人工智能和機器學習概念目前在各種場合被頻頻提到，移動互聯(lián)網(wǎng)時代后的未來被預(yù)測為人工智能時代，那么人工智能的前世今生是怎樣的，到底會給我們的未來帶來什么呢？為了弄清這個問題，我們可以簡單回顧一下人工智能的發(fā)展歷史。

其實，人工智能可以追溯到很久以前的年代。在圖靈的時代，科學家就試圖通過模擬人的意識和思維來處理人類才能完成的復(fù)雜任務(wù)，并提出圖靈測試檢測機器是否具有真正的“智慧”。隨著計算機被發(fā)明，信息存儲和處理問題被解決，人工智能有了落地的可能。1956年在達特茅斯會議上，人工智能的概念被明斯基明確提出，使用的正是由神經(jīng)學家提出的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)模型，并在此次完善了匹配的編程語言，將實現(xiàn)推向更具有現(xiàn)實意義的發(fā)展方向。

神經(jīng)網(wǎng)絡(luò)本質(zhì)是神經(jīng)元之間的作用與反饋，是人類思維的基礎(chǔ)，模擬大腦是長時間以來人工智能的主要思路。兩年后，計算機科學家羅森布拉特提出感知機的概念，即兩層神經(jīng)元組成的最簡單的神經(jīng)網(wǎng)絡(luò)，并用來進行數(shù)據(jù)二分類?？茖W界迎來了人工智能的第一縷曙光，更多人開始關(guān)注并投身于此。然而人工智能并沒有變得大熱，明斯基在1969年在其著作中證明感知器只能處理線性分類問題，連簡單的異或問題都無法正確分類。這個問題因而成為那一代人工智能領(lǐng)域?qū)W者繞不開的噩夢。人工智能學科隨后一度作為最冷門的學科陷入了長達20年的停滯。

直到1969年，杰弗里·辛頓提出反向傳播算法，打破了人工智能萬古長夜的局面。該方法有效解決了非線性分類問題的局限性，并廣泛用于多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，由此帶來了深度學習的熱潮。為了得到高精度的結(jié)果，網(wǎng)絡(luò)結(jié)構(gòu)不斷加深，隨著層數(shù)加深，深層結(jié)構(gòu)會逐漸喪失對于前層的有效學習，反向傳播算法中的梯度消失問題變得不可忽視。不少人開始轉(zhuǎn)向淺層的機器學習方法來解決實際問題。直到2006年，杰弗里·辛頓提出了梯度消失的解決方案，才重啟了深度學習的熱潮。同時這股熱潮開始從學術(shù)界席卷工業(yè)界，越來越多的公司和機構(gòu)開始將其應(yīng)用到語音識別和圖像分類等領(lǐng)域。正是在這些領(lǐng)域，深度學習方法開始展現(xiàn)出顯著優(yōu)于傳統(tǒng)淺層機器學習方法的優(yōu)勢。2012年之后，各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和調(diào)優(yōu)方法的提出使深度學習性能得到了大幅提升，但即使算法和算力不斷加強，深度學習動輒幾十個小時的訓練和海量的訓練數(shù)據(jù)要求還是把很多人拒之門外。

為了解決向訓練數(shù)據(jù)少的領(lǐng)域遷移問題，遷移學習應(yīng)運而生，它解決了將原領(lǐng)域?qū)W習到的東西遷移到目標領(lǐng)域的問題，并有效利用已經(jīng)習得的模型參數(shù)，大大縮短了模型訓練時間，被認為是人工智能算法的未來。

人工智能學科經(jīng)過長期沉淀和發(fā)展，相關(guān)的算法已經(jīng)具備了解決各種復(fù)雜問題的能力，以最低的成本使用深度學習神經(jīng)網(wǎng)絡(luò)解決各個細分領(lǐng)域的問題成了人工智能爆發(fā)期的關(guān)鍵。人工智能給人類帶來的深刻變革是接下來時間里大概率發(fā)生的事。正如互聯(lián)網(wǎng)+的模式改變了我們衣食住行的各個方面，未來AI+的模式一定也會以同樣的方式席卷各個行業(yè)的細分領(lǐng)域，車聯(lián)網(wǎng)、家電領(lǐng)域、醫(yī)療、農(nóng)業(yè)、制造業(yè)等行業(yè)都需要更加精準的模式幫助人類處理復(fù)雜任務(wù)。

華為機器學習服務(wù)基于這樣的理念推出自定義模型服務(wù)，它采用遷移學習的方法幫助開發(fā)者輕松定義自己的模型，只需要準備少量領(lǐng)域數(shù)據(jù)，就可以獲取領(lǐng)域模型，大大降低了深度學習的門檻。相信未來，人工智能不再僅僅作為少數(shù)人的工具，而是可以應(yīng)用于各行各業(yè)，給人類社會的方方面面帶來更加智能、更加個性化的體驗。
責任編輯：YYX