人工智能代表了将来。
人工智能只属于科幻小说。
人工智能已成为我们日常生活的一部分。
所有这些说法全是精确的，只是取决于您所说的是什么样的人工智能。
本年早些时候谷歌Deepmind的AlphaGo击败了韩国围棋巨匠李世石。媒体正在报导AlphaGo的成功时，混同使用了人工智能、机械进修和深度进修等多种术语。
事实上，这三方面手艺都为AlphaGo的成功干出了奉献。然而，这三项手艺有所不同。
下面这个图表能够直观地看到这一些术语之间的联系关系。个中，人工智能的范围最大，机械进修次之，而深度进修最小。但事实上，深度进修推动了本日人工智能的大发作。
由不被看好到快速进展
人工智能最初能够追溯至1956年，那时多名计算机科学家正在达刻茅斯集会上配合提出了人工智能的观点。正在随后几十年中，人工智能一方面被认为是人类文明将来的发展方向，另一方面还被认为是难以企及的理想。事实上，直到2012年之前，状况一向如斯。
已往几年，人工智能实现了爆炸式开展，尤其是自2013年以来。这在很大程度上是因为，GPU的开展使并行计算变得速度更快、本钱更低、性能更强盛。与此同时，存储设备的容量变得越来越大，而我们正得到海量数据（即大数据的开展），无论是图片、文字、生意业务信息，照旧舆图数据。
让我们来看看，计算机科学家是若何推进人工智能从一项不被看好的技术发展成为被数亿用户运用的多款利用。
人工智能：来源于机械的人类智能
回到1956年炎天的那次集会。事先，人工智能行业的先驱提出开辟庞大的机械，使其具有人类智能的特性。这一观点被我们称作“通用人工智能”。如许的机械具有人类所有的感知才能（乃至更多）、逻辑推理才能，能像人类一样往思索。正在很多片子里，您都可以看到如许的机械成为人类的伴侣，比方《星球大战》中的C-3PO，和终结者。通用人工智能机械仍正在片子和科幻小说中不断出现，但至少现阶段，我们还没法实现如许的人工智能。
现在我们所能实现的是“狭义人工智能”。关于特定义务，那样的手艺能做得像人类一样好，乃至更好。这类人工智能的典范包含Pinterest的图象分类效劳，和Facebook的人脸辨认功用。
狭义人工智能具有人类智能的某些方面。那末，这一些智能来源于哪里？这就要说到我们的下一篇章：机械进修。
机械进修：带来人工智能的要领
简朴来讲，机械进修使用算法往阐发数据、进修数据，随后对实际天下情形作出判定和展望。是以，取预先编写好、只会依照特定逻辑往施行指令的软件不一样，机械事实上是在用大批数据和算法往“自我锻炼”，进而学会若何完成一项使命。
机械进修的观点来自于人工智能进展的初期。随后多年中，基于算法的要领包罗决策树进修、归纳逻辑编程、聚类算法、强化进修，和贝叶斯网络等等。正如我们所知，这一些手艺终极皆未能构成通用人工智能，而初期的机械进修要领乃至也没有带来狭义人工智能。
很多年的研讨结果表明，机械进修的最好应用领域之一是计算机视觉。不外，计算机视觉技能仍须要大批人工编程能力实现。须要人工编码的技能包罗，适用于辨认照片中工具边沿的边沿探测滤镜，适用于判定外形的外形辨认算法，和适用于辨认字符，比方“STOP”的分类器。哄骗这一些人工编码的分类器，算法能够了解图象，判定这是不是是停滞标记。
这类手艺很强盛，但还算不上完美。例如正在雾天，路边标记很还许看不清楚，而行道树还许还会遮挡标记的一部分。直到近来，计算机视觉正在辨认图象时一向没法到达人类的程度，那样的辨认手艺太懦弱，出错率太高。
不外，精确的进修算法将可以带来不一样。
深度进修：实现机械进修的手艺
机械进修专家们初期提出的另一种基于算法的体式格局，即人工神经网络，随后得到了生长。神经网络的观点来自于人类大脑明白事物的体式格局：神经元之间的互联。然而，取神经元紧密联系在一起的人类大脑分歧，人工神经网络由离散的分层、毗连，和数据流传标的目的组成。
比方，您能够拍摄一张照片，将其分红多个小块，并输入神经网络的第一层当中。随后，第一层神经元将会把处置过的数据传递给第二层神经元。第二层神经元往完成自身的处置使命。那样的处置一向延续至末了一层，以输出终极成果。
每一个神经元皆会为输入信息给予权重，即关于正正在实行的义务，精确或毛病的也许状况。终极输出后果基于对所有这些权重信息的相加。以停滞标记为例。标记图片将会被支解，并由神经元往“阐发”，包含团体外形、色彩、字母、尺寸，和挪动情形。神经网络的义务是分辨这是不是便是停滞标记。为此，神经网络将基于权重信息得出“也许性向量”。正在我们的示例中，神经网络以为，这有86%的也许性是停滞标记，有7%的也许性是限速标记，5%的也许性是卡正在树上的鹞子。随后，网络架构师会通知神经网络，做出的分辨是不是精确。
人工神经网络正在人工智能的出生初期就已呈现，但正在“智能性”层面一向未能获得太大打破。问题正在于，最基本的神经网络还须要大批的较量争论资源，因而很难实现。不外，由多伦多大学的吉奥夫里辛顿（Geoffrey Hinton）领导的一个小型研讨团队连续地开展这层面的实验，终究找到了一种能够由超等较量争论机运转的算法，证明了这一观点。然而，直到GPU最先大规模布置以后，这类技能才得以遍及。
回到停滞标记的例子，人工神经网络仍旧很有也许得出毛病的谜底。这类神经网络所需的是锻炼。只有经由过程数以十万计，乃至百万计的照片开展锻炼，神经元对输入信息的加权才气充足准确，进而连续得出准确的成果，不管是不是有雾，是不是下雨。只有正在到达这类水平以后，神经网络才气自行推断停滞标记应该是什么样。事实上，2012年，人工智能专家吴恩达正在供职于谷歌时代开发了神经网络系统，乐成识别出小猫。
吴恩达获得打破的要领是扩大神经网络的范围，增添更多的分层和神经元，并行使海量数据对体系举行练习。吴恩达的研讨行使了1000万个YouTube视频。因为神经网络分为很多层，因而吴恩达强调了深度进修的“深度”。
现正在，基于深度进修的图像识别手艺正在某些情况下乃至比人工做得更好，而识其他工具还不仅仅是小猫，还包孕血液中癌症的目标，和核磁共振中的肿瘤迹象。谷歌AlphaGo学会了围棋游戏，并哄骗神经网络自我棋战，渐渐变得异常壮大。
深度进修引领人工智能的将来
深度进修带来了机械进修的很多有用利用，拓展了人工智能的有用范畴。深度进修体系将使命剖析，让机械能够往完成这一些使命。操纵深度进修，无人驾驶汽车、更壮大的预防医疗，乃至更好的片子引荐都将成为可能。人工智能代表了如今和将来。借助深度进修，人工智能将走过科幻小说阶段，C-3PO机械人和终结者将会成为实际。