狂热的AI技术到底是怎么发展起来的？

shuszhao

在这一波的人工智能浪潮中，AI技术几乎已经达到了狂热的地步。然而，人工智能并不是新技术，早在20世纪40年代，AI的基本框架就已经存在，并且自那以后，全世界各大高校及科技巨头就一直在人工智能领域进行创新。近年来，大数据和先进的深度学习模型将人工智能的发展推到了前所未有的高度。这些新技术最终会生产出科幻小说中所设想的智能机器人，还是现在的人工智能趋势只是“新瓶装旧酒”？
市场调研机构Wikibon的数据科学、深度学习及应用开发首席分析师 James Kobielus 认为，“这实际上是新酒，但有各种各样的、不同年份的瓶子。”
“实际上，大部分的旧酒仍然相当可口；新一代的人工智能使用了以前的方法并建立在这些方法之上。例如，Apache的大数据框架Hadoop所运用的技术。” Kobielus补充道。
然而，人工智能如今的狂热，是由于此前人工智能缺乏特定的发展方向。根据Kobielus的说法，现有的技术使我们更接近那些看起来像人类一样“思考”的机器。“其中最重要的是大数据，”他在位于马萨诸塞州马尔伯勒的CUBE公司接受采访的时候表示。
为什么大数据会引发人们对人工智能的新兴趣？因为这对于训练深度学习模型来说是一个巨大的帮助，使其能够做出更像人类的推理。Kobielus和Dave Vellante联手推动了人工智能和机器智能领域的技术突破。Dave Vellante是Wikibon的首席分析师，他还是SiliconANGLE的直播工作室的联合主持人。
人工智能革命将会被算法化
人工智能在智能对话方面有了长足进步，主要反映在其飞速增长的营收上。市场研究机构Tractica LLC的调查显示，2016年人工智能软件市场规模为14亿美元，到2025年将快速增长至598亿美元。
Tractica研究总监Aditya Kaul表示，“人工智能在几乎所有行业的垂直领域都有应用和用例，被认为是下一个重大的科技变革，类似于工业革命、计算机时代和智能手机革命等过去曾经发生的革命。”这些行业领域包括金融、广告、医疗、航天和消费领域。
下一场工业革命将围绕人工智能软件展开，这听起来可能像一个书呆子的幻想。但即使在硅谷之外，这种观点也在逐渐蔓延。《时代》周刊最近也发表了一个题为《人工智能：人类未来》的专题报道。
但是，这种人工智能的设想在科幻小说和科技圈的狂热沼泽中已经存在了几十年。在过去的几年里，这项技术发展得如此之快吗？今天以及可以预见的未来，我们能从AI中得到什么？
首先，人工智能是一个宽泛的标签，实际上它并不是一个精确的技术术语，而是一个热门词汇。Kobielus表示，人工智能指的是“任何帮助机器像人类一样思考的方法”。但是，从最严格的意义上来说，机器“思考”难道不是与人类大脑截然不同的思维方式吗？机器真的会思考吗？这还要分不同情况。如果说“思考”的同义词是“推断”的话，那么机器可能被认为与大脑是相似的。
当人们今天在讨论人工智能的时候，他们通常会谈论人工智能最受欢迎的方式——机器学习。这是一种数学应用，原理是从数据集中进行推断的模式。
Kobielus表示，“很长时间以来，人们利用软件进行数据推测模式。”一些已有的推理方法包括支持向量机、贝叶斯逻辑和决策树。这些技术并没有消失，并在日益增长的人工智能技术领域继续使用着。
对数据进行训练的机器学习模型或算法能够做出自己的推断，这通常被称为人工智能的输出或见解。这种推断不需要预先编程到一个机器上，需要的只有模型本身。
机器学习模型是基于统计可能性进行推理，这在某种程度上类似于人类理解的过程。数据的这种推断可以以预测、相关性、分类、分类、识别异常或趋势等形式出现。
对于机器来说，学习是分层次的。数据分类器名为“感知器”，通过对感知器进行分层，便形成了一个人工神经网络。感知器之间的这种神经网络关系激活了它们的功能，包括非线性的感知器，比如tangents。通过这个神经过程，一个层的答案或输出就成为了下一层的输入。最后一层输出的便是最终结果。
神经元的深层学习层
深度学习网络是具有大量感知器层的人工神经网络。网络的层次越多，它的深度就越大。这些额外的层会提出更多的问题，处理更多的输入，并产生更多的输出，从而抽象出更高层次的现象。
Facebook的人脸识别技术是由深度学习网络支持的。通过将更多图层的组合，可以更丰富地描述图像。“不只是问这是一张脸吗？但是，如果这是一个场景识别深度学习网络，它可能会识别出这是一个与名叫Dave的人对应的脸，他恰好是这个家庭场景中的父亲。”Kobielus说。
现在已经有1000个感知器层的神经网络，软件开发人员仍在探索更深层次的神经网络可以实现的功能。
最新款iPhone X的人脸识别软件依赖于一个20多层的卷积神经网络。2015年，微软公司的研究人员通过一个152层的深度残差网络赢得了ImageNet计算机视觉比赛。
微软研究主管Peter Lee表示，得益于一种防止数据稀释的设计，该网络能够从图片中收集到的信息，超过了典型的20层或30层的深度残差网络。他说：“我们可以从中学到更多微妙之处。”
除了图像处理之外，新的人工智能和深度学习应用也层出不穷，从执法到基因组学都能找到相关应用。在去年的一项研究中，研究人员利用人工智能预测了欧洲人权法院数百起案件的判决结果。跟人类法官的最终判决结果相比，他们的预测准确率达到了79%。
具备了“思考”的能力，并且拥有丰富的资源，机器甚至能比人更准确地得出结论。最近，斯坦福大学研究人员的深度学习算法比人类放射科医生更擅长诊断肺炎。这种名为“CheXNet”的算法使用了一种121层的卷积神经网络，这些神经网络经过了一组超过10万张胸部X光图片的训练。
在学习中不断成长的AI模型
这突显出深度学习的一个关键问题：算法本身和训练它们的数据一样好。它们预测的准确率基本上与训练它们的数据集的大小成正比，并且这个培训过程需要专家的监督。
Kobielus表示，“你需要熟练掌握统计建模的数据科学家和其他开发人员，他们擅长获取培训数据，贴上标签（标签是一个重要的功能），而且他们擅长于通过开发者操作以迭代的方式开发和部署某一种模型。”
机器学习模型的数据标签确实至关重要，但人类的眼睛仍然是工作的最佳工具。IBM公司去年表示，为了给人工智能标记数据，他们已经招聘了很多人。
多伦多大学的研究人员Parham Aarabi和Wenzhi Guo探索出了人类的大脑和神经网络结合在一起的方式。他他们开发了一种从明确的人类指令中学习的算法，而不是通过一系列的例子。在图像识别中，训练者可以会告诉算法，天空通常是蓝色的，并且位于图片的顶部。与传统的神经网络训练相比，他们的方法效果更好。
Kobielus说：“如果不训练算法，你就不知道算法是否有效。”