“深度学习”人工智能技术能否催生出颠覆性的智能产品

今天，带你深入认识一个从未见过的“深度学习”技术：从 “沃森”智能系统到Siri，从微软同声传译到Google街景视图，它无所不在

从IBM的智能系统“沃森”到苹果的语音助手Siri，从微软的同声传译系统到Google的街景视图，一项名为“深度学习”的技术正在被越来越多的科技企业应用在创新产品中。

去年11月24日，一篇介绍深度学习的长篇文章登上了美国《纽约时报》的头版。

今年1月19日，百度CEO李彦宏宣布将成立深度学习研究院，专攻该技术。

3月13日，Google宣布收购深度学习领域的创业公司DNN Research……

“机器学习”的进化

说起人工智能，爱看电影的科技迷们一定不会陌生。《终结者》系列、《黑客帝国》系列、《人工智能》、《机械公敌》等一部部好莱坞大片向人们展示了未来机器将如何影响人类，也让科技迷们对于机器人在现实中的应用充满期待。

自从1956年被正式确立为一个研究领域以来，人工智能就被视为决定机器人发展的核心技术。它致力于让计算机实现智能，包括逐步掌握人类的思维模式。为发展这项技术，美国、英国、日本等发达国家在过去五十多年里先后投入了大量资金。不过它的复杂程度超出科学家和政客们的想象——作为计算机科学的分支，它还涉及到心理学、生物学、语言学、医学、哲学等众多学科，因此尽管它已有了长足的发展，但许多乐观的预言至今都没能实现。

在日常生活中，计算机和智能手机已经能按照人们的指令执行各种任务。但这并非真正的“智能”（intelligence），人工智能领域的科学家要让机器像人类一样“理解它所处的环境并执行有最大可能取得成功的操作”。要想实现这一目标，机器需要掌握“学习”的能力——这也是人类区别于动物的重要特征。因此“机器学习”便成为人工智能领域要解决的关键问题。

从字面上理解，机器学习是就机器学习知识的能力，事实上也是如此。科学家们试图让机器通过“学习”数据——而不是在他们编写的程序的驱动下——掌握处理某些问题的能力。

一个我们熟知的案例是电子邮件系统，在学习大量垃圾邮件后，它能掌握判断垃圾邮件并进行自主分类的能力；事实上，如今主流的邮件服务商都提供垃圾邮件分类，而工程师们并不会编写明确地程序，告诉机器什么是垃圾邮件——因为垃圾邮件千差万别，发送垃圾邮件的系统也在不断进化。

与之类似的是杀毒软件。早期对于病毒的识别工作主要由杀毒软件的开发者进行，但随着病毒的不断演化，一些杀毒软件公司为尽可能抵御变种及全新病毒，也采用机器学习让软件变得更加智能和主动。

此外，一些社交网络能够准确地向用户推荐“认识的人”和“感兴趣的人”，也离不开机器学习；而该技术在广告点击率预估方面的应用更是给许多互联网公司带来了直接的收益。

随着算法的改进和计算机的运算、存储能力不断提升，机器学习取得了长足的发展，也使人工智能领域创造出一系列令人振奋的成绩，尤其是在能够反映智力水平的游戏和比赛方面。

1997年，IBM公司为国际象棋比赛设计的计算机“深蓝”在一场“人机大战”中战胜了国际象棋世界冠军卡斯帕罗夫。这次突破被视为人工智能领域的一大里程碑，而深蓝的成功离不开它对于大量的对局、尤其是卡斯帕罗夫过去的对局的学习。

机器进行学习的关键是要判断、分析数据的特征，例如垃圾邮件共同具有的发件人、收件人、邮件内容中的关键字等特性，或者病毒程序的代码中的某些共性。不过，传统的机器学习在进行这一工作时往往离不开人工干预——从大量样本中筛选出一些相对符合要求的样本供机器进行学习，或者事先标记出某些特征。随着人工智能面临的问题越来越复杂，人工干预的难度也日益增大。在开发另一个智能系统时，IBM的科学家们就遇到了这样的问题。

在“深蓝”打败卡斯帕罗夫的几年后，IBM将挑战的目标转向了智力问答栏目《危险边缘》。这档栏目创立于1964年，题目涉及历史、文学、科学、技术、地里、流行文化等方方面面。开发人员汇集了字典、百科全书、新闻报道和学术文献等各种资料，但由于每一个问题都是一个相对独立的“游戏”，如果想要事先编写像国际象棋规则那样的游戏规则，则意味着需要为每一个（或一类）问题编写一套规则，这是人工无法完成的工作。

针对这个更加复杂的智力竞赛，IBM开发出了一套名为“沃森”的系统，它由90台IBM Power 750服务器组成，每秒钟的处理速度高达500GB；更重要的是，它具有超强的分析、推理能力，还能“读”懂自然语言，能在“无监督”的情况下自主学习各种资料。最终，沃森于2011年战胜了两位前任冠军，成为最终的优胜者，赢得了100万美元的奖金。

沃森的突破得益于众多人工智能领域的新技术的成功应用，深度学习便是其中之一。