编者按：本文来自微信大众号“造就”（ID：xingshu100），作者“造就”修改，36氪经授权发布。
人工智能（AI）面世之初从前狂妄自大、令人绝望，它怎么忽然变成当今最抢手的技能范畴？
这个词语初次呈现在1956年的一份研讨方案书中。
该方案书写道：“只需精心选择一群科学家，让他们一同研讨一个夏天，就能够取得重大发展，使机器能够处理现在只要人类才干处理的那些问题。”
至少能够说，这种观点过于达观。
虽然偶有前进，但AI在人们心目中成为了夸大其词的代名词，以至于研讨人员基本上防止运用这个词语，甘愿用“专家体系”或许“神经网络”替代。
“AI”的平反和当时的热潮可追溯到2012年的ImageNet Challenge在线竞赛。
ImageNet是一个在线数据库，包含数百万张图片，悉数由人工符号。每年一度的ImageNet Challenge竞赛旨在鼓舞该范畴的研讨人员比拼和衡量他们在核算机主动辨认和符号图画方面的发展。
他们的体系首要运用一组被正确符号的图画进行练习，然后承受应战，符号之前从未见过的测验图画。在随后的研讨会上，取胜者共享和评论他们的技能。
杰夫里·辛顿（Geoffery Hinton）
2010年，取胜的那个体系符号图画的精确率为72%（人类平均为95%）。2012年，多伦多大学教授杰夫·辛顿（Geoffery Hinton）领导的一支团队凭仗一项名为“深度学习”的新技能大幅前进了精确率，到达85%。后来在2015年的ImageNet Challenge竞赛中，这项技能使精确率进一步提升至96%，初次逾越人类。
2012年的竞赛成果被恰如其分地视为一次打破，但蒙特利尔大学核算机科学家约书亚·本吉奥（Yoshua Bengio）说，这依赖于“将之前已有的技能结合起来”。
约书亚·本吉奥（Yoshua Bengio）
本吉奥和辛顿等人被视为深度学习的前驱。
从本质上来讲，这项技能经过强壮的核算才干和许多的练习数据，复兴了AI面世之初的一个旧主意，也便是所谓的人工神经网络（ANN），其创意来自于大脑神经元网络。
在生物大脑中，每个神经元被其他神经元发来的信号触发，其本身宣布的信号又会触发其他神经元。一个简略的ANN包含一个向网络输入数据的神经元输入层，和一个输出成果的输出层，或许还有两三个处理信息的中心躲藏层（实践上，ANN完全由软件模仿而成）。
网络中的每个神经元都有一组“权值”和一个操控其输出发动的“激活功用”。神经网络的练习涉及到调整神经元的权值，使特定的输入发生咱们需求的输出。上世纪90年代初，ANN开端取得某些有用的成果，比方辨认手写数字。但假如让它们去做愈加杂乱的使命，就会遇到费事。
在曩昔十年里，新技能和对激活功用的一个简略调整使练习深度网络成为或许。一起，互联网的兴起使许多的文档、图片和视频可用于练习意图。这全部都需求强壮的数据处理才干。
2009年前后，几支AI研讨团队意识到，专门用来在PC和游戏机上发生精密图画的图形处理单元（GPU）能够供给强壮的数据处理才干，也十分合适运转深度学习算法。
斯坦福大学的一支AI研讨团队发现，GPU能够使其深度学习体系的运转速度加速近百倍。该团队由吴恩达领导，他后来又曾参加谷歌和百度。
吴恩达
忽然之间，练习一个四层神经网络只需求不到一天的时刻，而曾经需求好几周。GPU制造商英伟达（NVIDIA）的老板黄仁勋说，用来为玩家发明虚拟国际的芯片，也能用来协助核算机经过深度学习技能了解实践国际。
ImageNet Challenge的竞赛成果证明深度学习大有可为。忽然之间，人们开端给予重视，不只是在AI圈子里，还有整个技能界。尔后，深度学习体系变得越来越强壮：深度到达20或30层的网络不再稀有，微软（Microsoft）的研讨人员乃至打造了一个152层的网络。层数更多的网络具有更强的笼统才干，能够发生更好的成果。事实证明，这些网络长于处理十分广泛的问题。
“人们之所以重视这个范畴，是由于深度学习技能具有广泛的用处，”谷歌机器智能研讨主管、担任谷歌查找引擎的约翰·詹南德雷亚（John Giannandrea）说。
谷歌正在运用深度学习来前进其网络查找成果的质量，了解用户向智能手机宣布的语音指令，协助人们查找包含特定印象的相片，主动生成电子邮件智能回复，改善网页翻译服务，协助主动驾驶轿车辨认周围环境。
学习怎么学习
深度学习分许多种，其间运用最广泛的一种是“监督学习”，该技能运用符号样本来练习体系。
例如，就垃圾邮件过滤而言，这项技能或许会树立一个巨大的样本信息数据库，每条样本信息被符号为“垃圾邮件”或许“非垃圾邮件”。深度学习体系能够运用这种数据库进行练习，经过反复研讨样本和调整神经网络内部的权值，改善垃圾邮件的辨认精确率。
这种办法的长处在于，不需求人类专家拟定一套规矩，也不需求程序员编写代码履行规矩。体系能够直接从符号数据中学习。
运用符号数据进行练习的体系被用来分类图画，辨认语音，发现信用卡诈骗买卖，辨认垃圾邮件和歹意软件，定向投进广告。关于这些运用，正确的答案现已存在于从前的许多样本中。
当你上传相片时，Facebook能够辨认和符号你的朋友和家人。近期，该公司发布了一个体系，能够为失明用户描绘相片的内容（“两个人，笑，太阳镜，野外，水”）。
吴恩达说，监督学习能够用于各式各样的数据。经过选用这项技能，现有的金融服务、核算机安全和营销公司能够贴上AI公司的新标签。
另一种技能对错监督学习，同样是运用许多样本来练习体系，但这些样本没有经过符号。体系学习辨认特征和聚类类似样本，发现数据中躲藏的调集、联络或形式。
非监督学习能够用来查找没有详细形象的东西，比方监督网络流量形式，勘探或许与网络进犯有关的异常现象，或许查看许多的稳妥索赔，揭穿新的诈骗办法。
再举一个闻名的比如。
2011年在谷歌作业时，吴恩达领导了一个名为Google Brain的项目，要求一个巨大的无监督学习体系寻觅数千个非符号YouTube视频中的共有图画。
一天，吴恩达的一位博士生给他带来了一个惊喜。“我记住他把我叫到他的电脑前，对我说‘瞧这个，’”吴恩达回想道，屏幕上有一张毛烘烘的脸，那是从数千个样本中提取的图画。体系发现了猫。
强化学习介于监督和非监督学习之间，只运用偶然的奖赏反应来练习神经网络与环境互动。
从本质上讲，练习涉及到调整网络的权值，寻觅一个继续发生更高奖赏的战略。DeepMind是这方面的行家。
2015年2月，该公司在《天然》（Nature）杂志上宣布了一篇文章，描绘了一种强化学习体系，它能够学会玩49款雅达利经典电子游戏，只运用屏幕像素和游戏得分作为输入数据，其输出数据与虚拟操控器衔接。该体系从头开端学习玩这些游戏，在29款游戏中都到达或超越了人类的水平。
让体系玩游戏
DeepMind的德米斯·哈萨比斯（Demis Hassabis）说，对AI研讨而言，电子游戏是抱负的练习场，由于“它们就像实践国际的缩影，但愈加清楚，更有束缚”。
德米斯·哈萨比斯（Demis Hassabis）
游戏引擎也能十分轻松地发生许多的练习数据。
哈萨比斯曾从事电子游戏职业，后来取得认知神经科学博士学位并创立DeepMind。这家公司现在是谷歌旗下的AI研讨部分，作业地址坐落伦敦国王十字车站邻近。
2016年3月，DeepMind研制的AlphaGo体系打败了围棋顶尖高手李世石，在五局竞赛中取得4:1的压倒性成功。
AlphaGo是强化学习体系，具有某些不同寻常的特征。它由几个相互衔接的模块组成，包含两个深度神经网络，别离拿手不同的范畴，就像人脑的左右半球。
其间一个网络承受的练习是剖析数百万盘围棋棋局，从而在实战中给出赢面最高的几种下一步落子选择，然后交由另一个网络进行评价，后者选用随机取样的技能。因而，AlphaGo一起结合了仿生技能和非仿生技能。
关于哪种办法更好的问题，AI研讨人员争辩了几十年，但AlphaGo左右开弓。
“这是个混合体系，由于咱们信任，咱们将不止需求深度学习来处理智力问题，”哈萨比斯说。
哈萨比斯和其他研讨人员现已在着手下一步，也便是搬迁学习。这能够使强化学习体系把从前已取得的常识作为基础，而不用每次都从头练习。
哈萨比斯指出，人类能够毫不费力地做到这一点。詹南德雷亚回想说，他四岁的女儿知道巨细轮脚踏车也是一种自行车，即便她曾经从未见过。“核算机做不到这一点，”他说。
被Salesforce收买的AI草创公司metaMind致力于另一种相关的办法，名为多使命学习，也便是同一个神经网络架构被用来处理几种不同的问题，处理其间一种问题的经历使它能够更好地处理另一种问题。
和DeepMind相同，metaMind也在探究模块化架构，其间一种架构名为“动态回忆网络”，能够获取一系列陈说，然后答复有关这些陈说的问题，推断出它们之间的逻辑联络（Kermit是青蛙，青蛙是绿色的，所以Kermit是绿色的）。
metaMind还把天然语言和图画辨认网络整合进同一个体系，能够答复有关图画的问题（“这辆车是什么色彩的？”）。其技能能够用于面向Salesforce客户的主动化客户服务机器人或许呼叫中心。
曾经，本来局势大好的AI新技能往往会敏捷失势。但深度学习不同。
“它的确很有用，”metaMind的理查德·索赫尔（Richard Socher）说。人们每天都在运用它，但并没有意识到它的存在。
理查德·索赫尔（Richard Socher）
哈萨比斯和索赫尔等人的长时间方针是打造“通用人工智能”（AGI），也便是能够处理多种使命的体系，而不是为每个问题都独自发明一个新的AI体系。
索赫尔说，AI研讨多年来聚集于处理详细狭窄的问题，但现在研讨人员正在“以新的方法凑集更先进的乐高积木”。
哪怕是最达观的人也以为，还得再需求十年才干完结具有人类水平的AGI。但哈萨比斯说：“咱们觉得，咱们知道完结AGI需求哪些要害的东西。”
AI现已在发挥实践效果，而且将很快变得越来越有用。
谷歌的Smart Reply体系（运用两个神经网络主动生成电子邮件回复）在短短四个月的时刻内，就从深度学习研讨项目变成了实践产品（不过刚开端的时分不得不阻挠它对简直每封邮件都生成“我喜欢你”的回复）。
“你在学术期刊上宣布论文，毫不夸大地说，随后的一个月就会有公司运用那个体系，”索赫尔说。
来自大巨细小的AI公司的学术论文继续不断。AI研讨人员被答应在同行评定期刊上宣布他们的研讨成果，即便是在转化投产之后也能够。他们中的许多人一边为企业作业，一边宣布学术文章。
“假如你不让他们宣布，他们就不会为你作业，”安德森-霍洛维茨基金（Andreessen Horowitz）的克里斯·迪克森（Chris Dixon）说。
谷歌、Facebook、微软、IBM、亚马逊、百度和其他公司供给了免费的开源深度学习软件。一个原因是这些公司的研讨人员期望发布他们正在做的工作，这有助于招募人才。
另一个原因在于，大型互联网公司能够承当免费供给AI软件的成果，由于他们能够从其他地方取得巨大优点：获取许多用户数据用于练习意图。
出资基金Bloomberg Beta的席翁·齐利斯（Shivon Zilis）说，这使他们在某些范畴具有优势。而草创公司则想办法进入特定商场。例如，无人机草创公司运用模仿数据来了解怎么在拥堵环境中飞翔。
创业孵化器Y Combinator总裁萨姆·阿尔特曼（Sam Altman）说，在互联网上能够找到许多练习数据。他指出，人类能够从不算多的数据中学习，“这说明没有许多的练习数据也或许发生才智”。致力于运用较少数据来练习AI的草创公司包含Numenta和Geometric Intelligence。
选取和组合
各公司力争上游地为AI淘金热的参与者们供给铲子。迪克森说，其间最频频呈现的一个姓名是英伟达。
每家AI草创公司好像都在运用英伟达的GPU芯片来练习神经网络。也能够经过亚马逊和微软的云服务租赁GPU容量。
一起，IBM和谷歌专门规划了新的芯片，使AI软件运转更快、更有用。
谷歌、微柔和IBM供给了免费的语音辨认、语句剖析和图画剖析等在线AI服务，使草创公司能够用这些积木建立出新的AI产品和服务。
古鲁达斯·巴纳瓦尔（Guruduth Banavar）
IBM的古鲁达斯·巴纳瓦尔（Guruduth Banavar）说，来自各行各业的超越300家公司现已运用IBM的Watson渠道打造AI驱动的运用程序，包括从选择求职者到选择葡萄酒的方方面面。
对大多数人来说，AI的这些前进将会表现为他们每天运用的互联网服务的逐步改善。查找引擎将显现愈加相关的查找成果，引荐将愈加精确。
哈萨比斯猜测，几年之内，全部都将嵌入某种程度的智能。AI技能将使电脑界面具有会话和预判功用，而不只是由菜单和图标驱动。本吉奥说，与电脑对话将便利那些无法读写和现在不会上网的人运用电脑。
但到了某个时分，逐步改善将导致突变，使机器能够完结之前只要人类才干完结的使命。
主动驾驶轿车正敏捷变得越来越好，不久后或许就能替代出租车司机，至少在市区这样的受控环境中。陆空两用送货无人机能够与人类送货员相媲美。更强壮的视觉体系和机器人技能使机器人能够往超市货架上摆放产品，在仓库里转移物品。迪克森说，有很大的时机完结意料之外的打破。
有人忧虑，AI技能将大大加速某些使命的核算化和主动化，就像200年前蒸汽动力和新机器使许多工人失业相同。
“蒸汽加速了现已在进行的一个进程，但这个速度太快了，令人感到恐惧，”英国诗人罗伯特·骚塞（Robert Southey）说。他忧虑，“这种强壮动力的发现”令咱们措手不及，“不知道怎么正确地运用它”。
现在，许多人也这样看待人工智能。
（翻译 | 于波，校正 | 其奇，修改 | 漫倩，来历 | Economist）
