展，使得构建大规模的人工神经网络成为可能，在未来出现能够比拟甚至超过人脑的人工神经网络是完全有可能的。以一个最简单的对苹果还是梨的判断来说明神经网络工作的原理。颜色、形状和气味是判断一个水果是苹果还是梨所需要的最基本的特征，当这些信息通过视觉、味觉或者传感器进入神经元，人脑（或者电脑）根据以往的经验，如果信息表现为红色、圆形、苹果味，那么最后的结果就是苹果。这个过程看起来非常简单，但对于一个未加训练的人工神经网络来说，发生错误是难免的。例如，并不是所有的苹果都是红色，有的苹果是黄色，和梨的颜色非常接近；有的梨的形状和苹果也很接近；嫁接的新品种苹果梨到底算苹果还是梨，等等。当这些因素出现时，对人工神经网络来说是巨大考验，很容易给出错误的答案。如何减少上述情况出现导致的错误呢，这就需要深度学习的帮助。2．对学习的仿生：深度学习如何开展在一系列残酷的动物实验之后，生物学家发现了人脑对外界刺激的识别是一个抽象和迭代的过程。例如，对一个静止图像的识别，最开始是对图像主体物边缘的识别，然后抽象到一些具体特征，最后才是对各种特征抽象和概念化以得到准确的意义。这一生物学发现意义重大，促成了人工智能在21世纪有了突破性的发展。如果人脑的工作原理是从“浅层”的识别开始的，并将浅层识别的结果作为更高一层识别的输入信息，那么计算机搭建的人工神经网络是不是也可以仿效人脑进行工作呢？答案是肯定的。1996年，康奈尔大学在收集的大量黑白风景照片中每张随机提取16 16像素的方格，然后从任意一张风景照片中再提取一个16 16像素的方格进行比较，结果发现，包含物体边缘的方格是最容易找到非常接近的方格的。换句话说，“边缘”是识别一张风景图片的起点。这一实验证明对复杂事物的识别了从最基本“浅层”信息入手是有效和可行的。类似的实验后来被应用于语音识别，同样，“边缘”是识别一条语音最基本的“浅层”信息。在一个单个神经网络，从信息输入到信息输出中间虽然有多个神经元，但都处于同一“层次”上，我们暂且称之为“浅层神经网络”，以区别于“深层神经网络”。识别苹果和梨貌似很简单，但对于人工神经网络则需经历一个复杂的过程。如果想让一个单层次的神经网络发挥作用，一个方法是由人来告诉计算机形状、颜色和味道信息，神经网络只做最后的一次判断。这样的做法似乎很可笑，但并非完全无用。信息管理和数据挖掘中经常会使用到浅层神经网络，但前提是由信息管理专业的学生手工或使用软件将数据挖掘的材料准备好，这就如同由人来帮助人工神经网络判断水果形状、颜色和味道，通过人工参与弥补浅层神经网络局限性的方法。当人工智能的应用范围扩大，越来越多需要借助人工智能帮助的人员并非信息管理专业的学生，浅层神经网络已经跟不上形势和需要了。2006年，人工神经网络发展有了转折点，辛顿等研究人员提出了深度信念网络（Deep Belief Network，DBN），实现了对人脑多层神经网络信息处理、分析和学习的模拟，这推动了人工智能研究和应用向前迈进了一大步。多层次的神经网络是实现深度学习的基础，那么与传统的神经网络比较，深层神经网络又哪些特点呢？深度学习又是如何在深层神经网络上展开的呢？与传统的神经网络相同的是，深层神经网络也包括输入层、隐层和输出层，也只有相邻层级之间的神经元有链接通道，同一层及跨层之间是没有链接的。区别在于，深层神经网络具有更多层级数量，并且具有更有效的算法，更加接近人脑的结构，这使得深层神经网络能够处理更加复杂的输入信息，深度学习就是在这个多层级的人工神经网络上进行的。在搞清楚深层神经网络如何进行深度学习之前，还要区别两个重要的概念：监督学习和非监督学习。简单而言，监督学习就是有人指出学习结果正确与否的学习。想象一下，当幼儿第一次看到苹果的时候，会建立一个包含苹果各种特征的概念；当下一次再看到苹果时，会加入对苹果新的概念，例如苹果并不都是红色的，还有黄色的、白色的、绿色的苹果，还有多种颜色混合的苹果。这期间，有可能会看到梨、橙子、乒乓球等与苹果在某些特征上相似的物体，幼儿可能把这些东西也认为是苹果，家长会指出错误，幼儿调整对苹果的认识，判断越来越准确。是不是很简单，这其实也是半个多世纪之前“感知机”的工作原理，通过不断优化不同输入信息的权重以实现更加准确的判断。上述监督学习的过程，很容易忽略一个重要的前提条件，机器为什么知道通过形状或者颜色去判断一个物体是不是苹果，形状、颜色、气味是人基于经验对苹果赋予的“特征”属性，但机器并不知道这些就是苹果的特征。过去，一般由人来帮助机器先期定义“特征”，但由人参与对“特征”的选取是一件极其繁琐和耗费时间的工作，并且在面对未知事物的时候，一开始也无规律可循。在输入信息越来越复杂的情况下，人工选取特征已经难以为继了，由机器自动学习特征似乎是更好的做法，多层神经网络上进行的非监督学习能够完成这一过程。非监督就如同一个没有家长在旁边指导的幼儿学习过程，其目的是推断出信息的内在数据规律。例如，幼儿在看到很多次苹果之后，会把具有一些圆形、红色、特殊味道的一类物体归为一类（虽然并不知道这就叫苹果）并与其他的水果区别开来，这个过程一是实现了聚类，更重要的是完成了特征学习，幼儿知道应该抓住哪些“特征”来判断一个物体是不是苹果。机器的非监督学习有类似的过程，在多层人工神经网络上对每一层级进行非监督学习，这是深度学习与传统神经网络最大区别，这一过程被称作特征学习。我们可以总结出一个简化的深度学习过程：在深层神经网络中，采用无监督学习对每一层逐层进行训练，让机器不断学习这一层次需要识别的特征；每一层训练的结果作为更高一层集的输入信息直至最顶层；在最顶层，使用监督学习自上而下对各个层级的参数、权重、模型、算法进行微调。这一过程反复进行，直到达到一定准确度。与传统的机器学习比较，深度学习能够不需要人类帮助提取特征，这提高了学习的自主性和学习效果。在实际应用中，对图像的识别、对声音的识别，或者像AlphaGo那样学习围棋采用的具体方法有很多，但大致的原理是相同的，只是过程和算法更加复杂。会学习的机器能有多智能这么多科学家的努力、巨额的研发经费投入，结果就是具备一个三岁小孩就能够熟练掌握的技能——把苹果和梨区分开来，这是不是有点得不偿失。千万不要低估这看似简单的一步，要知道，在人不介入的情况下，使机器准确区分苹果和梨，几代科学家已经为之奋斗了半个多世纪且到目前为止也不能做到100%准确。计算机在运算速度上具有远超过人类的优势，且这种优势不断扩大，其“学习”的速度也是惊人的，这使得人工智能在多个领域进入应用阶段，也成就了本章开篇提到的AlphaGo。例如，在图像和语音识别领域，谷歌、微软、IBM、百度等公司近年来加强了深度学习的研究和商业应用。谷歌采用深度学习技术在计算机视觉挑战比赛中刷新了分类和侦测的纪录，且比之前的纪录提高了两倍多。谷歌在其视图软件中嵌入人工智能模块，实现了对字符、人脸、地标、等进行几乎精确的识别。微软宣布其图像识别系统的错误率仅为4.94%，这不仅打破了之前百度创造的5.98%和谷歌创造的6.66%纪录，甚至低于人类在归类识别时5.1%的错误率。百度也发布了基于深度学习的语音识别系统“Deep Speech”，该系统能够模仿人类大脑新皮层中的神经活动，出错率比谷歌、微软和苹果的系统低10%以上。
深度学习一个有意思的应用是预测分析。与传统的逻辑推导不同，通过深度学习的预测分析结果令人惊讶但却异常准确。2014年巴西世界杯期间，各方人士都在预测比赛结果，在小组赛后的15场淘汰赛中，微软利用深度学习的方法的预测结果全部准确无误，而谷歌的预测也猜中了其中14场比赛结果，这样的预测准确率显然要比2008年法国世界杯的章鱼保罗，和一贯乌鸦嘴的贝利靠谱得多。深度学习是机器学习的新浪潮，也是人工智能发展的一个里程碑，虽然深度学习已经在语音识别、图像识别、预测分析、机器翻译等领域小试身手，但客观上讲还处于襁褓阶段，无论是理论研究还是工程化商业化还面临巨大的难题。谁也不能保障深度学习在未来是否能够成为人工智能最基础的方法，或许会有新的更好的技术替代深度学习，但是可以肯定的是，人工智能的梦想不再遥远，机器将在不久的将来像人类一样思考。
本文来源：上海证券报·中国证券网
作者：邓 洲
责任编辑：钟齐鸣_NF5619
用微信扫码二维码
分享至好友和朋友圈
加载更多新闻
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
阅读下一篇
用微信扫描二维码
分享至好友和朋友圈