总览 / 章节 / 第4章 深度学习
从人机大战、控制派与仿生派，到机器学霸和学习极限，这一章让读者看到，深度学习是 AI 从‘能做点什么’走向‘能规模化迁移’的关键一步。
深度学习章节真正描绘的，是机器从规则执行走向模式学习后，AI 的产业边界如何突然外扩。
为什么值得读：它是理解后续机器人、无人驾驶、3R 等章节的重要中轴。
如何进入自己的系统：看 AI 时，要从 demo 兴奋切回学习能力、泛化能力与成本边界。
这节在解决什么：第4章 深度学习：人工智能新时代
怎么迁移到自己的系统：对于霍金的这一预言，我们可以理解为一种警示而非单纯的耸人听闻。与其为人工智能带来的冲击和风险忧心忡忡，不如以人类的智慧激发出“机器学习”的正能量。
提醒：应该说，人工智能与脑科学有着紧密的联系，而深度学习（Deep Learning）作为机器学习研究中一个新的领域，其过程是建立和模拟人脑进行分析学习的神经网络，从而能够模仿人脑的机制来读取和分析数据。深度学习被看作当前最接近人工智能的机器学习方法。2016年初，采用神经网络与深度学习的AlphaGo战胜人类顶尖围棋高手后引起广泛关注，而其实在AlphaGo之前，深度学习已开始应用于图像、声音和文本的识别和机器翻译。在人工智能被提出半个世纪之后，人们终于看到了人工智能进入应用阶段的曙光，而这一缕微茫的曙光完全有可能成为照亮21世纪科技、经济、社会各个领域，引导人类发展走向最炫目的智慧之光。
这节在解决什么：新科技和新事物出现之后都需要经历一段时间才能够被认可和普及。始于18世纪英国的工业革命，蒸汽机替代水车动力、机械纺织机替代传统纺织机被全世界认识和使用经历了100多年的时间。通过竞赛的方式最能够引起关注和被接受，如蒸汽机车、螺旋桨船、内燃发动机在发明之后都与传统的马车、明轮船、蒸汽发动机进行过较量。
怎么迁移到自己的系统：除了机器与机器的较量，人与机器的竞赛也由来已久。从体力上看，机器早早就超过人类，但骄傲的人类仍觉得在智力上更胜一筹。这种情况似乎正在发生变化，在人机智力对抗中，人类已经处于下风。特别是自21世纪以来，神经网络与深度学习的出现实现了对人类大脑的仿生和模拟，使得人工智能不再只依赖于高速的逻辑运算，这是人工智能的革命性进展。
提醒：人与计算机的对抗可以追溯至20世纪70年代。后来创办微软的比尔·盖茨当时就读于著名的私立湖滨中学，还是中学生的比尔·盖茨就开始与计算机进行游戏棋对决。虽然那个年代的计算机没有显示器，甚至没有输入设备，只能通过打孔纸带实现与计算机的交流，且每一步棋可能都要花费10分钟甚至几十分钟的时间，但比尔·盖茨和一大群年轻人对编程充满兴趣，并不断改进算法使得计算机的能力越来越强。在最初的人机对抗中，人类表现出了绝对的优势，不仅能够轻易战胜计算机，而且必须及时修正计算机出现的错误。可以说，当时能够参与人机对抗的都是专业的编程人员和计算机天才少年。
这节在解决什么：计算机如何思考：控制派VS仿生派
怎么迁移到自己的系统：前文一直在强调AlphaGo与深蓝、沃森的区别在于采用了神经网络，从而实现了深度学习。那么，神经网络与深度学习到底是什么？它们的出现对计算机和人工智能的发展到底起到了多大的作用呢？
提醒：要了解计算机怎样思考，不得不提到人工智能之父——阿兰·麦席森·图灵，这位数学天才生于20世纪初，直到42岁英年早逝也没能看到过一台真正意义上的计算机，但他提出了著名的图灵机模型，为现代计算机的逻辑工作方式奠定了基础。1950年，图灵发表论文《计算机器与智能》[1]。文中驳斥了当时关于机器不能思考的各种论调，对人工智能的可能性给出肯定的回答，并对人工智能进行了开创性的构思，提出了著名的“图灵实验”，即如果第三者无法辨别人类与人工智能机器反应的差别，就可以论断该机器具备人工智能。图灵实验至今仍然是判断人工智能的关键标准。
这节在解决什么：要真正理解神经网络、深度学习的原理，需要高深的生物学、数学和电子信息方面的知识。当然这在许多专业性很强的书籍、论文中都能找到答案，但这并非本书写作的目的。这里，我们希望通过简单的语言对神经网络、深度学习等相关概念进行通俗易懂的描述。
怎么迁移到自己的系统：首先，要澄清和区分几个概念。如图4-3所示，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门综合性技术科学，前文已经讲到在其发展过程中主要分为控制派和仿生派两个分支，其中仿生派最重要的成就就是深度学习和人工神经网络。机器学习（Machine Learning，ML）是一门多领域交叉学科，专门研究计算机怎样模拟和实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。人工神经网络（Artificial Neural Networks，ANNs）和深度学习（Deep Learning）都属于机器学习的一种，深度学习是神经网络的一大分支，深度学习的基本结构是深度神经网络。虽然监督学习和非监督学习都是深度学习可以采用的具体方法，但需要注意的是，监督学习和非监督学习的概念广泛应用于计算机科学，而不仅是在深度学习中使用。
提醒：简单来说，人工智能就是要让机器具有人脑一样的智慧，机器学习让机器像人一样学习以获得智慧，人工神经网络模拟人脑神经满足机器像人一样学习的硬件条件，深度学习是效果很好的学习方法。
这节在解决什么：至此，人们难免有疑问：这么多科学家的努力、巨额的研发经费投入，结果就是具备一个三岁小孩都能够熟练掌握的技能——把苹果和梨区分开来，这是不是有点得不偿失？
怎么迁移到自己的系统：我们的回应是：千万不要低估这看似简单的一步！要知道在人不介入的情况下，使机器准确区分苹果和梨，几代科学家已经为之奋斗了半个多世纪，迄今为止也不能做到100%准确。但是，计算机在运算速度上具有远超过人类的优势，且这种优势不断扩大，其“学习”的速度也是相当惊人的，这使得现在人工智能在多个领域进入应用阶段，在一些条件下通过了著名的“图灵实验”，也成就了本章开篇提到的AlphaGo。
提醒：深度学习最大的突破是实现了更好的识别，而语音和图像在2006年辛顿提出深度信念网络之前就积累了大量的测试数据库，深度学习最早在图像和语音识别上进行商业应用不足为奇。
这节在解决什么：无论是神经网络还是深度学习，对人工智能的研究注定是“劳民伤财”的事情，短期内的经济回报可能并不显著，只有富有远见且资源丰富的国家、跨国公司和科研机构才能够承担得起。人工智能必定将在未来改变我们的生产和生活，而在这之前需要持续投入和不断尝试。人工智能能够多快和多好地真正服务于人类，在很大程度上取决于实验和试点应用的范围和程度，就如同深度学习自身一样，学习越多、掌握越多、能力也就越强。
怎么迁移到自己的系统：我们谁也不知道人工智能商业应用还有多久就会爆发，但发达国家和跨国公司已经在积极准备。2016年，全球200家最大的人工智能公司将获得近15亿美元的融资，日本、美国和德国公司获得融资最多，富士通、IBM、微软、西门子等企业目前掌握了人工智能及相关领域最多的专利技术。
提醒：进入21世纪之后（确切地说是在2006年之后）仿生派开始复兴，深度神经网络和深度学习的出现是转折点，但这并不意味着所有的科学家都看好深度学习。就如同在控制派风头正旺时还有一群仿生派科学家默默进行研发一样，目前也还有一大批科学家继续尝试用逻辑推导的方法提高机器的智慧水平。例如，IBM继续保留前文提到的沃森团队，谷歌也组建了一个尝试使用非深度学习技术提高计算机智力水平的小组。当然，现在的科学家已经不像前辈那么具有门户之见了，仿生派和控制派开始合作，大家的目的都是尽快迎接人工智能时代的到来，至于采用什么样的方法，融合各家之长的方法是最好的。
因为它让机器从执行规则进一步走向通过数据学习复杂模式，产业应用空间因此急剧扩展。
