3.32在线视频

首先我们来看一下

当前人工智能的发展态势

我们在创业能力模型那一讲

提到了科技创新

先来看一下这方面的数据

在这幅图里

左边的统计图描述的是各个国家和地区

通过人工智能技术申请专利的情况

我们可以看到从2005年

到2009年这几年

美国是领先的

大概是12000件左右

中国欧洲和日本的水平是相当

在4000件左右

但是从2010年到2014年之间

我们可以看到一个明显的趋势

就是中国的关于人工智能专利数量

明显的增加

达到了8000件左右

同时

美国也在增长

达到了16000件

而其他的地区和国家变化不大

右边的统计图描述的是基于人工智能技术

创业的公司数量

我们同样可以看到

这几年中国的人工智能创业公司

大大的超越了其他的国家

仅次于美国

我们看到

在全世界范围内

尤其是中美两国

以人工智能技术

引领的创新创业现象蔚然成风

正在成为创新创业的潮流

人工智能技术之所以重要

是因为它引领了第四次工业革命

这引起了许多行业的变革

在人与机器的和谐之道

那一讲我们曾经探讨过AI赋能

就是把人工智能技术运用到各个行业当中

去提高这些行业的

工作效率和生产效率的过程

比如运用到金融

教育

交通等领域

帮助这些行业进行功能再造和升级

进而改变这个行业的竞争模式

并且重塑行业的生态

现在人工智能技术方兴未艾

大行其道

那么人工智能技术

是从什么时候开始的呢

人工智能

机器学习

深度学习这几个关键词之间

到底是什么关系呢

好

我们就从人工智能的发展史讲起

在上一讲我们谈到了图灵测试

图灵是最早思考

机器是否具有智能的科学家之一

1950年

图灵测试对机器

是否具有智能这个问题

发起了最早的探索

但是人工智能被作为一个明确的概念提出

一般认为

是在1956年的达特茅斯计算机年会上

那时

一帮在计算机领域造诣很深的科学家

比如认知计算领域的专家司马贺

以及信息论的鼻祖香农参加了这个会议

当然还有一些年轻的科学家

比如明斯基和麦克马修

也作为中坚力量参加了这个年会

而且

这些科学家日后也大都因为对人工智能的卓越贡献

获得了图灵奖

在50年后

他们又重逢在达特茅斯

看到现在他们的样子

大家就应该知道人工智能

并不是一个年轻的学科了

当时年轻的科学家明斯基

提出了人工智能的概念

定义是这样的

让机器来完成那些

如果由人来做则需要智能的事情

这是一个非常宽泛的概念

需要智能完成的事情很多

比如数值计算是需要智能完成的

同时逻辑分析也是需要智能完成的

这里指的智能

到底属于哪一类人类的智能呢

当时并没有说明

我们可以认为这个概念里的智能

包括了所有人类具有的智能

也就是说所有的人能够通过思考

计算完成的事情

都可以让机器去完成

这种对智能的定义

接近现在所说的强人工智能

当然

到目前为止人工智能的发展

离这个定义还有不小的距离

从1956年到1974年之间

是人工智能的探索期

那么那个时期人工智能的

主流学派叫鸟飞派

他们认为人是怎么学习的

那么机器就应该怎么学习

人是怎么思考的

机器就应该怎么思考

如果人是通过逻辑和符号来思考问题的

那么机器也应该用逻辑

和符号来思考问题

就像是要学习鸟的飞行

就要学会鸟的飞行方式

因此这个学派叫鸟飞派

比如

在对一件事情发生与否

作出判断的之前呢

需要知道这些事件的

发生的前提和发生的条件

然后再来产生一个判断的结论

这个是典型的人的思维方式

鸟飞派认为要让机器模拟人的智慧

那么就要搞懂人是怎么通过逻辑符号

来认知和学习的

因此机器的学习方式

也必须通过逻辑符号来表示

因此他们也叫符号派

他们主要通过研究人的思维方式

和逻辑学来作为指导机器学习的方法

而且他们都是乐观派

他们认为从人工智能诞生的20年内

机器就会替代人做所有人可以做的事情

也就是说到1970年的时候

应该出现一个跟人一样智慧的机器

但是符号主义的思路显然是行不通的

事实证明符号主义学派

在接下来的20年并没有大的发展

1980年开始的另一个学派叫联结主义

也就是我们现在说的神经网络

这个学派又被称为神经网络学派

他们试图通过对脑部神经的模拟

构建一个具有一定智能的机器

怎么连接呢

方案是先用感知机模拟大脑神经元的工作机制

然后把多个感知机按一定方式连接在一起

这是一种自底向上的思路

我们看这里展示了一个很典型的人工智能网络

Artificial Neural Netwok

是由多个感知机按一定方式连接在一起的

这些感知机可以模拟神经元的工作方式

如果把它们连接在一起

在结构上就类似人脑的大脑皮层

因此

机器就自然具有了思考能力了

联结主义假设

如果在底层结构上用一种数学模型来模拟人类大脑

类脑结构的机器就会产生像人一样的智慧

但实际上这种人们

期望出现的智慧并没有来到

虽然神经网络在结构上

借鉴了人脑的构造

但它只是构建了一个在仿生学上

与人脑结构上类似的装置

但从工作机制上讲

神经网络和大脑是完全不一样的

这一点我们在以前的课程当中曾经讨论过

尽管如此

神经网络具有与生俱来的优点

就是可以模拟非线性函数对样本进行分类

这个很关键

因为在实际情况下

我们会遇到非常多的非线性问题

神经网络是比较好的解决方案

甚至有的人认为深层神经网络

可以模拟任何连续函数

但是神经网络有一个比较大的问题

就是神经网络虽然在结构上模拟人脑

但在工作机制上却和人脑没有关系

它的工作机制是不清楚的

而且在数学上

没法证明神经网络是收敛的

也就是说

从数学的角度来讲

神经网络并不是一种稳定结构

同时

在这段时间还出现了行为主义学派

这个学派认为如果让机器具有智能

就必须让机器具有感知能力

并且通过与周边环境的

交互形成一种智慧

在1991年

麻省理工的布鲁克教授

运用这个思路做了一个六足机器人

这个机器人没有中心控制

它的移动是靠

六只脚上装的分布式的小芯片控制的

这些芯片可以感知周围的环境

并且独立的控制机器腿的移动

这种分布式的控制方式

能让这个机器人产生某种对环境的适应

这是行为学派的一个典型案例

行为主义学派

强调通过环境来交互学习

并形成一种智能策略

这个跟现在我们谈的人工智能思想非常接近

后面我们会看到

其实AlphaGo中的增强学习

正是运用了这种思路

正是运用了这种思路

总结出一种策略

然后把这种策略应用到实际环境当中来呢

那么事实证明

这种想法奏效了

因为人的大脑机制工作非常复杂

要弄清楚里头的机制

在现在的科技条件下是不可能的

另一方面

人类在各行各业积累了大量的数据

我们就可以把这些数据看成是一种经验

那么

能不能构造一种黑匣子机制

也就是说不去管这里头发生了什么

只从已知的数据和经验总结当中

归纳出规律

来形成一种对外界环境的应对策略呢

现在看起来是可行的

这种策略其实就是智能的

因为它可以去指导人们的生产和生活

这就绕过了必须要搞懂人的认知

才能模拟出智能的思路

这是思维局限的突破

这就是机器学习的思维基础

这种思维方式是典型的逆向思维

我们在上一讲谈到贾科里尼

用统计学的方法来做机器翻译

就是用到了这种思路

机器学习

在上世纪80年代刚开始提出的时候

还不是很热

这是因为两方面的原因

一是那个时候能够利用的数据并不多

二是机器学习算法需要大量的计算

当时计算机的计算能力跟不上

直到2000年左右

万维网的出现

让行业数据开始指数级的增长

机器学习才开始慢慢的热起来

到了2006年

人工智能科学家Hinton

发明了一种计算神经网络参数的快速算法

叫做后向传播算法

大大的加快了

机器的训练的速度和寻找参数的效率

2010年前后GPU

计算芯片的普遍应用

大大的提高了

计算机对神经网络的运算能力

这样

从数据

算法和计算能力这三方面

为机器学习的广泛应用做好了准备

2012年

科学家们运用深度神经网络构造了

深度学习技术

也就是Deep Learning

这种智能算法在图像识别和

机器翻译领域取得了突破性的进展

于是

深度学习技术在学界和工业界引起了

广泛的关注并开始大规模的应用

让深度学习

爆得大名的就是alphago那场

战胜人类的比赛

深度学习被普遍的使用有两个原因

第一是深度学习网络

不需要科学家具有行业知识

不需要抽象出行业特征向量

第二就是实战效果比较好

尤其是卷积神经网络

对图像和对声音的识别率非常高

我们再来谈一谈人工智能

机器学习和深度学习之间的关系

首先

人工智能是人们的愿景

人们研究智能技术的目标

就是让机器具有人的智慧

从而能够帮助人

而机器学习是在1980年以后

提出的实现智能化的一种思想和方法

它的核心就是通过对数据的学习

形成智能策略

机器学习是一种

达成人工智能目标的具体方法

机器学习的方法也很多

包括支持向量机

K-MEAN聚类算法

贝叶斯分类器

和深度神经网络等等

如果机器学习运用了神经网络

尤其是深度神经网络

那么这种方式就叫做深度学习

它的出现大大提高了机器学习的效率

因为实用效果特别好

因此在被学术界和工业界普遍的使用

那么如果要进入人工智能领域

尤其是机器学习和深度学习领域

我们需要具备哪些背景知识呢

因为机器学习和数据的高度相关

当然数学知识是比较重要的

比如微积分

统计学

概率论

线性代数等等

另外

就是计算机领域的知识

这些知识在上一讲

机器的智慧

那一讲我们已经做了详细的探讨