搞清楚这七大“黄金”疑问，你才算对AI入门了.docVIP

搞清楚这七大“黄金”疑问，你才算对AI入门了 　　以往算法是定死的，遇到A情况做出什么反应，遇到B情况做出什么反应。这些都是人类事先写好的，遇到特定情况作出特定反应。而人工智能的算法是机器会自己学习，会根据训练的数据做调整，到最后甚至能够在特定领域做出特定的判断。 　　 　　第四范式创始人戴文渊说，人工智能是个高门槛行业，对于大多数中国的企业而言，人工智能依然“深不可测”。 　　其实，人工智能的“高门槛”不仅是对于从业者，对于这个行业的媒体人、投资人或者想了解、进入这个行业的人群，“入门”都是一件非常困难的事情。比如很多人还分不清楚机器视觉与计算机视觉有何区别，大数据是不是指数据越多越厉害，深度学习和强化学习有什么区别…… 　　为了彻底弄清楚这些入门级问题，亿欧采访了云从科技CEO周曦和前英特尔架构工程师Mask。 　　1、计算机视觉和图像处理有什么区别？ 　　“图像处理是指输入输出都是图像，而计算机视觉是指输入是图像，输出的是其他信息”云从科技CEO周曦说。 　　举个例子。我们在用PhotoShop处理图像的时候，输入的是一个图像，输出也是一个图像，只不过输出的图像是用滤镜修饰过，这类是图像处理。 　　如果输入是一个图像，而输出是一个信息，例如“张三”，那么这种就叫计算机视觉。 　　当然，图像处理和计算机视觉在很多处理方法上可能会有一致的地方，但是处理结果不同。 　　2、计算机视觉VS机器视觉 　　“计算机视觉和机器视觉是两种叫法，没有本质的区别”周曦说。 　　如果真要区分的话，计算机视觉和机器视觉应用场景的侧重不同，一个侧重人工智能分支，一个侧重工业应用。 　　计算机视觉主要是对质的分析，比如人脸识别，车牌识别；或者做行为分析，比如人员入侵，徘徊，遗留物，人群聚集等。 　　机器视觉侧重工业应用，比如通过机器视觉测量一个零件的直径、测量铁路道岔缺口等，主要是针对一些对准确度要求很高的项目。 　　3、相比于其他生物识别技术，人脸识别有哪些优势？ 　　云从科技相关负责人介绍，人脸识别技术是一项新兴的生物识别技术。由于人脸具备有不可复制、采集方便、不需要被拍者的配合而广受欢迎。 　　相比于其他生物识别技术，人脸识别具有三大独特的优势： 　　非接触式采样。被测者不需要与采集器接触就可以将面相资料输入到计算机中，这种方式不仅方便了使用者，同时也在一定程度上提高了采集器的寿命。 　　无需被测者的配合。被测者在毫不知情的情况下被采样录入并进行识别对比。这一特点使得人脸识别技术成为公共安全监控方面的理想选择。可以利用这一点，在公共场合或机要部门的出入口做实时对比识别，查找特定的人员。 　　人脸识别更方便、直观。人脸照片能够很方便地进行人工鉴定判断，无需专业人士做鉴定。这使得当用户需要核对历史记录中的人员时，能够更方便、直观地进行人工判别。 　　4、深度学习VS机器学习VS人工智能 　　深度学习的本质是各种神经网络，从最早最简单的感知机，再到多层神经网络，深度学习一直在不断迭代。2012年，人工智能专家吴恩达在供职于谷歌期间开发了神经网络系统，成功识别出小猫。吴恩达取得突破的方法是扩大神经网络的规模，增加更多的分层和神经元，并利用海量数据对系统进行训练。 　　机器学习是用算法解析数据，通过大数据不断训练，具有对发生的事情做出判断和预测的能力。在过去几年里，机器学习出现很多算法，包括决策学习、归纳逻辑程序设计、聚类分析、强化学习、贝叶斯网络等，而深度学习神经网络只是其中一种。 　　总之，人工智能是一种终极目标，让机器展现出人类的智力；机器学习是实现人工智能的一种方法；深度学习是机器学习中的一类算法。 　　5、深度学习VS强化学习 　　云从科技CEO周曦解释，深度学习是一个比较大的名词，实际上是指我们用比以前大得多的神经网络。以前的神经网络是3-4层，但是现在能做到几十、上百层的神经网络；在计算参数方面，深度学习从以前的几百几千到现在有上亿的数量。 　　而强化学习是在深度学习体系里面，它主要是针对某一个问题的解决方法，而根据不同的问题又有专门不同的算法。从一定意义上来看，深度学习从概念上是包含强化学习的。 　　6、AI算法与以往算法有什么不一样？ 　　“以往算法是定死的，遇到A情况做出什么反应，遇到B情况做出什么反应。这些都是人类事先写好的，遇到特定情况作出特定反应。而人工智能的算法是机器会自己学习，会根据训练的数据做调整，到最后甚至能够在特定领域做出特定的判断”前英特尔架构工程师Mask说。 　　举个例子。当人类驾驶汽车时，如果看到前方有车就会踩刹车，这是根据特定条件下命令给机器，让机器做出对应的动作。 　　然而，现在的人工智能算法会把各种情况的数据丢给机器，人类只下达机器指令，例如你下达“避免与机器碰撞”的指令，机器收到指令之后，会用这些数据