簡析AI：深度學習讓AI正在變得像人類一樣神秘
從20世紀60年代開始，人們就在期待像哈爾（HAL）這樣的科幻級別的AI，然而直到最近，PC和機器人還是非常愚笨�，F在，科技巨頭和創業公司宣告了AI革命的到來：無人駕駛汽車、機器人醫生、機器投資者等等。普華永道認為，到2030年，AI將會向世界經濟貢獻15.7萬億美元。AI是2017年的熱詞，就像。com是1999年的時髦用語那樣，每一個人都宣稱自己對AI感興趣。不要被有關AI的炒作所迷惑，它是泡沫還是真實？和舊有的AI潮流相比，它現在有什么新穎之處？
AI并不會輕易或迅速地被應用。最令人興奮的AI實例往往來自大學或者科技巨頭。任何許諾用最新的AI技術讓公司發生革命性變革的自封的AI專家，都只是在傳遞錯誤的AI信息，其中某些人只是重塑舊有技術的形象，把它們包裝成AI。每個人都已經通過使用Google、微軟、亞馬遜的服務，來體驗了最新的AI技術。但是，深度學習不會迅速地被大企業所掌握，用來定制內部項目。大多數人都缺乏足夠的相關數字數據，不足以可靠地用來訓練AI。結果就是，AI并不會殺死所有的工作機會，尤其因為它在訓練和測試每個AI的時候還是需要人類。
AI目前已經能夠用眼睛看到，并精通一些視覺相關的工作了，比如：通過醫學影像識別癌癥或其他疾病，在統計學上優于人類放射科醫師、眼科醫師、皮膚科醫師等，還有駕駛汽車、讀唇語。AI能通過學習樣本（比如畢加索或者你的畫作）畫出任何一種風格的圖畫。反過來，它也能通過一幅畫，補足缺失的信息，猜出真實的照片是什么。AI看著網頁或應用的屏幕截圖，就能寫出代碼制作出類似的網頁或應用。
AI目前還能用耳朵聽到，它不只能聽懂你的話，還能通過聽Beatles或你的音樂，創作出新的音樂，或者模擬它聽到的任何人的聲音。一般人無法分辨出一幅畫或一首曲子是由人還是由機器創作的，也無法分辨出一段話是由人類還是AI說出的。
被訓練用來贏得撲克比賽的AI學會了虛張聲勢，能夠處理丟牌、潛在的造假行為，還能誤導信息。被訓練用來談判的機器人也學會了欺騙，能猜測出你什么時候在說謊，如果需要它們也會撒謊。一個用來在日語和英語間翻譯或者在韓語和英語間翻譯的AI，也能在韓語和日語間進行翻譯轉換�？雌饋矸gAI自己創造了一種中間語言，能不分語言的界限演繹任何一個句子。
機器學習（ML）是AI的一個子類別，KUKA機器人電路板維修，它能讓機器從經驗中學習，從真實世界的實例中學習，數據量越大，它就能學到越多。據說，如果一臺機器完成一項任務的表現隨著經驗的增多越來越好，那它就能根據這項任務的經驗進行學習。但大部分AI還是根據固定規則制造出來的，它們并不能學習。從現在開始，我將使用機器學習這個詞來指稱從數據中進行學習的AI，以此強調它和其他AI的區別。
人工神經網絡只是通往機器學習的其中一種方式，其他路徑還包括決策樹、支持向量機等。深度學習是一種具有許多抽象層次的人工神經網絡。不去談深度這個有炒作意味的詞，很多機器學習方法都是淺顯的。成功的機器學習通常是混合的，也就是很多方法的組合，比如樹+深度學習+其他，它們都是被分別訓練而成的，再把它們結合在一起。每一個方法都可能帶來不同的錯誤，所以，平均了它們每一個方法成功的結果，它們就勝過了單獨一種方法。
舊有的AI并不能學習。它是基于規則的，它只是幾個人類寫成的如果那么。它只要能解決問題就被稱作是AI，但它不是機器學習，因為它不能從數據中進行學習。目前的AI和自動系統中大部分依然是基于規則的代碼。機器學習從20世紀60年代開始才被人了解，但就像人類大腦一樣，它需要大量的計算設備處理大量的數據。在20世紀80年代，要在PC上訓練一個ML需要幾個月時間，而那時候的數字數據也非常稀少。手動輸入的基于規則的代碼能快速地解決大部分問題，所以機器學習就被遺忘了。但用我們現在的硬件，你能在幾分鐘內就訓練出一個ML，我們知道最佳的參數，而且數字數據也更多了。然后在2010年之后，一個又一個AI領域開始被機器學習所掌控，從視覺、語音、語言翻譯到玩游戲，機器學習勝過了基于規則的AI，而且通常也能勝過人類。
為什么AI在1997年的國際象棋比賽中就擊敗了人類，但直到2016年，才在圍棋比賽中擊敗了人類呢？因為在1997年，計算機僅僅簡單地計算出了國際象棋8x8棋盤中所有的可能性，但圍棋擁有19x19的可能性，計算機要計算出所有可能性需要十億年。這就像要隨機組合出所有字母，以此得到這樣一整篇文章一樣：這根本不可能。所以，人們已知的唯一的希望在于訓練出一個ML，但是ML是近似的，不是確定的，機器學習是隨機的，它可以被用于統計分析的模式，但不能用于準確的預測。
機器學習讓自動化成為可能，只要你準備好訓練ML的正確數據就可以了。
大多數機器學習都屬于監督學習，這里用來訓練的實例都是有標簽的，標簽就是關于每個實例的描述或者標注。你首先需要人工把那些關于貓的照片從關于狗的照片中分離出來，或者把垃圾郵件從正常郵件中分離出來。如果你錯誤地給數據打了標簽，最后ML就會不正確，這至關重要。把未打標簽的數據放到ML里，這就是無監督學習，在這里ML會發現有用的數據的模型和群組，但它不能單獨用來解決很多問題。所以有些ML是半監督式的。
在異常檢測中，你可以識別出不同尋常的東西，你可以讓ML對任何可疑的不同之處做出警告。政府部門已經開始用ML來偵查逃稅行為了。
強化學習在1983年的電影《戰爭游戲》中就已經有了體現，在電影里，計算機通過打通光速中的每一個場景，從而避免了第三次世界大戰。這個AI在百萬計的失敗與嘗試中探索，最終得到了巨大的回報。AlphaGo是這樣被訓練而成的：它曾數百萬次地扮演自己的對手，從而獲得超越人類的技能。它使出了前所未見的招數，人類選手甚至可能會把它看做錯誤的招數。但后來，這些招數被公認為機智非凡。ML開始變得比人類圍棋選手更富有創造性。
在人們認為AI不是真正智能的時候，AI效應就出現了。人們在潛意識里需要相信魔力，需要相信人類在宇宙中的獨一無二。每一次機器在某一項智能活動中超越了人類時，比如在下象棋、識別圖片或者翻譯時，人們總是會說：那只是強力計算能力，那不是智能。很多app里都有AI存在，然而一旦被廣泛應用，它就不再被稱作智能。如果智能只是AI沒有達成的技能（也就是獨屬于大腦的技能），那字典每一年都要被更新，比如：數學在20世紀50年代之前才被認為是智力活動，現在已經不是了。這真是太奇怪了。關于強力計算能力，一個人類大腦擁有100萬億個神經元連接，比地球上任何一個計算機所擁有的都多得多。機器學習不能做強力計算，如果讓機器學習去嘗試所有連接，那需要花上十億年的時間。機器學習只會在被訓練的基礎上進行猜測，并且它使用的計算能力比大腦使用的要少。所以，應該是AI來宣稱人類大腦不夠智能，來宣稱人類大腦只是強力計算能力而已。