人工智能解析.doc

一、人工智能悄然兴起 “人工智能” 涵盖了很多前沿技术和分支，却很难用一句话来定义，因为它一直处在发展当中。比如，一些在过去看来很 “人工智能” 的事情，现在却变成了简单的 “机械重复”，像是数字的高速计算、图像的处理等。但总体上来看，“人工智能” 的本质和目的一直没有发生太多变化，那就是 “完成人类的部分脑力工作”。 20 世纪 60年 代开始，就有许多科幻电影和科幻小说描述着人类对 “人工智能” 的憧憬和恐惧，比如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来，受到技术、科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。 人工智能曾经在 20 世纪 90年 代互联网泡沫破裂前风靡一时，到了 21 世纪伊始却变成了一个禁忌，大家开始怀疑它是否存在。而到了 2011年，美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司，投资范围从应用层面的机器人、增强现实，到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目也遍地开花。比如，Google 接连投资了虚拟现实创业公司 Magic Leap，收购了人工智能公司 DeepMind；Facebook 收购语音识别公司 Wit.ai，等等。 除了投资外部团队之外，像 IBM、Google、Facebook 和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一 Geoffrey Hinton 加入了 Google，Yann LeCun 加入了 Facebook 担任人工智能实验室负责人，Andrew Ng（吴恩达）加入百度负责深度学习研究院等。 二、驱动人工智能发展的内外动因 “人工智能” 的再度兴起并非偶然，外部环境和人工智能自身都在发生演化。我们认为，驱动人工智能领域发展到现在程度的外部动因有： 传感器能力和数量的大幅提升：LIGA 等微电子技术的日趋成熟，推动着传感器的能力有了质的飞跃，而大量智能设备的出现则进一步加速了传感器领域的繁荣。这些延伸向真实世界各个领域的触角是机器感知世界的基础，而感知则是智能实现的前提之一。 计算成本的大幅下降：摩尔定律使得计算成本在迅速下降，同时云计算的出现、GPU 的大规模应用使得集中化的数据计算能力变得前所未有得强大。大规模的的集中式计算使得人工智能的发展速度指数级加快。过去仅训练深度神经网络模型对某一物体的认知就要花费近一年时间，而现在这个时间被缩短到几天内。 海量数据的出现：根据预计，2015年 全球产生的数据总量将达到十年前的 20 多倍。如此海量的数据给机器学习的提供了足够多的素材（但是需要注意的是，在其中真正有标注的数据不超过总量的 10%）。 当然，更重要的驱动因素是内因——算法的进步。当下人工智能领域最先进、应用最广泛的核心技术是深度神经网络（深度学习）。而且，直到 2006年，深度神经网络才得到快速发展，逐渐成为人工智能领域的主流研究方向。 21 世纪人工智能的里程碑事件之一是，2006年Geoffrey Hinton 发表的论文《A fast learning algorithm for deep belief nets》。他在此文中提出的深层神经网络逐层训练的高效算法，让当时计算条件下的神经网络模型训练成为了可能，同时通过深度神经网络模型得到的优异的实验结果让人们开始重新关注人工智能。之后，深度神经网络模型成为了人工智能领域的重要前沿阵地，深度学习算法模型也经历了一个快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network 等各种新的算法模型被不断提出，而其中卷积神经网络（Convolutional Neural Network，CNN）更是成为图像识别最炙手可热的算法模型。 目前，随着 GPU 和 CPU 集群的出现，云端的计算资源已经慢慢不再是人工智能的发展瓶颈。而人工智能算法模型的进一步丰富和改进以及本地化人工智能的实现成为了人工智能新的主要发展方向。 三、人工智能的三步走 从人工智能的整个发展历程来看，按照应用场景和人工智能资源的集中度，可以大致分成三个阶段。 第一阶段：实验室研究阶段，这一阶段的人工智能资源高度集中。人工智能在 2011年 前的发展大致还处于实证研究阶段，资源高度集中在国家或大学资助的研究机构中，用于算法模型的训练和研究，人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外，还包括建立计算能力本