兩張圖和一個例子，認識人工智能、機器學習、深度學習和神經網絡
1950年10月，被譽為“計算機科學之父”的圖靈（馮諾依曼是“現代計算機之父”）發表了一篇題為“機器能思考嗎”的論文，成為了劃時代之作。在這篇論文裡，圖靈第一次提出了“機器思維”的概念，同時給出了一種判斷機器是否具備“智能”的方法，即“圖靈測試”。簡單來說就是，人們在和機器進行溝通時，如果有一定比例不能認出這是一臺“機器”，那麼就說明這臺機器已經具備了一定的“智能”。正是這篇文章，為圖靈又贏得了“人工智能之父”的稱號。之後，1956年在達特茅斯學院召開的一個夏季討論會議中，人工智能的概念被確定下來，而這也被認為是人工智能的正式起點。
長久以來，在 “人工智能”領域，主流觀點分成了兩派，一派認為實現人工智能必須用邏輯和符號系統，基於預設和反饋，搞清楚應該如何讓機器思考，並將思考的過程演化為具備明確程序設計的專家系統，自頂向下地仿造大腦；而另一派則認為，實現人工智能應該從模仿生物學大腦入手，讓機器自主形成意識，自底向上，通過不斷實踐，促進機器的自我成長和進化。不過，隨著2016年穀歌阿爾法狗的大放異彩，深度學習已成為目前人工智能最受關注的領域，暫時終結了“人工智能”的方向之爭，並開啟了人工智能飛速發展和全面產業化的新時代。
在媒體報道中，人工智能、機器學習、深度學習和神經網絡是非常熱門的四個詞彙，很多人甚至將四者看成是一種等價的關係，在很多報道中，會混雜使用。事實上，這四者之間既有一定的聯繫，但也有明顯的區別。如下圖所示，最外面的大圓代表人工智能，中間一層表示機器學習，而基於多層神經網絡的深度學習處於中心位置。也可以簡單理解為：機器學習是人工智能領域中的一個重要分支；深度學習是實現機器學習的一種重要方法；而深度學習通常都是基於多層神經網絡的（存在多種神經網絡模型）。
深度學習（Deep Learning）的概念雖然是在2006年由Hinton等人首次提出的，但在20世紀50年代，人工神經網絡的第一個實驗就完成了，而類似深度學習的方法，在20世紀90年代就已經成功用於某些商業應用中了，可為什麼直到2016年，基於深度學習的人工智能，才被廣泛應用起來呢？
第一：隨著互聯網及移動互聯網的發展，在各個行業中，可供訓練的數據樣本不斷增加，這使得深度學習變得更加有用。一個粗略的經驗法則是，對於監督學習算法，在每給定約5000個標註樣本的情況下，人工智能程序將達到可以接受的性能；而當至少有1000萬個標註樣本的數據集可用於訓練時，人工智能程序將達到甚至超過人類表現。
第二：隨著雲計算的發展，針對深度學習的計算機軟硬件基礎設施得到了極大的改善，基於現在的計算資源，可以運行更復雜更大的深度學習模型。人工神經網絡的規模大約每2.4 年擴大一倍，這種增長是由更大的內存和更快的計算驅動的。預計到本世紀50 年代，人工神經網絡將能夠具備與人腦相同數量級的神經元。
第三：在以上兩點原因的作用下，基於深度學習的人工智能，已經開始著手解決人們生活中的實際問題了，從簡單應用到複雜任務，如文本識別、聲音識別、人臉識別、圖像識別、自然語言處理等等，而其處理的精度也在不斷提高，從而逐漸形成正反饋效應，帶動了該領域中人才、資本和應用的全面發展。
現在的工程師們發現，其實20世紀80年代就存在的一些算法，也能工作得非常好，但是直到在2006年都沒有體現出來，就是因為當時的訓練數據太過匱乏、計算代價也太高，所以在很長一段時間，人們普遍認為多層神經網絡是難以訓練的。由此可見，目前人工智能領域的蓬勃發展，並非是從天而降突然出現的，而是技術、數據和資源均準備就位後，水到渠成的結果。
下面再通過一個簡單的例子，說說基於多層神經網絡的深度學習是如何工作的。例如現在需要識別出一張圖片中的物體是一個人、一輛車還是一隻動物。
我們把一張圖片傳給計算機程序後，計算機接收到的可能是很多基本像素值的集合，每個像素值對應圖片中每個最小的像素塊。讓計算機直接基於這些基本像素去識別圖片中物體的特徵，其函數將是非常複雜的，直接處理幾乎是不可能的。而深度學習會將所需要的複雜映射，分解為一系列嵌套的簡單映射，通過多層漸進式的探索來解決這一難題。在輸出層和輸入層之間的各個數據層，它們的值不是從原始數據中直接給出的，所以將這些層稱為“隱藏層”，並與輸入層和輸出層一起，共同構成了一個多層神經網絡。以下圖為例，通過包含三個隱藏層的神經網絡，最終實現了對圖片中物體類型的識別。
輸入層：可見層，輸入的數據為所有最小像素塊的像素值
第一層：隱藏層，識別出所有的邊緣數據。根據輸入層提供的像素數據，通過比較相鄰像素塊的亮度，可以識別出圖片中所有實體部分的邊緣，每個邊緣數據可能是由多個像素數據組成的。
第二層：隱藏層，識別出所有的輪廓數據。根據第一層隱藏層提供的邊緣數據，可以識別出圖片中所有實體部分的輪廓，每個輪廓數據可能是由多個邊緣數據組成的。
第三層：隱藏層，識別出各個組成部分。根據第二層隱藏層提供的輪廓數據，可以識別出圖片中實體部分的各個組成部分（如人的頭髮、衣服等），每個組成部分，可能是由多個輪廓數據組成的。
輸出層：對各個組成部分的特徵進行綜合分析，確定圖片中物體的類別，並給出結論。有了第三層隱藏層提供的各個組成部分的信息，就可以識別出整體對象的分類特徵了，例如有頭髮、穿衣服的是人，有輪胎、有車架的是車，有犄角、長尾巴的是動物。
以上只是對深度學習的簡單介紹，希望系統學習相關知識的朋友，這裡兩本電子書[深度學習中文版]和[深入淺出深度學習：原理剖析與python實踐]，有興趣的朋友可以根據下面線索獲取。
創作不易，歡迎朋友們關注、評論、轉發。如企業轉載或其它，請聯繫：keji5u（科技無憂訂閱號）
