AI之所以到現(xiàn)在才火爆起來(lái)是有原因的。早在70年前，計(jì)算機(jī)技術(shù)剛出現(xiàn)，計(jì)算能力和傳感器技術(shù)都不發(fā)達(dá)，AI的理念雖然先進(jìn)，卻無(wú)實(shí)施的條件。眾所周知，讓機(jī)器具備學(xué)習(xí)的能力，要進(jìn)行大量的學(xué)習(xí)計(jì)算，通過(guò)對(duì)已掌握的數(shù)據(jù)計(jì)算規(guī)律，從而知曉下一步該如何處理。甄別和計(jì)算數(shù)據(jù)的能力在70年前都不具備，所以AI技術(shù)的研究總是被擱淺。而現(xiàn)在則不同，云計(jì)算、虛擬化和大數(shù)據(jù)技術(shù)的出現(xiàn)，對(duì)數(shù)據(jù)的分析能力已經(jīng)很強(qiáng)，再加上計(jì)算能力的提升，海量數(shù)據(jù)的計(jì)算數(shù)秒內(nèi)就能完成，這給AI提供了良好的成長(zhǎng)土壤，所以到了現(xiàn)在，AI不火都不行了。
AI只是一門技術(shù)的概念，最終還是要靠各種具體技術(shù)來(lái)實(shí)現(xiàn)，機(jī)器學(xué)習(xí)(Machine Learning)就是其中之一。ML使用算法分析數(shù)據(jù)，從中學(xué)習(xí)并做出推斷或預(yù)測(cè)。ML使用大量數(shù)據(jù)和算法來(lái)“訓(xùn)練”機(jī)器，由此讓機(jī)器學(xué)會(huì)如何去完成任務(wù)。比如在圖像識(shí)別中，一開(kāi)始機(jī)器在識(shí)別事物的時(shí)候準(zhǔn)確率是比較差的，機(jī)器的表現(xiàn)帶有很大隨機(jī)性，但是經(jīng)過(guò)一段時(shí)間訓(xùn)練，隨著我們給機(jī)器看的圖像越來(lái)越多，機(jī)器的圖像識(shí)別準(zhǔn)確性會(huì)逐步提高。當(dāng)學(xué)習(xí)的圖片積累到一定數(shù)量的時(shí)候，我們可以對(duì)于某一種動(dòng)物拍一張照片，這張照片是以前機(jī)器學(xué)習(xí)沒(méi)有看到的，但當(dāng)我們顯示這張照片，機(jī)器可以根據(jù)以往的經(jīng)驗(yàn)準(zhǔn)確地識(shí)別出這是哪一種動(dòng)物。ML背后的核心思想是，設(shè)計(jì)程序使得它可以在執(zhí)行的時(shí)候提升它在某任務(wù)上的能力，而不是有著固定行為的程序。ML包括多種問(wèn)題定義，提供很多不同算法，能解決不同領(lǐng)域的各種問(wèn)題，ML利用數(shù)據(jù)來(lái)解決簡(jiǎn)單規(guī)則不能或者難以解決的問(wèn)題，被廣泛應(yīng)用在了搜索引擎、無(wú)人駕駛、機(jī)器翻譯、醫(yī)療診斷、垃圾郵件過(guò)濾、玩游戲、人臉識(shí)別、數(shù)據(jù)匹配、信用評(píng)級(jí)和給圖片加濾鏡等任務(wù)中。
深度學(xué)習(xí)(Deep Learning)是一種實(shí)現(xiàn)ML的技術(shù)，是當(dāng)前AI技術(shù)中非常火的話題，由Hinton等人于2006年提出，基于深度置信網(wǎng)絡(luò)提出非監(jiān)督貪心逐層訓(xùn)練算法。DL也稱為深度結(jié)構(gòu)學(xué)習(xí)，層次學(xué)習(xí)或者深度機(jī)器學(xué)習(xí)，是一類算法集合。DL利用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從大數(shù)據(jù)中學(xué)習(xí)現(xiàn)實(shí)世界中各類事物能直接用于計(jì)算機(jī)計(jì)算的表示形式，被認(rèn)為是智能機(jī)器可能的“大腦結(jié)構(gòu)”。DL本身是神經(jīng)網(wǎng)絡(luò)算法的衍生，在圖像，語(yǔ)音等富媒體的分類和識(shí)別上取得了非常好的效果，所以各大研究機(jī)構(gòu)和公司都投入了大量人力來(lái)做相關(guān)研究和開(kāi)發(fā)。DL重點(diǎn)在于如何快速地訓(xùn)練模型。通過(guò)DL，機(jī)器可以處理大量數(shù)據(jù)，識(shí)別復(fù)雜的模式，并提出深入的見(jiàn)解。DL有幾個(gè)有名的技術(shù)框架：tensorflow 谷歌、CNTK 微軟、Theano、caffe Berkeley、scikit-learn Python，AlphaGo就是使用了TensorFlow的杰出作品，AlphaGo 完虐李世乭，直接將DL帶火了。我們?nèi)粘５囊恍┩扑托侣勝?gòu)物等，都有DL的影子。之所以DL能火，最為主要的原因是準(zhǔn)確性，DL模式可以達(dá)到前所未有的精確度，有時(shí)甚至超過(guò)人類表現(xiàn)，讓人類都感覺(jué)到可怕，未來(lái)人類會(huì)不會(huì)被DL所創(chuàng)造的機(jī)器人打敗并消滅掉。如果是那樣，人類真的是搬起石頭砸自己的腳。其實(shí)，這種想法的人實(shí)屬多慮了，DL的學(xué)習(xí)能力的確可能超過(guò)人類大腦，但所有的學(xué)習(xí)能力都是人類賦予的，自然有控制的方法。
ML和DL都是AI的具體技術(shù)實(shí)現(xiàn)形式，但兩者區(qū)別明顯。DL是ML的技術(shù)之一，ML包含DL，但DL的技術(shù)更優(yōu)于ML，ML更是一種通用型的技術(shù)，包括決策樹(shù)、貝葉斯、支持向量機(jī)等算法，也包括神經(jīng)網(wǎng)絡(luò)算法。而DL深耕神經(jīng)網(wǎng)絡(luò)，是深度神經(jīng)網(wǎng)絡(luò)算法技術(shù)，包括深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)等。ML和DL都提供了訓(xùn)練模型和分類數(shù)據(jù)方法，但ML需要手動(dòng)選擇圖像的相關(guān)特征，以訓(xùn)練機(jī)器學(xué)習(xí)模型，DL可以從圖像中自動(dòng)提取相關(guān)功能，是一種端到端的學(xué)習(xí)，網(wǎng)絡(luò)被賦予原始數(shù)據(jù)和分類等任務(wù)并自動(dòng)完成;如果沒(méi)有高性能GPU和標(biāo)記數(shù)據(jù)，那么ML和DL更具優(yōu)勢(shì)。這是因?yàn)镈L通常比較復(fù)雜，就圖像而言可能需要幾千張圖才能獲得可靠的結(jié)果。高性能的GPU才能夠?qū)崿F(xiàn)快速計(jì)算，在建模上花更少時(shí)間來(lái)分析所有圖像，DL計(jì)算量更大;ML由手工設(shè)計(jì)特征決定學(xué)習(xí)效果，但是特征工程非常繁瑣，而DL能夠從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征;當(dāng)解決問(wèn)題時(shí)，ML會(huì)將問(wèn)題分解為多個(gè)子問(wèn)題并逐個(gè)子問(wèn)題解決，最后結(jié)合所有子問(wèn)題的結(jié)果獲得最終結(jié)果，DL提倡直接的端到端解決問(wèn)題。ML比較擅長(zhǎng)分析維度較低，可解釋性很強(qiáng)的任務(wù)。DL擅長(zhǎng)分析高維度的數(shù)據(jù)。比如圖像、語(yǔ)音等，兩者應(yīng)用的領(lǐng)域會(huì)有差別。
ML和DL是AI領(lǐng)域最先進(jìn)的技術(shù)，尤其是DL，代表了當(dāng)今AI技術(shù)發(fā)展的方向，將有越來(lái)越多的產(chǎn)品采用DL技術(shù)，不過(guò)兩者應(yīng)用的領(lǐng)域不同，對(duì)于數(shù)據(jù)量較少，計(jì)算能力不高的領(lǐng)域，ML依然可以繼續(xù)發(fā)揮技術(shù)優(yōu)勢(shì)，兩種技術(shù)將長(zhǎng)期同時(shí)存在著。
版權(quán)聲明：本文為企業(yè)網(wǎng)D1Net原創(chuàng)，轉(zhuǎn)載需注明出處為：企業(yè)網(wǎng)D1Net，如果不注明出處，企業(yè)網(wǎng)D1Net將保留追究其法律責(zé)任的權(quán)利。
京公網(wǎng)安備 11010502049343號(hào)