人類玩遊戲大戰電腦，順帶搞出了「深度學習」

By 超神經

從深藍在 1997 年戰勝當時的國際象棋世界冠軍 Garry Kasparov ，到 Alpha Go 在圍棋上秒殺當代高手，到已經過去了 10 年，這也是深度學習迅速發展的 10 年。

細數深度學習本身的歷史還要在往前推約 30 年，在這近 40 年的時間裡，深度學習逐漸從一個概念變成如今可供應用的產品，並成為人工智慧技術的關鍵方法。

基於不同系統的 AI

早在 1956 年 8 月 31 日，著名電腦科學家 John McCarthy 在達特茅斯會議上提出人工智慧計劃，點燃人工智慧革命的聖火，算是AI發展的開端。此後，AI 從基於規則的系統逐步過渡到基於機器學習的系統，再到如今基於深度學習的系統。

基於規則的 AI 系統

這是出現最早的AI系統，依靠人工輸入的規則來運行。這也是它的主要問題——過於依賴規則，難以適應規則的變化，存在較大的應用局限。

基於機器學習的AI系統

為了解決這個問題，機器學習方法出現。該系統通過大量歷史數據和人為資訊輸入實現自主學習，可以適應簡單的數據或規則變化。

不過，該系統對人為資訊輸入的依賴度較高，因此需要資訊輸入者具有一定的專業知識，而且要保證資訊準確且全面。但是，隨著應用場景增加，保證資訊准而全幾乎不可能。

基於深度學習的AI系統

為了解決機器學習對人為資訊輸入依賴度過高的問題，深度學習又叫「表徵性學習」出現。

該系統通過大量歷史數據實現自我學習，對未來可能出現的多種結果進行預測，並制定相應解決方案。從而解決了機器學習對人為資訊輸入依賴度過高，以及人為資訊輸入存在較大錯誤率的問題。

在 AI、機器學習和深度學習三者關係的理解上，可以認為深度學習是機器學習的子集，機器學習是 AI 的子集。因此，深度學習對整個 AI 體系的構建是比較重要的。

神經網路：深度學習系統的基石

那麼，深度學習為什麼能做到這一切呢？

答案就是我們經常所說的神經網路演算法，神經網路由許多簡單的處理連接點組成，類似於人來的神經元組織，它一般包含以下三個層級：

輸入層 : 數據輸入；

隱藏層 : 與輸入層相關聯的處理節點（一個神經網路通常有兩個以上的隱藏層）；

輸出層 : 將處理過的資訊轉換成可以被輸出的節點。

神經網路的工作原理是由簡單到複雜的模式識別。他們在網路的第一層學習簡單的數據處理功能，然後根據相關定義生成節點，之後將這些節點輸入到網路的後續層中，並派生出其他更為複雜的特性，整個過程一直持續下去，直到它被最終輸出。

深度學習的興起

1943年，美國神經科學家 Warren McCulloch 就提出基於數學和一種被稱為閾值邏輯演算法的神經網路計算模型，成為深度學習系統的理論基礎。

但由於缺乏足夠的數據用來訓練深層神經網路，加上訓練深層神經網路所需的計算能力不足，導致該研究發展緩慢。直到 1980 年，福島邦彥才提出基於人工神經網路的深度學習框架。

如今，依靠大數據和雲計算，深度學習得以迅速發展。從 2000 年至今，電腦的運算能力提高了10000 倍，數據存儲成本也下降了約 3000 倍，而且，隨著互聯網崛起、智慧手機不斷普及和社交媒體的出現，催生出大量數據供神經網路使用。

主要應用領域

當然不可能一直陪你下圍棋啦，那 AI 跟棋魂有什麼差別（誤）

在實際應用方面，深度學習可以做到一些此前只有人類能做的事情。比如人類善於通過影像識別特定對象，通過翻譯了解不同國家的語言和文化。現在，深度學習同樣能做到。

此外，在電腦視覺和自然語言處理方面，深度學習也有不錯的表現。當然這些只是深度學習比較常見的應用領域，在未來深度學習還有更多可能，比如給在座的各位配置一個像「鋼鐵俠」中賈維斯一樣的管家。