騰訊數(shù)碼訊（肖恩）近幾個月來，微軟，谷歌，蘋果，F(xiàn)acebook和其他技術(shù)公司紛紛宣布我們不再生活在移動優(yōu)先的世界。相反，這個世界已經(jīng)變成了人工智能優(yōu)先。虛擬助手和其他服務(wù)將成為你的主要信息來源，幫助你完成日常任務(wù)。你的智能手機或個人電腦現(xiàn)在要退居次席了。
支持這個新方向的是你可能經(jīng)常聽到的兩個術(shù)語：機器學(xué)習(xí)和深度學(xué)習(xí)。它們是“教”人工智能來執(zhí)行任務(wù)的兩種方法，但用途可遠遠不止創(chuàng)建智能助手那么簡單。那么機器學(xué)習(xí)和深度學(xué)習(xí)究竟有何不同？本文將對此進行一番探究。
電腦現(xiàn)在有了視覺、聽覺和講話的能力
在機器學(xué)習(xí)的幫助下，計算機現(xiàn)在可以通過“訓(xùn)練”來預(yù)測天氣，確定股票市場的結(jié)果，了解購物習(xí)慣，控制工廠中的機器人等眾多功能。谷歌，亞馬遜，F(xiàn)acebook，Netflix，LinkedIn以及更多面向消費者的熱門服務(wù)都得到機器學(xué)習(xí)的支持。而所有這些學(xué)習(xí)的核心就是所謂的算法。
簡而言之，算法不是一個完整的計算機程序（一組指令），而是解決單個問題的有限步驟。舉個例子，搜索引擎會依靠一種算法來抓取你輸入到搜索字段框中的文本，并搜索連接的數(shù)據(jù)庫以提供相關(guān)的搜索結(jié)果。它需要采取具體步驟來實現(xiàn)單一、具體的目標。
其實早在1965年之后，機器學(xué)習(xí)就已經(jīng)出現(xiàn)了。Arthur Samuel當時不想編寫一個非常詳細，冗長的程序，讓計算機在西洋跳棋中打敗自己。相反，他創(chuàng)造了一種算法，使計算機能夠自我對抗數(shù)千次，并從中“學(xué)習(xí)”如何成為一位獨立的對手。等到1962年，這臺電腦擊敗了康涅狄格州的跳棋冠軍。
因此，機器學(xué)習(xí)的核心是試驗和錯誤。我們不能手動編寫程序來幫助自動駕駛汽車區(qū)分行人與樹木或車輛，但我們可以為程序創(chuàng)建一套使用數(shù)據(jù)來解決問題的算法。算法還可以用來幫助程序預(yù)測颶風(fēng)的路徑，對阿爾茨海默氏癥進行早期診斷，確定世界上薪水最虛高和最過低的足球明星等等。
機器學(xué)習(xí)通常是在低端設(shè)備上運行的，它會將問題分解成多個部分。每個部分會按順序被解決，然后組合在一起以創(chuàng)建單個問題答案。卡內(nèi)基梅隆大學(xué)著名的機器學(xué)習(xí)貢獻者Tom Mitchell解釋說，如果計算機程序的特定任務(wù)的性能得到提高，那么計算機程序?qū)⒖梢詮倪@些經(jīng)驗中得到“學(xué)習(xí)”。機器學(xué)習(xí)算法本質(zhì)上是使程序能夠進行預(yù)測，并且隨著時間的推移，根據(jù)試驗和錯誤經(jīng)驗提高預(yù)測的準確率。
以下是機器學(xué)習(xí)的四種主要類型：
監(jiān)督機器學(xué)習(xí)
在這種情況下，你需要向計算機程序提供帶有標簽的數(shù)據(jù)。舉個例子，如果分配的任務(wù)是使用分類圖像算法區(qū)分男孩和女孩的圖片，那么男孩的照片會被打上“男孩”標簽，女孩的照片會被打上“女孩”標簽。這被認為是一種“訓(xùn)練”數(shù)據(jù)集，在程序能夠以可接受的速率成功地對圖像進行分類之前，這些標簽會一直被保留。
半監(jiān)督機器學(xué)習(xí)
在這種情況下，只有少數(shù)圖像被標記。計算機程序隨后將使用算法對未標記的圖像進行最佳猜測，然后將數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)反饋給程序。隨后，它會被提供一批新的圖像，當中只有少數(shù)分類標簽。這是一個重復(fù)的過程，直到程序能以可接受的速度區(qū)分男孩和女孩。
無監(jiān)督機器學(xué)習(xí)
這種類型的機器學(xué)習(xí)不涉及任何標簽。相反，程序會被要求使用兩種方法之一將男孩和女孩的圖像分成兩組。當中的一種算法被稱為“聚類”，它會根據(jù)諸如頭發(fā)長度，下巴大小，眼睛位置等特征將相似的對象分組在一起。另一種算法稱為“關(guān)聯(lián)”，程序會根據(jù)它發(fā)現(xiàn)的相似性創(chuàng)建if / then規(guī)則。換句話說，它會對圖像之間的共同模式作出判斷，并對它們進行相應(yīng)的排序。
增強機器學(xué)習(xí)
國際象棋是這種算法一個很好的例子。該程序知道游戲的規(guī)則和玩法，并會按部就班地完成一輪對弈。提供給該計劃的唯一信息是它是否贏得比賽。它會一直重播比賽，追蹤自己成功的落子，直到最終贏得比賽。
深度學(xué)習(xí)
深度學(xué)習(xí)基本上是“更深層次”的機器學(xué)習(xí)。它的靈感來源于人類大腦的工作方式，但需要能夠處理數(shù)字和巨量大數(shù)據(jù)的獨立顯卡的高端計算機才能工作。
相比會把問題分解成多個部分并逐個解決的標準機器學(xué)習(xí)算法，深度學(xué)習(xí)會以端到端的方式來解決問題。更棒的是，提供深度學(xué)習(xí)算法的數(shù)據(jù)和時間越多，解決任務(wù)的效果越好。
在我們的機器學(xué)習(xí)示例中，我們使用了由男孩和女孩組成的圖像。該程序會使用算法來對這些圖像進行分類，主要基于填鴨式的數(shù)據(jù)。但如果是深度學(xué)習(xí)，數(shù)據(jù)不提供給程序使用。相反，它會掃描圖像中的所有像素，以發(fā)現(xiàn)可用于區(qū)分男孩和女孩的邊緣。之后，它會將邊緣和形狀置于可能重要的排序中以確定這兩種性別。
用更簡單的話來說，機器學(xué)習(xí)將根據(jù)人類提供的信息來區(qū)分正方形和三角形：正方形有四個點，三角形有三個。通過深度學(xué)習(xí)，該程序不會把填鴨式信息作為起點。相反，它使用算法來確定形狀有多少條線，這些線是否連通，以及它們是否垂直。當然，算法最終會發(fā)現(xiàn)插入的圓不適合其正方形和三角形排序。
同樣，后者的“深度思考”過程需要更多的硬件來處理算法生成的大數(shù)據(jù)。這些機器傾向于駐留在大型數(shù)據(jù)中心中，以創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)來處理生成的所有大數(shù)據(jù)，并將其提供給人工智能應(yīng)用程序。使用深度學(xué)習(xí)算法的程序也需要更長時間的訓(xùn)練，因為他們需要在沒有人為輔助的情況下獨立學(xué)習(xí)。
翻譯是深度學(xué)習(xí)一個不錯的應(yīng)用案例。這項技術(shù)能夠聆聽主持人以英語進行的交談，并通過文字和電子語音實時將他的話翻譯成不同的語言。由于整體語言，語言使用，語音音調(diào)以及硬件成熟能力的不同，這方面的發(fā)展多年以來都比較緩慢。
深度學(xué)習(xí)還能用來驅(qū)動聊天機器人，比如亞馬遜Alexa，微軟Cortana，F(xiàn)acebook和Instagram等。在社交媒體上，基于深度學(xué)習(xí)的算法可以用來提供聯(lián)系方式和頁面建議。即使你沒有訪問它們的網(wǎng)站，深度學(xué)習(xí)也可以幫助這些公司根據(jù)你的口味進行個性化廣告定制。
“展望未來，下一個大趨勢將是”設(shè)備“的概念逐漸消失，”谷歌首席執(zhí)行官Sundar Pichai表示，“隨著時間的推移，計算機本身 ——無論它是何形式——將會成為一位智能助手，幫助你度過每一天。我們將從移動優(yōu)先轉(zhuǎn)移到到人工智能優(yōu)先的世界。”
