机器学习崛起

最近，关于人工智能的话题持续火爆。2016年3月谷歌人工智能系统AlphaGo挑战世界围棋冠军李世石成功，标志着深度学习取得了巨大进展。对此，南京大学教授，计算机科学与技术系副主任，软件新技术国家重点实验室常务副主任，机器学习与数据挖掘研究所（LAMDA）所长周志华认为，对于很多具体任务，只要能够收集到足够多的高质量数据，就能利用机器学习技术构建出达到或者接近人类顶级专家水准的系统。

究竟深度学习、机器学习与人工智能的关系是什么？能为人类带来怎样的改变？《中国信息化》记者采访到了IEEE的两位专家，为读者解答关于人工智能与机器学习的技术与应用趋势。

常规人工智能帮助机器自学

首先，我们需要明确一个问题，深度学习和人工智能之间的关系是什么？

Steve Furber博士是IEEE会士，“欧盟人脑计划”神经形态计算系统项目和SpiNNaker计划的负责人，目前担任英国曼彻斯特大学计算机科学学院教授。对于这个问题，Steve Furber表示，分清楚通用人工智能（AGI）和常规人工智能（或机器学习）之间的区别非常重要。前者是指机器能够获得像人类一样的智慧和能力，而后者是指开发出各种算法来让机器通过对数据进行深层次的统计分析以进行“自学”。

目前看来，通用人工智能的发展依然任重道远。而深度学习是机器学习（常规人工智能）算法的其中一种，最初的发展来源于吉奥夫.辛顿（Goeff Hinton）的大力推动。大概十年前，吉奥夫.辛顿重新整理了他在上个世纪80年代的研究成果并将其拓展为深度神经网络理论。他发现电子计算机技术经历了这样一段时间发展，已经取得了日新月异的进步，很多在上世纪无法实现的技术在当时已经能够实现了。另外，他也在学习算法的一些分支领域中有了突破性的研究。

所以，现在很多在应用领域中性能最佳的机器学习算法都是基于模仿人类大脑结构的神经网络设计而来的。

Kevin Curran博士是IEEE高级会员，IEEE互联网安全领域专家，英国厄尔斯特大学计算机科学专业教授、智能环境与虚拟世界研究实验室团队总负责人，曾参与多个“欧盟框架计划”科研项目及技术转移项目。

Kevin Curran表示，人工智能涵盖的领域十分广泛，深度学习只是其中的一个分支，并隶属于机器学习的范畴。至今为止，人工智能的概念仍是非常宽泛的。因此，为了实现多样性的应用，人工智能需要有自主“思考”能力与机器学习技术的支持，深度学习便是帮助机器实现“独立思考”的其中一种方式。

所谓深度学习，就是将数据输入系统后，通过建模及模拟人脑的神经网络从而进行学习的技术。

他说，我们可以这样来比喻，像生物神经元一样，神经网络系统中有一系列分层排列的模拟神经元（信息传递的连接点），且经过每个神经元的响应函数（又称“激活函数”）都会分配一个相应的“权值”，表示彼此间的连接强度。通过每层神经元相互“连接”，计算机就可以由达到最佳方案时所有神经元的加权和，从而可以即时实现这一决策方案。

当然，计算机也会参考类似的先例，在庞大的数据库中调出对应的决策方案，如此复杂的决策过程都是由计算机在深度神经网络内部自动完成的。不过对于这一点，人类更胜一筹，因为人类可以直接对比不同决策的测试结果，在总体上更直观地评估深度学习推算的决策方案。可以预见，深度学习将与其它各项技术结合，持续深化人工智能的技术发展及应用领域。

深度学习解决社会难题

明确了深度学习和人工智能的关系，再来看看最近深度学习取得的技术突破体现在哪些方面？这些突破离商用或者离我们的生活有多远？

Steve Furber表示，继当初杰夫. 辛顿的突破之后，相关领域的科研毫无疑问已经取得了长足的发展。他认为其中最重大的一项成就，应该就是Yann LeCun在卷积神经网络领域的研究成果。卷积神经网络作为最有效的深层神经网络，现在已经被越来越广泛地运用到了很多智能应用之中，并且它们也越来越像人类大脑了。比如现在常常在用的Google， Siri和Facebook等都应用了卷积神经网络。

Kevin Curran则表示，目前深度学习在计算机视觉，自动语音识别，自然语言处理，音频识别和生物信息学等领域都取得了技术性突破，并在不同的应用领域都展示了深度学习的极佳效果。全球IT行业巨头Google， Microsoft， Facebook等企业已经纷纷把深度学习作为重点项目，应用到他们的各种研究项目。

那么，对于深度学习和人工智能的商业化会首先应用在哪些领域？

Steve Furber表示，深度学习和人工智能的商业化应用已经率先在语音识别系统方面得到实现，例如Apple公司的Siri，微软公司的Cortana等。

Kevin Curran则认为，深度学习可以用来解决任何具有对抗性的问题，例如需要用到策略的博弈，各种比赛，战争或金融交易。短期内，它可被用于智能手机助手，优化其辅助功能；但从长远来看，它将能够帮助科学家攻克诸如气候模拟、医疗疾病分析等社会难题。同时，深度学习也有助于研发反应更加迅速的机器人，可以更智能地应对改变环境因素时的情景。最终，深度学习将能迅速地推进科研进度。凭借其强大的运算性能及庞大的数据分析，科研人员可以产出更多研究硕果，有望在更短的时间内实现对现有技术的重要突破。

而对于在其他领域的应用发展，Kevin Curran认为，医疗领域是目前深度学习和人工智能取得重要成果的关键领域之一。他说，深度学习能够探测未来个人健康的潜在风险。它可以通过一系列健康大数据中寻找疾病的致病机理，从而实现在健康和疾病相关研究领域的重大突破。这仅靠人工计算是永远不可能实现的。

而对于中国目前非常关注的智能制造领域，Kevin Curran认为，制造机器人是深度学习在应用领域的经典案例。深度学习的机器人能够自动适应外部环境变化。举个例子，现阶段的机器人都需要事先编程才能精准地完成相应的任务。一旦要让它们完成程序以外的任务，就必须重新改写程序代码。例如，专门负责修理某车型的机器人面对一款完全不同的车型时便不能顺利完成修理任务。而具备深度学习技术的机器人就不一样了，即时让它们去修理从来没有“见”过的车型，它们也可以自动重新调整算法和技术，顺利完成修理工作。

中国占据一席之地

人工智能研究的起步，一般被认为是在20世纪50年代。中国则迟至80年代，才实质性进入人工智能研究领域。现在，在深度学习和人工智能领域，中国和世界的差距主要体现在哪些方面？

Steve Furber认为目前在深度学习方面最前沿的研究仍然主要集中在包括Google以及DeepMind和Facebook等为数不多的几家大型科技公司的研发部门之中。但是，近年来美国也有致力于这一领域的创业公司如雨后春笋般不断涌现。可以预见，在未来这领域内的技术研究将有突破性的进展。

“同样地，我相信在全球深度学习发展的发展进程中，中国也不会落后。如果从现在开始就抓住机遇迈出第一步，尽快加大对于这一技术领域的科研关注和建设投入，那么中国也将在这股大潮中占有一席之地。据我所知，已经有几家中国的公司正密切关注着该领域的相关研究和技术发展。”他说。

Kevin Curran则表示，中国的研究人员对深度学习的研究已经达到世界领先的水平。中国最大的搜索引擎百度在2015年推出的语音识别系统Deep Speech 2可以印证这一论点。这套语音系统通过深度学习和一系列用于翻译的机器学习算法，不仅能够准确地识别中英文语音信息，甚至在很多情况下比人类的识别能力还要强。百度的这项研究特别之处在于，Deep Speech 2是完全从零语言基础开始学起的，只需要让它连续收听好几万个小时的由文本转录的音频，就可以完成学习到识别的功能。与之相反，传统的语音识别系统则需要投入大量的人力资源编写语音识别组件，才能实现机器从文本与语音之间的转换功能。