人工智能技術(shù)發(fā)展到現(xiàn)在已經(jīng)超過(guò)60年，它在歷史上經(jīng)歷過(guò)三起三落的浪潮。第一個(gè)興起階段以1956年的達(dá)特茅斯學(xué)院會(huì)議為標(biāo)志，首次提出了人工智能的概念；第二個(gè)興起階段以日本提出支持開(kāi)發(fā)第五代計(jì)算機(jī)項(xiàng)目為標(biāo)志，當(dāng)時(shí)日本還研發(fā)出了許多機(jī)器人，到現(xiàn)在，日本的機(jī)器人技術(shù)在全球都處于領(lǐng)先地位；第三個(gè)快速發(fā)展階段則以加拿大多倫多大學(xué)的教授欣頓（Geoffrey Hinton）于2006年提出深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)為標(biāo)志，當(dāng)前正處于這個(gè)快速發(fā)展的階段。

得益于數(shù)據(jù)、算法、算力這三駕馬車(chē)，人工智能在2006年以后獲得了巨大的發(fā)展。有一個(gè)有趣的說(shuō)法，如果用火箭來(lái)比喻人工智能，那么數(shù)據(jù)是火箭的燃料，算法是火箭的引擎，算力即芯片是火箭的加速器。我們從這個(gè)比喻中可以看到數(shù)據(jù)、算法、算力對(duì)這次人工智能浪潮的重要影響，下面我們分別簡(jiǎn)單分析一下這3個(gè)技術(shù)。

▲人工智能與數(shù)據(jù)、算法、算力的關(guān)系

第一駕馬車(chē)：大數(shù)據(jù)成為人工智能持續(xù)發(fā)展的基石

隨著互聯(lián)網(wǎng)的飛速發(fā)展，這個(gè)世界上的數(shù)據(jù)變得異常豐富，數(shù)據(jù)量呈爆炸式地增長(zhǎng)。據(jù)估算，從1986年到2007年這20年間，地球上每天可以通過(guò)既有信息通道交換的信息數(shù)量增長(zhǎng)了約217倍，這些信息的數(shù)字化程度，則從1986年的約20%增長(zhǎng)到2007年的約99.9%。在數(shù)字化信息爆炸式增長(zhǎng)的過(guò)程里，全球信息存儲(chǔ)能力大約每3年翻一番，每個(gè)參與信息交換的節(jié)點(diǎn)都可以在短時(shí)間內(nèi)接收并存儲(chǔ)大量數(shù)據(jù)。從1986年到2007年這20年間，全球信息存儲(chǔ)能力增加了約120倍，所存儲(chǔ)信息的數(shù)字化程度也從1986年的約1%增長(zhǎng)到2007年的約94%。1986年，即便用上我們所有的信息載體、存儲(chǔ)手段，我們也只能存儲(chǔ)全世界所交換信息的大約1%。而2007年，這個(gè)數(shù)字已經(jīng)增長(zhǎng)到大約16%。信息存儲(chǔ)能力的增加為我們利用大數(shù)據(jù)提供了近乎無(wú)限的想象空間。

從應(yīng)用角度來(lái)說(shuō)，今天的大數(shù)據(jù)越來(lái)越多地呈現(xiàn)出以下一種或幾種特性：

大數(shù)據(jù)取代了傳統(tǒng)的抽樣調(diào)查。例如，以前電視臺(tái)某個(gè)節(jié)目的收視率往往要由專業(yè)的調(diào)查公司通過(guò)抽樣調(diào)查的方式估算出來(lái)。現(xiàn)在，有了微博、視頻網(wǎng)站等，我們就可以直接利用網(wǎng)絡(luò)上每時(shí)每刻產(chǎn)生的大數(shù)據(jù)對(duì)節(jié)目熱度進(jìn)行分析，其準(zhǔn)確性往往超過(guò)傳統(tǒng)的抽樣調(diào)查方式。

許多大數(shù)據(jù)都可以實(shí)時(shí)獲取。例如，每年“雙11”期間的各類電子商務(wù)平臺(tái)上，每時(shí)每刻都有成千上萬(wàn)筆交易進(jìn)行著，所有這些交易數(shù)據(jù)都可以被實(shí)時(shí)匯總，供人們對(duì)“雙11”當(dāng)天的交易情況進(jìn)行監(jiān)控、管理、分析、匯總。大數(shù)據(jù)的實(shí)時(shí)性為大數(shù)據(jù)的應(yīng)用提供了更多的選擇，為大數(shù)據(jù)更快產(chǎn)生應(yīng)用價(jià)值提供了基礎(chǔ)。

大數(shù)據(jù)往往混合了來(lái)自多個(gè)數(shù)據(jù)源的多維度信息。假如利用用戶ID，將用戶在微博上的社交行為和用戶在電子商務(wù)平臺(tái)的購(gòu)買(mǎi)行為關(guān)聯(lián)起來(lái)，就可以向微博用戶更準(zhǔn)確地推薦他最喜歡的商品。聚合更多數(shù)據(jù)源，增加數(shù)據(jù)維度，這是提高大數(shù)據(jù)價(jià)值的好辦法。

多來(lái)源、實(shí)時(shí)、大量、多類型的數(shù)據(jù)可以從不同的角度進(jìn)行更為逼近真實(shí)的描述，而利用深度學(xué)習(xí)算法可以挖掘數(shù)據(jù)之間的多層次關(guān)聯(lián)關(guān)系，為人工智能應(yīng)用奠定了數(shù)據(jù)源基礎(chǔ)。

第二駕馬車(chē)：機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)是對(duì)能通過(guò)數(shù)據(jù)或經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)算法的研究。對(duì)于機(jī)器學(xué)習(xí)的理解，我們可以從3個(gè)問(wèn)題入手，即“學(xué)什么、怎么學(xué)、做什么”。首先，“學(xué)什么”即機(jī)器學(xué)習(xí)的內(nèi)容，是能夠表征此項(xiàng)任務(wù)的函數(shù)。其次，“怎么學(xué)”即機(jī)器學(xué)習(xí)的方法。要實(shí)現(xiàn)學(xué)習(xí)目標(biāo)，就要教給機(jī)器一套評(píng)判的方法。從數(shù)學(xué)角度來(lái)看，就是為機(jī)器定義一個(gè)合適的損失函數(shù)，能夠合理量化真實(shí)結(jié)果和訓(xùn)練結(jié)果的誤差，并將之反饋給機(jī)器繼續(xù)作迭代訓(xùn)練。最后，“做什么”即機(jī)器學(xué)習(xí)的具體執(zhí)行，主要做3件事，即分類（Classification）、回歸（Regression）和聚類（Clustering），其中分類和回歸屬于監(jiān)督學(xué)習(xí)的范疇，而聚類則屬于非監(jiān)督學(xué)習(xí)的范疇。目前絕大多數(shù)人工智能落地應(yīng)用的背后，都是將現(xiàn)實(shí)問(wèn)題抽象成相應(yīng)的數(shù)學(xué)模型，都可以分解為這些基本任務(wù)的有機(jī)組合。

機(jī)器學(xué)習(xí)的分類

機(jī)器學(xué)習(xí)算法的廣義分類大概有3種：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

監(jiān)督學(xué)習(xí)是指在訓(xùn)練的時(shí)候就知道正確結(jié)果。比如教小孩子分類，先給他一個(gè)蘋(píng)果，然后告訴他這是蘋(píng)果。經(jīng)過(guò)反復(fù)地訓(xùn)練學(xué)習(xí)，再給他蘋(píng)果的時(shí)候，問(wèn)他這是什么，他應(yīng)該告訴你，這是蘋(píng)果。如果給他一個(gè)梨，他應(yīng)該告訴你，這不是蘋(píng)果。訓(xùn)練集的目標(biāo)是由人標(biāo)注（標(biāo)量）的。在監(jiān)督學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)有一個(gè)明確的標(biāo)識(shí)或結(jié)果，如防垃圾郵件系統(tǒng)中的“垃圾郵件”“非垃圾郵件”，手寫(xiě)數(shù)字識(shí)別中的“1”“2”“3”等。在建立預(yù)測(cè)模型時(shí)，監(jiān)督學(xué)習(xí)建立一個(gè)學(xué)習(xí)過(guò)程，將預(yù)測(cè)結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷調(diào)整預(yù)測(cè)模型，直到模型的預(yù)測(cè)結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。監(jiān)督學(xué)習(xí)分為兩類：回歸（Regression）和分類（Classification），如果機(jī)器學(xué)習(xí)算法的輸出值是連續(xù)值，則屬于回歸問(wèn)題；如果是離散值，則屬于分類問(wèn)題。

和監(jiān)督學(xué)習(xí)不同，無(wú)監(jiān)督學(xué)習(xí)在訓(xùn)練的時(shí)候并不知道正確結(jié)果。繼續(xù)上面的例子，給小孩子一堆水果，比如有蘋(píng)果、橘子、梨這3種，小孩子一開(kāi)始不知道這些水果是什么，讓小孩子對(duì)這堆水果進(jìn)行分類。等小孩子分類完后，給他一個(gè)蘋(píng)果，他應(yīng)該將這個(gè)蘋(píng)果放到剛剛分好的蘋(píng)果堆中去。無(wú)監(jiān)督學(xué)習(xí)常用的方法是聚類（Clustering）。

強(qiáng)化學(xué)習(xí)是在機(jī)器學(xué)習(xí)算法程序運(yùn)行的過(guò)程中，我們對(duì)它的行為做出評(píng)價(jià)，評(píng)價(jià)有正面和負(fù)面兩種，目的是讓它做出更有可能得到正面評(píng)價(jià)的行為。谷歌的AlphaGo圍棋程序，贏了圍棋界排名世界第一的柯潔，背后使用的就是強(qiáng)化學(xué)習(xí)技術(shù)。

深度學(xué)習(xí)算法引導(dǎo)機(jī)器智能水平的提升

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子領(lǐng)域，具體來(lái)說(shuō)，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中具有深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)算法。人工智能算法從專家系統(tǒng)到特征工程，最后到深度學(xué)習(xí)的這個(gè)過(guò)程中，人工參與在逐漸減少，而機(jī)器工作在逐漸增加，由于深度學(xué)習(xí)算法的優(yōu)異表現(xiàn)得到了主流認(rèn)可，所以在多方應(yīng)用中得到長(zhǎng)足發(fā)展，下面我們簡(jiǎn)單分析一下深度學(xué)習(xí)算法的優(yōu)勢(shì)。

深度學(xué)習(xí)算法優(yōu)勢(shì)淺析

深度學(xué)習(xí)在機(jī)器學(xué)習(xí)算法中獨(dú)樹(shù)一幟并取得長(zhǎng)足發(fā)展的原因主要有3點(diǎn)。

第一，深度學(xué)習(xí)算法降低了對(duì)算力的需求。傳統(tǒng)機(jī)器學(xué)習(xí)算法在語(yǔ)音識(shí)別、物體識(shí)別方面無(wú)法有效展開(kāi)應(yīng)用，其重要原因之一是無(wú)法使用語(yǔ)音及圖像的高維度數(shù)據(jù)（high-dimensional data）在高維空間學(xué)習(xí)復(fù)雜的函數(shù)，這個(gè)問(wèn)題被稱為維度詛咒（Curse of Dimensionality），高維度數(shù)據(jù)的參數(shù)設(shè)置需求隨著變量的增加呈指數(shù)增長(zhǎng)，對(duì)計(jì)算能力提出了極大挑戰(zhàn)，幾乎無(wú)法完成。而深度學(xué)習(xí)采用多層調(diào)參、層層收斂的方式，將參數(shù)數(shù)量始終控制在一個(gè)較為合理的水平，使得原本不可計(jì)算的模型變得可計(jì)算了，其理解可如下圖所示。

第二，深度神經(jīng)網(wǎng)絡(luò)具有完備性。從理論上來(lái)說(shuō)，深度神經(jīng)網(wǎng)絡(luò)可以表征任何函數(shù)，因此深度神經(jīng)網(wǎng)絡(luò)可以通過(guò)不同的參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)對(duì)任意函數(shù)進(jìn)行擬合，排除了其無(wú)法學(xué)習(xí)復(fù)雜函數(shù)的可能性。

第三，深度學(xué)習(xí)的特征選取完備。深度學(xué)習(xí)具有自動(dòng)學(xué)習(xí)特征的能力，這也是深度學(xué)習(xí)又叫無(wú)監(jiān)督特征學(xué)習(xí)（unsupervised feature learning）的原因。從深度學(xué)習(xí)模型中選擇某一神經(jīng)層的特征后，就可以用來(lái)進(jìn)行最終目標(biāo)模型的訓(xùn)練，而不需要人為參與特征選取。

第三駕馬車(chē)：算力是人工智能技術(shù)實(shí)現(xiàn)的保障

人工智能領(lǐng)域是一個(gè)數(shù)據(jù)密集、計(jì)算密集的領(lǐng)域，傳統(tǒng)的數(shù)據(jù)處理技術(shù)難以滿足高強(qiáng)度、大數(shù)據(jù)的處理需求。人工智能芯片的出現(xiàn)讓大規(guī)模的數(shù)據(jù)效率大大提升，加速了深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練迭代速度，極大地促進(jìn)了人工智能行業(yè)的發(fā)展。在人工智能市場(chǎng)高速發(fā)展的今天，人們都在尋找能讓深度學(xué)習(xí)算法更快速、更低能耗執(zhí)行的芯片。

人工智能芯片主要包括GPU（Graphics Processing Unit，圖形處理器）、FPGA（Field Programmable Gate Array，現(xiàn)場(chǎng)可編程邏輯門(mén)陣列）、ASIC（ Application Specific Integrated Circuit，專用集成電路）以及類腦芯片。在人工智能時(shí)代，它們各自發(fā)揮優(yōu)勢(shì)，呈現(xiàn)出百花齊放的狀態(tài)。

GPU最初作為應(yīng)對(duì)圖像處理需求而出現(xiàn)的芯片。其特點(diǎn)為擅長(zhǎng)大規(guī)模并行運(yùn)算，可以平行處理大量信息。在人工智能技術(shù)發(fā)展早期，因其具有優(yōu)異的大規(guī)模數(shù)據(jù)處理能力而被使用在多個(gè)項(xiàng)目之中。谷歌的圖像識(shí)別項(xiàng)目、 AlphaGo項(xiàng)目、特斯拉/沃爾沃等諸多汽車(chē)廠商的輔助駕駛系統(tǒng)和無(wú)人駕駛實(shí)驗(yàn)中，均使用了GPU作為加速芯片。然而，從芯片底層架構(gòu)來(lái)講，由于GPU并非專為深度學(xué)習(xí)設(shè)計(jì)的專業(yè)芯片，并非是人工智能加速硬件的最終答案。

FPGA是一種通用型的芯片，設(shè)計(jì)更接近于硬件底層的架構(gòu)，其最大特點(diǎn)是可編程。基于可編程的特點(diǎn)，用戶可以通過(guò)燒入FPGA 配置文件來(lái)實(shí)現(xiàn)應(yīng)用場(chǎng)景的高度定制，進(jìn)而實(shí)現(xiàn)高性能、低功耗的目的。FPGA 成本較高，更適用于企業(yè)用戶，尤其是可重配置需求較高的軍事和工業(yè)電子領(lǐng)域。

ASIC是對(duì)應(yīng)特定應(yīng)用場(chǎng)景，針對(duì)特定用戶需求的專用芯片。假如把FPGA比作科研研發(fā)專用芯片，那ASIC就是確定應(yīng)用市場(chǎng)后，大量生產(chǎn)的專用芯片。全定制設(shè)計(jì)的ASIC芯片，針對(duì)專門(mén)的應(yīng)用場(chǎng)景，性能和能耗都要優(yōu)于市場(chǎng)上的現(xiàn)有芯片，包括FPGA和GPU。

類腦芯片架構(gòu)是模擬人腦的新型芯片編程架構(gòu)，這種芯片的功能類似于大腦的神經(jīng)突觸，處理器類似于神經(jīng)元，而其通信系統(tǒng)類似于神經(jīng)纖維，允許開(kāi)發(fā)者為類人腦芯片設(shè)計(jì)應(yīng)用程序。通過(guò)這種神經(jīng)元網(wǎng)絡(luò)系統(tǒng)，計(jì)算機(jī)可以感知、記憶和處理大量不同的情況。

總而言之，人工智能是一項(xiàng)復(fù)雜的前沿、新興技術(shù)，在經(jīng)歷了多次起起伏伏的浪潮之后，這一次人工智能浪潮的產(chǎn)生涉及大數(shù)據(jù)、深度學(xué)習(xí)、人工智能芯片、計(jì)算機(jī)視覺(jué)處理、自然語(yǔ)言理解、語(yǔ)音識(shí)別、語(yǔ)音合成等多項(xiàng)技術(shù)。這些技術(shù)不斷作用，互相融合，推動(dòng)技術(shù)向前發(fā)展，為人類提供更美好的生活。