這是多部分系列文章中的第一部，該系列講解了長期科技記者Michael Copeland的深度學習基礎知識。
人工智能是未來。人工智能是科幻小說。人工智能已經成爲我們日常生活的一部分。所有這些陳述都是正確的，它取決於你所指的AI的味道。
例如，當谷歌DeepMind的AlphaGo計劃在今年早些時候的棋盤遊戲Go中擊敗韓國大師Lee Se-dol時，媒體中使用AI，機器學習和深度學習來描述DeepMind如何獲勝。這三個都是AlphaGo擊敗Lee Se-Dol的部分原因。但他們不是一回事。
想想他們之間關係的最簡單的方法是將它們視爲同心圓與人工智能 - 首先出現的想法 - 最大的，然後是機器學習 - 後來開花，最後是深度學習 - 這推動了今天的AI爆炸 - 適合兩者兼而有之。
從胸圍到繁榮
自1956年在達特茅斯會議期間，一些計算機科學家圍繞這一術語集會並誕生人工智能領域以來，人工智能一直是我們想象力和研究實驗室醞釀的一部分。在此後的幾十年裏，人工智能已經成爲我們文明最輝煌未來的關鍵，並被視爲技術的垃圾堆，這是一種難以理解的超螺旋槳頭概念。坦率地說，直到2012年，它都是兩者兼而有之。
在過去幾年中，AI已經爆炸式增長，特別是自2015年以來。其中大部分都與GPU的廣泛可用性有關，這使得並行處理變得更快，更便宜，更強大。它還與幾乎無限存儲的同時一兩個衝擊和每個條紋（整個大數據運動）的大量數據 - 圖像，文本，事務，映射數據，你命名它有關。
讓我們來看看計算機科學家如何從一個破滅的東西 - 直到2012年 - 轉變爲每天數以億計的人使用的應用程序。
人工智能 - 機器展示的人類智能
King me：玩過跳棋的計算機程序是人工智能最早的例子之一，在20世紀50年代激起了早期的興奮浪潮。
早在56年夏天的會議上，那些AI先驅的夢想就是建造複雜的機器 - 由新興計算機提供 - 具有與人類智能相同的特徵。這就是我們所認爲的“通用人工智能”概念 - 我們所有感官（甚至更多）的神話般的機器，我們所有的理由，並且像我們一樣思考。你已經在電影中無休止地看到這些機器作爲朋友 - C-3PO - 和敵人 - 終結者。一般人工智能機器有充分的理由留在電影和科幻小說中; 我們不能把它拉下來，至少現在還沒有。
我們所能做的就是“狹義人工智能”的概念。能夠執行特定任務的技術，或者比我們人類更好的技術。狹義人工智能的例子包括像Pinterest這樣的服務上的圖像分類和Facebook上的人臉識別。
這些都是實踐中狹義人工智能的例子。這些技術展現了人類智慧的一些方面。但是怎麼樣？這種情報來自哪裏？這讓我們進入下一個圈子，機器學習。
機器學習 - 實現人工智能的一種方法
垃圾郵件免費飲食：機器學習有助於保持您的收件箱（相對）沒有垃圾郵件。
最基本的機器學習是使用算法解析數據，從中學習數據，然後對世界上的某些事物做出決定或預測的實踐。因此，不是使用特定指令集手動編碼軟件例程來完成特定任務，而是使用大量數據和算法對機器進行“訓練”，使其能夠學習如何執行任務。
機器學習直接來自早期AI人羣的思想，多年來的算法方法包括決策樹學習，歸納邏輯編程。聚類，強化學習和貝葉斯網絡等。衆所周知，沒有人達到通用人工智能的最終目標，即使是狹窄的人工智能也是早期機器學習方法所無法實現的。
要了解有關深度學習的更多信息，請使用NVIDIA自己的Will Ramey收聽我們的Deep Learning 101播客。
事實證明，多年來機器學習的最佳應用領域之一是計算機視覺，儘管它仍然需要大量的手工編碼來完成工作。人們會進入並編寫邊緣檢測過濾器等手工編碼分類器，以便程序可以識別對象的起始和停止位置; 形狀檢測以確定它是否有八個邊; 用於識別字母“停止”的分類器。從所有這些手動編碼分類器中，他們將開發算法以理解圖像並“學習”以確定它是否是停止符號。
很好，但不是很精神。特別是在有霧的日子，當標誌不是完全可見時，或者一棵樹遮住了它的一部分。有一個原因是計算機視覺和圖像檢測直到最近才與人類相媲美，它太脆弱而且容易出錯。
時間和正確的學習算法完全不同。
深度學習 - 一種實現機器學習的技巧
放牧貓：從YouTube視頻中挑選貓的圖像是深度學習的第一次突破性演示之一。
早期的機器學習人羣，人工神經網絡的另一種算法方法來了，並且大部分時間都持續了幾十年。神經網絡的靈感來自於我們對大腦生物學的理解 - 神經元之間的所有相互聯繫。但是，與任何神經元可以連接到某個物理距離內的任何其他神經元的生物大腦不同，這些人工神經網絡具有離散的層，連接和數據傳播方向。
例如，您可以拍攝一張圖像，將其切割成一堆輸入到神經網絡第一層的圖塊。在第一層中，單個神經元然後將數據傳遞到第二層。第二層神經元完成其任務，依此類推，直到產生最終層和最終輸出。
每個神經元爲其輸入分配權重 - 相對於正在執行的任務的正確性或不正確性。然後，最終輸出由這些權重的總和確定。想想我們的停車標誌示例。停車標誌圖像的屬性被切斷並被神經元“檢查” - 它的八角形狀，它的火引擎紅色，它的獨特字母，它的交通標誌尺寸，以及它的運動或缺乏。神經網絡的任務是判斷這是否是一個停止標誌。它提出了一個“概率向量”，實際上是一個基於權重的高度教育的猜測。在我們的例子中，系統可能有86％的信心，圖像是一個停止標誌，7％確信它是速度限制標誌，5％是風箏卡在樹上，依此類推 - 然後網絡架構告訴神經網絡是否正確。
即便是這個例子也超前了，因爲直到最近神經網絡才被人工智能研究界所避開。他們從人工智能的早期開始就已存在，並且在“智能”方面產生的很少。問題是即使是最基本的神經網絡也是計算密集型的，它只是不實用的方法。儘管如此，由多倫多大學的Geoffrey Hinton領導的一個小型異端研究小組堅持不懈，最終將超級計算機的算法並行運行並證明了這一概念，但直到GPU的部署才能實現承諾。 。
如果我們再次回到我們的停車標誌示例，那麼很有可能當網絡被調整或“訓練”時，它會得到錯誤的答案 - 很多。它需要的是培訓。它需要看到數十萬甚至數百萬個圖像，直到神經元輸入的權重被精確調整到幾乎每次都能得到正確的答案 - 霧或沒有霧，太陽或下雨。正是在這一點上，神經網絡已經教會了自己的停止標誌是什麼樣的; 或者你的母親在Facebook的情況下的臉; 還是一隻貓，這就是Andrew Ng在2012年在谷歌所做的。
Ng的突破是採用這些神經網絡，並基本上使它們變得龐大，增加層和神經元，然後通過系統運行大量數據來訓練它。在Ng的案例中，它是來自1000萬YouTube視頻的圖像。Ng深入學習深度學習，它描述了這些神經網絡中的所有層。
今天，在某些情況下通過深度學習訓練的機器進行的圖像識別優於人類，其範圍從貓到識別血液中的癌症和MRI掃描中的腫瘤。谷歌的AlphaGo學習了這款遊戲，並通過一遍又一遍地對抗自身來訓練其Go比賽 - 它調整了它的神經網絡。
感謝深度學習，AI擁有光明的未來
深度學習已經實現了機器學習的許多實際應用，並且擴展了AI的整個領域。深度學習以各種方式分解任務，使各種機器輔助似乎成爲可能，甚至可能。無人駕駛汽車，更好的預防性醫療保健，甚至更好的電影推薦，都在今天或即將到來。AI是現在和未來。藉助深度學習的幫助，人工智能甚至可以進入我們長期以來想象的科幻小說狀態。你有一個C-3PO，我會接受它。你可以保留你的終結者。