王佳冬中文博客

2023年，人工智能因为ChatGPT又火了一把。记得上一次谈人工智能还是2017年，转眼6年过去了！这一次，把过往的一些知识，再结合一些最近的案例，分享给大家。（共5篇）

人工智能经历了3次热潮

第一次，1962年，IBM的阿瑟·萨缪尔开发的西洋跳棋程序战胜过一位盲人跳棋高手。公众惊呼“智能机器威胁论”，没过几年，人们就习惯了计算机会下简单的棋类。

第二次，1997年IBM的深蓝在国际象棋上战胜卡斯帕罗夫，全世界的科技爱好者奔走相告。没过几年，国际象棋程序就变成普通的计算机应用。

第三次，2016年，AlphaGo在围棋上大战李世石，再一次引发了人工智能的热潮。

那么这一次呢？有什么不同？

深度学习携手大数据引领第三次AI热潮。

语音识别系统在近年来突飞猛进，技术上只有一个原因——深度学习！ 今天，人工智能领域的研究者，几乎无人不谈深度学习。很多人甚至高喊出了“深度学习=人工智能”的口号。

深度学习能够大展身手的两个前提条件——强大的计算能力和高质量的大数据，这两个都是在2010年前后逐渐步入成熟的。从根本上来说，深度学习和所有机器学习方法一样，是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。

什么是深度学习？

确实，第三拨人工智能热潮，绝大部分功劳要归于深度学习！那么，深度学习究竟是何方神圣？

我们要追溯到它的核心计算模型——人工神经网络。早在通用计算机问世前的1943年，神经科学家就提出了一种大胆假说，描述了人类神经节沿着网状结构传递和处理信息的模型。这一假说一方面被神经科学家用于研究人类的感知原理；另一方面则被计算机科学家们借鉴，用于人工智能的相关研究，后者也被学术界称为人工神经网络）。经过不断的发展，人们提出了多层人工神经网络的设想，这种基于多层神经网络的机器学习模型后来被人们称为“深度学习”。

神经网络类似人类大脑，由一个个神经元组成，每个神经元和多个其他神经元连接，形成网状。单个神经元只会解决最简单的问题，但是组合成一个分层的整体，就可以解决复杂问题。
简单地说，深度学习就是把计算机要学习的东西看成一大堆数据，把这些数据丢进一个复杂的、包含多个层级的数据处理网络（深度神经网络），然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合，就保留这个网络作为目标模型，如果不符合，就一次次地、锲而不舍地调整网络的参数设置，直到输出满足要求为止。

举个例子，人工智能如何识别猫：科学家只是把图片大量“喂”给计算机，让计算机输出标签——是猫或者不是猫。在识别猫的神经网络中有无数的通路，每个通路都会输出自己的结果，如果答对了，就会给这条通路加权（可以理解成亮绿灯）；答错了，就降低权重（可以理解成亮红灯）。经过足够多的尝试，如用10万张各种猫的图片做测试之后，那些得到加权的神经通路就组成了一个识别装置（一组复杂的函数联结）。然后在没有科学家告诉它识别结果的情况下，也可以识别出新的图片中的猫来。训练数据越多，这个函数集合就越复杂但也越精确。

所以对人类而言，机器学习往往在自己的“内部”形成一个“黑箱”。现在我们认为拥有人工智能的那些系统，它们都或多或少地表现出了黑箱的特点，虽然从理论上它们内部的运算步骤仍然可以追踪，但由于计算量的巨大，使这种追踪实际上很困难甚至不可能。于是，我们真的感觉它们有智能了。当然啦，也有人警告这种超越人类理解的黑箱会带来危险，因为我们不知道机器如何思考，是否产生了危险思维。不过更多时候，深度学习会给人带来意想不到的惊喜。