人工智慧，就好像第四次工業革命，正從學術界的私藏，轉變為一種能夠改變世界的力量。尤其，以深度學習取得的進步為顯著標誌。 它讓匍匐前進60年的人工智慧一鳴驚人。 我們正降落到一片新大陸。深度學習帶 …
人工智慧，就好像第四次工業革命，正從學術界的私藏，轉變為一種能夠改變世界的力量。尤其，以深度學習取得的進步為顯著標誌。
它讓匍匐前進60年的人工智慧一鳴驚人。
我們正降落到一片新大陸。深度學習帶來的這場重大技術革命，有可能顛覆過去20年網際網路對技術的認知，實現技術體驗的跨越式發展。
那麼，深度學習到底是什麼？怎麼理解它的重要性？
我們先從概念和現象入手。
我總結了一句話，學術上看未必嚴謹，但從我的理解角度看——深度學習是基於多層神經網路的，海量資料為輸入的，規則自學習方法。
深度學習所基於的多層神經網路並非新鮮事物，甚至在80年代被認為沒前途。但近年來，科學家們對多層神經網路的不斷演算法優化，使它出現了突破性的進展。
以往很多演算法是線性的。而這世界上大多數事情的特徵是複雜非線性的。比如貓的影象中，就包含了顏色、形態、五官、光線等各種資訊。深度學習的關鍵就是通過多層非線性對映將這些因素成功分開。
那為什麼要深呢？多層神經網路比淺層的好處在哪兒呢？
簡單說，就是可以減少引數。因為它重複利用中間層的計算單元。我們還是以認貓為例好了。它可以學習貓的分層特徵：最底層從原始畫素開始學習，刻畫區域性的邊緣和紋；中層把各種邊緣進行組合，描述不同型別的貓的器官；最高層描述的是整個貓的全域性特徵。
它需要超強的計算能力，同時還不斷有海量資料的輸入。特別是在資訊表示和特徵設計方面，過去大量依賴人工，嚴重影響有效性和通用性。深度學習則徹底顛覆了「人造特徵」的正規化，開啟了資料驅動的「表示學習」正規化——由資料自提取特徵，計算機自己發現規則，進行自學習。
你可以理解為——過去，人們對經驗的利用，靠人類自己完成。在深度學習呢？經驗，以資料形式存在。因此，深度學習，就是關於在計算機上從資料中產生模型的演算法，即深度學習演算法。
問題來了，幾年前講大資料，以及各種演算法，與深度學習有什麼區別呢？
過去的演算法模式，數學上叫線性，x和y的關係是對應的，它是一種函式體現的對映。但這種演算法在海量資料面前遇到了瓶頸。國際上著名的imaginenet影象分類大賽，用傳統演算法，識別錯誤率一直降不下去，上深度學習後，錯誤率大幅降低。在2023年，獲勝的系統只能正確標記72%的；到2023年，多倫多大學的geoffhiton利用深度學習的新技術，帶領團隊實現了85%的準確率。2023年的imaginenet競賽上，乙個深度學習系統以96%的準確率第一次超過了人類（人類平均有95%的準確率）。
計算機認圖的能力，已經超過了人。尤其影象和語音等複雜應用，深度學習技術取得了優越的效能。為什麼呢？其實就是思路的革新。
舉幾個腦洞大開的例子。
1.先說計算機認貓。
我們通常能用很多屬性描述乙個事物。其中有些屬性可能很關鍵，很有用，另一些屬性可能沒什麼用。我們就將屬性被稱為特徵。特徵辨識，就是乙個資料處理的過程。
傳統演算法認貓，也是標註各種特徵去認。就是大眼睛，有鬍子，有花紋。但這種特徵寫著寫著，有的貓和老虎就分不出來，狗和貓也分不出來。這種方法叫——人制定規則，機器學習這種規則。
深度學習方法怎麼辦呢？直接給你百萬張，說這裡有貓，再給你上百萬張圖，說這裡沒貓。然後再訓練乙個深度網路，通過深度學習自己去學貓的特徵，計算機就知道了，誰是貓。
2.第二個例子是谷歌訓練機械手抓取。
傳統方法肯定是看到那裡有個機械手，就寫好函式，move到xyz標註的空間點，利用程式實現一次抓取。
而谷歌現在用機械人訓練乙個深度神經網路，幫助機械人根據攝像頭輸入和電機命令，**抓取的結果。簡單說，就是訓練機械人的手眼協調。機械人會觀測自己的機械臂，實時糾正抓取運動。
所有行為都從學習中自然浮現，而不是依靠傳統的系統程式。
為了加快學習程序，谷歌用了14個機械手同時工作，在將近3000小時的訓練，相當於80萬次抓取嘗試後，開始看到智慧型反應行為的出現。據公開資料，沒有訓練的機械手，前30次抓取失敗率為34%，而訓練後，失敗率降低到18%。
這就是乙個自我學習的過程。
3.有人問了，深度學習，能學習寫文章嗎？
來看這個例子。史丹福大學的計算機博士andrejkapathy曾用托爾斯泰的**《戰爭與和平》來訓練神經網路。每訓練100個回合，就叫它寫文章。100個回合後，機器知道要空格，但仍然有亂碼。500個回合後，能正確拼寫一些短單詞。1200個回合後，有標點符號和長單詞。2000個回合後，已經可以正確拼寫更複雜的語句。
整個演化過程是個什麼情況呢？
以前我們寫文章，只要告訴主謂賓。而以上過程，完全沒人告訴機器語法規則。甚至，連標點和字母區別都不用告訴它。不告訴機器任何程式。只是不停將原始資料進行訓練，一層一層訓練，最後輸出結果——就是乙個個看得懂的語句。
一切看起來都很有趣。人工智慧與深度學習的美妙之處，也正在於此。
4.我還去矽谷看過一家公司——完全顛覆以往的演算法，利用深度學習實現影象深度資訊的採集。
眾所周知，市面上已經有無人機，可實現人的跟蹤。它的方法是什麼呢？乙個人，在影象系統裡，一堆色塊的組合。通過人工的方式進行特徵選擇，比如顏色特徵，梯度特徵。拿簡單的顏色特徵舉例：比如你穿著綠色衣服，突然走進草叢，就可能跟丟。或，他脫了件衣服，幾個人很相近，也容易跟丟。
此時，若想在這個基礎上繼續優化，將顏色特徵進行某些調整，是非常困難的。而且調整後，還會存在對過去某些狀況不適用的問題。
總之，這樣的演算法需要不停迭代，迭代又會影響前面的效果。
而矽谷這個團隊，利用深度學習，把所有人腦袋做出來，只區分好前景和背景。區分之後，背景全部用數學方式隨意填充，再不斷生產大量背景資料，進行自學習。只要把前景學習出來就行。
據我所知，很多傳統方法，還在採用雙目視覺。用計算機去做區域性匹配，再根據雙目測出的兩個匹配的差距，去推算空間另乙個點和它的三角位置，從而判斷離你多遠。
可想而知，深度學習的出現，使得很多公司辛苦積累的軟體演算法直接作廢了。
「演算法為核心競爭力」，正在轉變為，「資料為核心競爭力」。
技術人員必須進入新的起跑線。
5.最後再舉個例子。
大家都做過胃鏡。尤其胃痛，很痛苦。腸胃鏡要分開做，而且小腸看不見。
有一家公司出了一種膠囊攝像頭。吃進去後，在你的消化道，每5秒拍一幅圖，連續攝像，此後再排出膠囊。所有關於腸道胃部的問題，全部完整記錄。但醫生光把那個圖看完，就需要五個小時。原本的機器主動檢測漏檢率高，要醫生複查。
後來，他們採用深度學習。採集8000多例資料灌進去，用機器不斷學，不僅提高診斷精確率，減少了醫生的漏診，以及對稀缺好醫生的經驗依賴。只需要靠機器自己去學習規則。
深度學習演算法，可以幫助醫生作出決策。
了解完深度學習，接著思考乙個問題——20世紀70年代末80年代初，個人電腦突飛猛進時，人工智慧的商業化卻步履維艱。賈伯斯曾這樣定義個人計算機的價值——「它是我們思維的自行車」。那麼，今天的人工智慧呢？深度學習呢？它給我們真正帶來的東西是什麼？未來，對行業和社會有什麼影響？中國公司的機會在哪？
深度學習是什麼？
深度學習是什麼？深度學習是神經網路模型與用資料程式設計思想的統一。神經網路的原則是什麼？1 交替使用線性處理單元與非線性處理單元。它們被叫做 層 2 使用鏈式法則 反向傳播 來更新網路引數。機器學習與深度學習的關係？深度學習是機器學習下的表徵學習的一種方式。機器學習關注的是如何利用已有經驗改善系統 ...
深度學習的發展歷史是什麼？
深度學習的歷史可以追溯到1943年，當時walter pitts和warren mcculloch建立了基於人腦神經網路的計算機模型。他們將演算法和數學方法結合在一起，稱之為 閾值邏輯 以模仿思維過程。自那時以來，深度學習一直在穩步發展，其發展只有兩個重大突破。兩者都與臭名昭著的人工智慧冬天有關。亨...
機器學習和深度學習的區別是什麼？
現在有很多人對機器學習和深度學習的概念並不是很明白，其實深度學習是機器學習中的一部分，而機器學習是深度學習的基礎，這兩個知識體系都是服務於人工智慧的。在這篇文章中我們給大家介紹一下關於機器學習和深度學習的區別，希望這篇文章能夠幫助大家理解機器學習和深度學習。那麼什麼是機器學習呢？一般來說，為了實現人...