上世紀40年代，人工智能的基本框架就已經(jīng)存在，自那以后，各種組織就一直在人工智能的發(fā)展上進行創(chuàng)新。

近年來，大數(shù)據(jù)和先進的深度學習模型將人工智能的發(fā)展推向了前所未有的高度。這些新的技術成分最終會產(chǎn)生科幻小說中所設想的智能機器，還是維持目前的人工智能趨勢，只是“把相同的酒裝在了更高檔的瓶子里”？

“這實際上是新酒，但有各種各樣的瓶子，而且有不同的年份，”JamesKobielus說，他是Wikibon的數(shù)據(jù)科學、深度學習和應用開發(fā)的首席分析師。

Kobielus補充說，實際上，大部分的舊酒仍然相當可口；新一代的人工智能的使用了以前的方法并建立在這些方法之上。例如，Apache的大數(shù)據(jù)框架Hadoop所運用的技術。

然而，如今關于人工智能的狂熱，是由于一些前人工智能候選者缺乏特定的發(fā)展。根據(jù)Kobielus的說法，現(xiàn)有的技術使我們更接近那些看起來像人類一樣“思考”的機器?！捌渲凶钪匾氖谴髷?shù)據(jù)，”他在位于馬薩諸塞州馬爾伯勒的CUBE公司的工作室里說。

為什么大數(shù)據(jù)激發(fā)了人們對人工智能的興趣？因為這對于訓練深度學習模型來說是一個巨大的幫助，使其能夠做出更像人類的推斷。Kobielus和DaveVellante一起在人工智能和機器智能領域有了技術突破。DaveVellante是Wikibon的首席分析師，他還是SiliconANGLE的直播工作室的聯(lián)合主持人。

人工智能革命將會被算法化

人工智能在智能對話方面的長足進步，也反映了其飛速的營收增長。研究機構TracticaLLC的調(diào)查顯示，2016年，人工智能軟件市場規(guī)模為14億美元，到2025年將增至598億美元。

“人工智能在幾乎所有行業(yè)的垂直領域都有應用和用例，被認為是下一個重大的技術轉變，類似于工業(yè)革命、計算機時代和智能手機革命等過去曾經(jīng)發(fā)生的轉變，”TracticaLCC的研究主管AdityaKaul說。其中一些垂直領域包括金融、廣告、醫(yī)療、航天和消費領域。

下一場工業(yè)革命將圍繞人工智能軟件展開，這聽起來可能像一個想象力豐富的書呆子的幻想。但即使在硅谷之外，這種情緒也在蔓延?！稌r代》周刊最近專門刊登了一篇題為《人工智能：人類未來》的特稿。但是，這種人工智能的設想在科幻小說和科技圈的狂熱沼澤中已經(jīng)存在了幾十年。在過去的幾年里，這項技術發(fā)展得如此之快嗎？從今天的人工智能和可預見的未來，我們能從現(xiàn)實中得到什么？

首先，人工智能是一個寬泛的標簽——實際上更多的是一個熱門短語，而不是一個精確的技術術語。Kobielus說，人工智能指的是“任何幫助機器像人類一樣思考的方法”。但是，從最嚴格的意義上來說，機器“思考”難道不是與人類大腦截然不同的思維嗎？機器不會真的思考，不是嗎？這要看情況。如果說“思考”的同義詞是“推斷”的話，那么機器可能被認為與大腦是對等的。

當人們討論人工智能的時候，他們通常會談論人工智能最受歡迎的方式——機器學習。這是一種數(shù)學應用，原理是從數(shù)據(jù)集中推斷出某種模式。Kobielus說：“很長時間以來，人們利用軟件從數(shù)據(jù)中推斷出模式。”一些已有的推理方法包括支持向量機、貝葉斯邏輯和決策樹。這些技術并沒有消失，并在日益增長的人工智能技術領域被繼續(xù)使用著。機器學習模型或在數(shù)據(jù)上訓練的算法能夠做出自己的推斷，這通常被稱為人工智能的輸出或見解。這種推斷不需要預先編程到一個機器上，需要編程的只有模型本身。

機器學習模型的推斷基于統(tǒng)計學的可能性，這在某種程度上類似于人類理解的過程。來自數(shù)據(jù)的推論可以以預測、相關性、分類、分類、識別異?；蜈厔莸刃问匠霈F(xiàn)。對于機器來說，學習模式是分層的。數(shù)據(jù)分類器名為“感知器”，通過對感知器進行分層，便形成了一個人工神經(jīng)網(wǎng)絡。感知器之間的這種神經(jīng)網(wǎng)絡關系激活了它們的功能，包括非線性的感知器，比如tangents。通過這個神經(jīng)過程，一個層的答案或輸出就成為了下一層的輸入。最后一層輸出的便是最終結果。

神經(jīng)元的深層學習層

深度學習網(wǎng)絡是有著大量的感知器層的人工神經(jīng)網(wǎng)絡。網(wǎng)絡的層次越多，它的深度就越大。這些額外的層會提出更多的問題，處理更多的輸入，并產(chǎn)生更多的輸出，從而抽象出更高層次的數(shù)據(jù)。

Facebook的自動人臉識別技術是由深度學習網(wǎng)絡驅(qū)動的。通過將更多圖層組合在一起，可以更豐富地描述圖像?！澳憧赡軙?，這不就是一張臉嗎？但是，如果它是一個場景識別深度學習網(wǎng)絡，它可能會識別出這是一個與一個名叫戴夫的人對應的臉，他碰巧也是這個家庭場景中的父親?！盞obielus說。

現(xiàn)在已經(jīng)有了具備1,000個感知器層的神經(jīng)網(wǎng)絡，軟件開發(fā)人員仍在探索更深層次的神經(jīng)網(wǎng)絡可以實現(xiàn)的功能。最新款蘋果iPhone的人臉檢測軟件依賴于一個20層的卷積神經(jīng)網(wǎng)絡。2015年，微軟公司的研究人員通過一個152層的深度殘差網(wǎng)絡贏得了ImageNet計算機視覺大賽。微軟研究主管彼得·李表示，得益于一種防止數(shù)據(jù)稀釋的設計，該網(wǎng)絡能夠從圖片中收集到的信息，超過了典型的20層或30層的深度殘差網(wǎng)絡。他說：“我們可以從中學到很多微妙的東西。”

除了圖像處理之外，新的人工智能和深度學習用例也層出不窮，從執(zhí)法部門到基因組學都能找到相關應用。在去年的一項研究中，研究人員利用人工智能預測了歐洲人權法院數(shù)百起案件的判決結果。他們預測人類法官最終決定的準確率達到了79%。

具備了“思考”的能力，并且擁有豐富的資源，甚至還有機器比人更準確地得出結論。最近，斯坦福大學研究人員的深度學習算法比人類放射科醫(yī)生更擅長診斷肺炎。這種名為“CheXNet”的算法使用了一種121層的卷積神經(jīng)網(wǎng)絡，這些神經(jīng)網(wǎng)絡被訓練在一組超過10萬張胸部X光圖像上。

人工智能模型在學習中不斷進步

這突顯出深度學習的一個關鍵問題：算法本身和訓練它們的數(shù)據(jù)一樣好。它們作出的預測的準確率基本上與訓練它們的數(shù)據(jù)集的大小成正比。并且這個培訓過程需要專家的監(jiān)督。Kobielus說：“你需要一個由數(shù)據(jù)科學家和其他擅長統(tǒng)計建模的開發(fā)人員組成的團隊，他們擅長獲取培訓數(shù)據(jù)，并對其進行標記（標簽在那里起著非常重要的作用），而且他們擅長于通過開發(fā)者操作以迭代的方式開發(fā)和部署某一種模型?！?/p>

機器學習模型的標簽數(shù)據(jù)確實至關重要，但人類的眼睛仍然是工作的最佳工具。IBM公司去年表示，他們已經(jīng)在招聘很多人，只是為了給人工智能標記數(shù)據(jù)。

多倫多大學的研究人員ParhamAarabi和WenzhiGuo探索出了人類的大腦和神經(jīng)網(wǎng)絡結合在一起的方式。他們開發(fā)了一種算法，從明確的人類指令中進行學習，而不是通過一系列的例子。

在圖像識別中，訓練師可能會告訴算法，天空通常是藍色的，并且位于圖片的頂部。與傳統(tǒng)的神經(jīng)網(wǎng)絡訓練相比，他們的方法效果更好。Kobielus說：“如果不訓練算法，你就不知道算法是否有效?！彼€總結道，大量的訓練都會在云或其他集中的環(huán)境中進行，而分散的“物聯(lián)網(wǎng)”設備（比如自動駕駛汽車）將會在現(xiàn)場做出決定。