原创/李威威

深度学习无论是现在还是在未来10年都会是人工智能领域里最重要的课题之一--麻省理工科技评论

年深度学习首度入选麻省理工科技评论全球十大突破性技术，从那开始人工智能似乎打开了任督二脉，在这之前人工智能已经发展超过了60年，但从来没有像今天这么火爆，深度学习有什么魔力，它是如何助人工智能脱离冷板凳的呢？

人工智能的核心就是机器学习，在20世纪50年代，科学家和数学家们就已经提出了这个观点。英国科学家和数学家阿兰·图灵在年提出了这个问题：如果人类可以从已有信息进行推理和逻辑判断来解决问题，那为什么机器不可以这么做呢？这是人工智能（ArticialIntelligencee，AI）这个概念第一次被正式提出。

可以，很多人都是这么想的，其实机器学习的原理也不算太复杂。

机器学习（MachineLearning）的手段是让电脑从大量的真实经验、信息和案例中学习，然后会像人类一样吃一堑长一智，在以后遇到同样的问题时，电脑就有能力用学习到的经验做出准确的判断。

年5月11日，计算机在正常时限的比赛中首次击败了等级分排名世界第一的国际象棋棋手。加里·卡斯帕罗夫以2.5:3.5（1胜2负3平）输给IBM的计算机程序深蓝。

这是人工智能第一次在正式的棋类游戏中将人类冠军挑落马下，深蓝计算机是采用了一种混合决策的机器学习方法，其算力达到了每秒2亿次。

人们一度相信，随着算力的增加，人工智能将会越来越智能，而终将走入人类的生活。

在之后的几十年，发达国家的政府都在人工智能上投入了大量的研究经费，还有世界顶尖的科学家耗费了巨大的心血和精力来证明可以这个答案。遗憾的是，这么多的投入让我们的计算机的运算能力提升了千百倍，人工智能技术尽管有所发展，但离实际的应用还是十分遥远。

现实表明运算能力并不是人工智能的唯一限制，机器学习的方式和数据来源是人工智能发展的另外两大障碍。

网速的提升触发了互联网的爆发，智能手机时代的来临带来了移动互联网的高速发展，无处不在的数据催生出来了大数据，这给人工智能的发展提供了充足的原材料。

但是人工智能是在进入21世纪后才得以真正的繁盛发展起来的，人工智能领域在过去10年来达到目前的发展高度，技术上最大的功臣无疑是深度学习（DeepLearning）。深度学习利用多层人工神经网络，从极大的数据量中学习，对未来做出预测，让机器变得更加聪明。

过去10年，深度学习是人工智能领域里绝对的王牌主力，其他重要人工智能技术比如：指纹支付，人脸识别，自动驾驶等的发展都得益于深度学习的技术支持。

深度学习的涵盖范围之大，对社会和科技发展的影响之深，使其无论是现在还是在未来10年都会是人工智能领域里最重要的课题之一。

除了深度学习之外，强化学习（ReinforcementLearning）也是近几年来机器学习领域的热门技术。强化学习能使计算机在没有明确指导的情况下像人一样自主学习。在达到足够的学习量之后，强化学习的系统最后能够预测正确的结果，从而做出正确的决定。强化学习和深度学习的整合，让机器学习有了进一步的运用，衍生出深度强化学习（DeepReinforcementLearning）。

无论是深度学习还是强化学习，在发展到一定程度之后都受到一个瓶颈的困扰：主要的机器学习手段还是来自蛮力计算，而且极其依赖大量的数据来训练系统。

DuelingNeuralNetworks，又称为GenerativeAdversarialNetworks（对抗性神经网络，GAN），是近年来最有潜力解决这个困扰的重要机器学习模型。GAN的原理是两个人工智能系统可以通过相互对抗来创造超级真实的原创图像或声音。GAN赋予了机器创造和想象的能力，也让机器学习减少了对数据的依赖性，对于人工智能是一大突破。

总结一下：

深度学习的出现催化了人工智能的再次兴起。强化学习赋予了人工智能自主学习能力而对抗性神经网络给人工智能插上了想象的翅膀深度学习：人工智能兴起的催化剂

尽管在年才被MIT科技评论列为全球十大突破性技术之一，但事实上，深度学习已经有几十年的发展历史了。

深度学习，也是机器学习的一种，从年开始在GeoffreyHinton、YannLeCun（杨立昆）、YoshuaBengio、AndrewNg（吴恩达）等教授以及学术界、工业界很多研究人员的推动下重新兴起，并在语音（年）和图像（年）识别领域取得了重大技术突破。

传统机器学习系统主要是由一个输入层和一个输出层组成的浅层神经网。在神经网络里，程序绘制出一组虚拟神经元，然后给它们之间的连接分配随机数值或称权重，经由反复的训练来实现误差最小化。但是早期的神经网络只能模拟为数不多的神经元，所以不能识别太复杂的模式。

而深度学习事实上包含两部分：深度+学习，学习不用多说指的就是机器学习，而深度在某种意义上是深层人工神经网络的重命名。

深度学习再通俗点说就是指利用深层人工神经网络进行机器学习。

深度学习中的深度也可以说是一个术语，指的是一个神经网络中的层的数量。顾名思义，深度学习网络与更常见的单一隐藏层神经网络的区别在于层数的深度，也就是数据在模式识别的多步流程中所经过的节点层数。浅层神经网络有一个所谓的隐藏层，而深度神经网络则不止一个隐藏层。多个隐藏层让深度神经网络能够以分层的方式学习数据的特征，因为简单特征（比如两个像素）可逐层叠加，形成更为复杂的特征（比如一条直线）。

在深度学习网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度的增加，神经元节点所能识别的特征也就越来越复杂，因为每一层会整合并重组前一层的特征。第一层神经元学习初级特征，例如分辨图像边缘或语音中的最小单元，方法是找到那些比随机分布出现得更多的数字化像素或声波的组合。一旦这一层神经元准确地识别了这些特征，数据就会被输送到下一层，并自我训练以识别更复杂的特征，例如语音的组合或者图像中的一个角。这一过程会逐层重复，直到系统能够可靠地识别出音素（根据语音的自然属性划分出来的最小语音单位）或物体为止。

一旦算法框架构建起来后，人工神经网络就需要很多的训练来达到误差最小化。所以这也是深度学习的名字的由来，深度（多层的神经网络）和学习（大量的数据训练）都是必不可少的。机器学习有三种主要学习方式：监督学习、无监督学习和强化学习。每一种学习方式都可以用在深度人工神经网络的训练过程中。

强化学习：人工智能发展的加速器

如果说深度学习目前是人工智能领域最火爆的技术，那么强化学习的热度也当仁不让地紧随其后。

强化学习属于机器学习的一种方式。

它的基本思想是，学习在不同环境和状态下哪种行为能把预期利益最大化。然而，这种方法一直无法推广到现实世界中的复杂问题上，其中最主要的原因是，现实中可能遇到的情况错综复杂，无法进行枚举。不过，近年来随着设备计算速度的提升，以及深度学习架构的兴起，强化学习得到了真正意义上的成长。深度学习在解决复杂模式识别问题上有了突破性的进步。当深度学习与强化学习结合后，对现实情况的枚举就换成了首先对现实情况做模式识别，然后对有限的模式进行枚举，这就大大减少了计算量和存储代价。这种学习方式也更接近人类思维的模糊判断的特点，被认为是人工智能领域接下来的几年里最值得

转载请注明:http://www.aideyishus.com/lkzp/1532.html