01

AI是什么？

根據(jù)維基百科的定義，人工智能是一種新的通用目的技術(shù)（GPT， General Purpose Technology），它橫跨整個人類經(jīng)濟(jì)的多種用途，具有巨大技術(shù)性互補(bǔ)和溢出效應(yīng)。簡而言之，AI是21世紀(jì)的一種基礎(chǔ)技術(shù)，它會應(yīng)用在我們?nèi)粘Ｉ畹姆椒矫婷妗?

02

AI的歷史、現(xiàn)在和未來

早期，受到20世紀(jì)數(shù)學(xué)哲學(xué)的影響，誕生出兩種流派的人工智能。基于形式主義（認(rèn)為所有數(shù)學(xué)分支都可以公理化的）和邏輯主義（一切數(shù)學(xué)都是建立在數(shù)理邏輯的基礎(chǔ)之上）的符號主義的人工智能，以及基于構(gòu)造主義的連接主義和行為主義人工智能。

早期的流派都認(rèn)為自己提出的理論有很大的潛力，可以解決很多問題。但在經(jīng)過一系列探索后，科學(xué)愛家發(fā)現(xiàn)AI并沒有想象中的簡單。 之后，AI經(jīng)歷了起起落落的發(fā)展階段。直到2006年，深度學(xué)習(xí)之父Geoffrey Hinton 和他的學(xué)生Ruslan Salakhutdinov在《科學(xué)》上發(fā)表了一篇文章，提出了深層網(wǎng)絡(luò)訓(xùn)練中梯度消失問題的解決方案，至此開啟了深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮。 2012年，Geoffry Hinton又帶著團(tuán)隊參加了ImageNet ILSVRC挑戰(zhàn)賽，以驚人的優(yōu)勢獲勝（錯誤率比第二名低了足足 10%），這次的比賽結(jié)果以及相應(yīng)的論文拉開了深度學(xué)習(xí)的熱潮。 而深度學(xué)習(xí)之所以會從2006年后大放異彩，很大一部分的原因是數(shù)據(jù)、算力的發(fā)展，當(dāng)時的數(shù)據(jù)集ImageNet的數(shù)據(jù)量很大，再加上使用GPU訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，這兩個突破奠定了深度學(xué)習(xí)的崛起。如今，GPU的算力也越來越強(qiáng)，現(xiàn)在的AI發(fā)展又是如何呢？

03

AI應(yīng)用落地的三駕馬車

當(dāng)前，數(shù)據(jù)、算法、算力的發(fā)展突破正推動AI應(yīng)用的逐步落地。

1、數(shù)據(jù)資源豐富

隨著物聯(lián)網(wǎng)基礎(chǔ)設(shè)施及智能手機(jī)、可穿戴設(shè)備的普及，我們每個人時刻都在產(chǎn)生大量數(shù)據(jù)。據(jù)IDC發(fā)布《數(shù)據(jù)時代2025》的報告顯示，全球每年產(chǎn)生的數(shù)據(jù)將從2018年的33ZB增長到175ZB，相當(dāng)于每天產(chǎn)生491EB的數(shù)據(jù)。另一方面，大數(shù)據(jù)等技術(shù)，降低了數(shù)據(jù)處理和存儲的成本，數(shù)據(jù)作為人工智能時代的“石油”，驅(qū)動著AI的發(fā)展。

2、算法持續(xù)突破

在傳統(tǒng)深度學(xué)習(xí)CNN/RNN系列模型之后，強(qiáng)化學(xué)習(xí)、對抗網(wǎng)絡(luò)算法模型不斷涌現(xiàn)。AI算法逐步逼近人類水平。自然語言處理(NLP)方面，2018年Google推出的BERT開啟了NLP的元年，如今BERT在數(shù)據(jù)集上的兩個指標(biāo)（GLUE基準(zhǔn)：80.4％，MultiNLI準(zhǔn)確度：86.7%）全面超越人類。 計算機(jī)視覺方面，圖像分類的算法很早之前就已超越了人類；動作識別目前精讀相對較低，停留在52.5%；人臉識別的某些數(shù)據(jù)集也已經(jīng)超越了人類。 語音語義識別方面，中文語音識別準(zhǔn)確率達(dá)到新高度，中文語音識別字錯率（CER）達(dá)到3.71%，與人類專業(yè)的速記員水平相當(dāng)。

3、AI芯片釋放巨大算力

AI芯片市場細(xì)化，推理與訓(xùn)練、云側(cè)與端側(cè)分離，性能持續(xù)提升，突破摩爾定律瓶頸，釋放ZB級數(shù)據(jù)分析算力。 NVIDIA的Tesla V100，作為AI訓(xùn)練通用芯片，性能遠(yuǎn)超上一代P100的10+倍； Google的TUP3.0是2.0性能的8倍左右； 華為也推出了適用于推理場景的昇騰310以及適用于模型訓(xùn)練的昇騰910。從早期的CPU、GPU到現(xiàn)在的TPU、ASIC，進(jìn)入到細(xì)分領(lǐng)域后，各種AI專用芯片會層出不窮，性能不斷提升，功耗不斷降低。

04

未來，AI是否會超越人類？

當(dāng)前，一些算法在某些數(shù)據(jù)集上的準(zhǔn)確率已經(jīng)高于人類，很多人會問：AI是否會超越人類？

如圖，首先并不是人類社會的所有問題都是數(shù)學(xué)問題，有很多問題是不能用數(shù)學(xué)來描述，黃色圈子內(nèi)是可以用數(shù)學(xué)解決的問題。 由此引出了第一個問題：世界上是否所有數(shù)學(xué)問題都有明確的答案？答案是有些數(shù)學(xué)問題是無解的。 第二個問題：如果有明確的答案，是否可以通過有限步驟的計算得到答案？這就是數(shù)學(xué)的可計算問題，經(jīng)過驗(yàn)證，并不是所有數(shù)學(xué)問題都是可以計算。 接下來是第三個問題：對于那些有可能在有限步驟計算出來的數(shù)學(xué)問題，能否有一種假想的機(jī)械（圖靈機(jī)），讓它不斷運(yùn)動，最后當(dāng)機(jī)器停下來的時候，那個數(shù)學(xué)問題就解決了？結(jié)果是只有部分問題是圖靈機(jī)能夠解決的。 回答完上面三個問題后，再回看上面那張圖，藍(lán)色圈子里面的一個小圓是AI可以解決的問題，最后的小點(diǎn)才是AI已經(jīng)找到解決方法的問題，只占據(jù)非常小的一部分。 所以，我們可以說，在AI已經(jīng)找到解決方法的問題上，它可能超越了人類，但是在更多的問題上，它是沒辦法超越的。那么在某些領(lǐng)域里，AI的準(zhǔn)確率既然高于人類，比如圖像識別，它可以完全替代人類嗎？

如上圖所示，左邊是正常的原圖，中間是干擾數(shù)據(jù)，讓AI預(yù)測的是加了干擾數(shù)據(jù)的右圖。我們可以很清楚的辨別左右兩組圖完全沒有區(qū)別，但是AI算法做不到，它會把右邊的三張圖片都判斷為鴕鳥。

再來看另一組AI犯錯的案例，上面是一些噪點(diǎn)和花紋的數(shù)據(jù)，但AI有99.6%的概率會將這些圖片識別成某種類別的物體。在我們普通人來看，AI有時候會犯一些非常愚蠢的錯誤。 這時候再回答“未來，AI是否會超越人類？”的問題，答案就是：AI能解決的只是人類社會中很小的一部分問題，即使它能解決，并在統(tǒng)計意義上得到一個還不錯的準(zhǔn)確率，但它有時還是會犯很愚蠢的錯誤，AI的預(yù)測結(jié)果并不是完全可信的，AI不會超越人類，它應(yīng)該成為人類的工具，使人類社會的生產(chǎn)效率進(jìn)一步提高。

05

人工智能入門的三大難點(diǎn)

最后談?wù)劯咝W(xué)生，或者是普通開發(fā)者學(xué)習(xí)AI可能會碰到的一些問題，主要有以下三個難點(diǎn)： 一是要學(xué)習(xí)的基礎(chǔ)知識太多，做AI開發(fā)涉及到Python編程知識、Linux知識，視覺方面要學(xué)圖像處理、OpenCV等，同時還要有一定的數(shù)學(xué)基礎(chǔ)。 二是沒有GPU機(jī)器，自己買GPU做AI訓(xùn)練，成本非常高。 三是碰到問題找不到人進(jìn)行交流，尤其是非計算機(jī)專業(yè)的同學(xué)學(xué)AI會比較難，因?yàn)樽鯝I開發(fā)不像傳統(tǒng)的軟件開發(fā)那樣有非常多的書籍資料和社區(qū)可以交流，很多人只能在GitHub上找一些資料來解決學(xué)AI過程中的一些問題，能交流的人和圈子都會更少一點(diǎn)。

06

結(jié)語

幸運(yùn)的是，華為云提供了一站式AI開發(fā)平臺ModelArts，可以低門檻、低成本的上手AI，并且提供ModelArts社區(qū)、《ModelArts人工智能應(yīng)用開發(fā)指南》等書籍，解決學(xué)習(xí)AI過程的以上三個難點(diǎn)。更加詳細(xì)的技術(shù)解讀還可以到華為云社區(qū)，搜索華為云EI圖像算法專家零一老師的直播《開發(fā)者如何抓住時代機(jī)遇學(xué)好AI》！

責(zé)任編輯：lq