如果你對人工智能和機器學(xué)習(xí)的理解還不是很清楚，那么本文對你來說將會很有用。我將配合圖文解說來幫助你全面理解機器學(xué)習(xí)。

如果它們不能激發(fā)你的興趣，那我也沒辦法了。

?

但是，如果你發(fā)現(xiàn)自己滿懷激情地閱讀完了全文，那么說明你對這個新世界充滿興趣和熱情。后續(xù)的進一步發(fā)展就取決你自己了。

1

工業(yè)革命級的技術(shù)紅利

人工智能是從一開始就伴隨著電子計算機的發(fā)明而興起的。但是直到2012年，深度學(xué)習(xí)在圖像識別上引發(fā)突破，機器學(xué)習(xí)的應(yīng)用才變得如此普遍。

5年來，深度學(xué)習(xí)算法使人臉識別、圖像識別、語音識別、自然語言處理等各方面都發(fā)生了突飛猛進的進展。在人臉識別、圖像識別等方面迅速超過人類的水平，曾經(jīng)被認為計算機算法難以完成的圍棋打敗了世界冠軍李世石和柯潔，人類最后的智力游戲失守。

深度學(xué)習(xí)的發(fā)展進步速度可以用日新月異來形容。

從深度方向來舉例，2012年的AlexNet解決了8層網(wǎng)絡(luò)的訓(xùn)練問題。2014年的VGGNet就達到了19層。同年的GoogLeNet為21層。而到了2015年的Resnet，就突飛猛進到152層2017年，CVPR的最佳論文 Densenet，最高可達264層。

同年，Resnet的下一代技術(shù)ResNeXt和2017年ImageNet冠軍DPNet已經(jīng)不再追求層數(shù)，只用100層左右的網(wǎng)絡(luò)就可以實現(xiàn)超越人類的效果。

同時，深度學(xué)習(xí)向各領(lǐng)域進行廣度的擴充。

例如，AlexNet等網(wǎng)絡(luò)只能對已經(jīng)切割好的圖片進行分類，而要進行圖像識別首先還需要把每個對象識別出來。這種識別當然在深度學(xué)習(xí)大興之前早就有了，如HOG算法、SIFT算法等。

但是深度學(xué)習(xí)的CNN更有利于提取特征，于是就誕生了2014年的R-CNN算法。后來將R-CNN中的分類用深度學(xué)習(xí)實現(xiàn)，產(chǎn)生了2015年的Fast R-CNN算法。2016年，將整個算法用深度神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的Faster R-CNN算法完成了整個對象識別的深度學(xué)習(xí)化。并不是2012年深度學(xué)習(xí)的AlexNet的想法就可以直接用來解決對象識別的問題，但是經(jīng)過4年的努力，這個任務(wù)成功實現(xiàn)了。

這樣的例子在語音識別和自然語言處理等領(lǐng)域中也在不斷上演。這僅僅是在應(yīng)用領(lǐng)域，更厲害的是深度學(xué)習(xí)也深刻地改變了其他算法領(lǐng)域，如強化學(xué)習(xí)。

2012年深度學(xué)習(xí)突破之后，2015年，Google公司的DeepMind團隊在Nature雜志上發(fā)表了將深度學(xué)習(xí)與強化學(xué)習(xí)結(jié)合在一起的深度快速學(xué)習(xí)算法DQN。2016年，基于深度神經(jīng)網(wǎng)絡(luò)與樹搜索算法的Alpha Go再次在Nature雜志上發(fā)表。

最后，深度學(xué)習(xí)比起傳統(tǒng)機器學(xué)習(xí)，門檻大大降低，正是學(xué)習(xí)的好機會。

（1）深度學(xué)習(xí)的知識點較為集中，而傳統(tǒng)機器學(xué)習(xí)需要的領(lǐng)域?qū)I(yè)知識很多且非常分散，算法不通用。

（2）開源開放為深度學(xué)習(xí)的工具的普及提供了巨大紅利。不管是Google大腦用TensorFlow框架，還是OpenAI的強化學(xué)習(xí)工具，都是頂尖大廠的一線工具，免費提供給全世界使用。另外，F(xiàn)acebook的PyTorch，微軟的CNTK，百度的PaddlePaddle等工具也都開源開放，每位學(xué)習(xí)者都能很容易用到世界上最先進的工具。

（3）Google、Facebook 等企業(yè)和機構(gòu)不遺余力地研發(fā)更加方便的工具，降低使用者的門檻。例如，Keras框架就是主要面向初學(xué)者，PyTorch和TensorFlow.js等工具在設(shè)計上也充分考慮了易用性。Google的TensorFlow等也在不斷探索高層API。?

（4）AutoML 等自動模型生成技術(shù)初現(xiàn)曙光。

2

中美兩國為機器學(xué)習(xí)作背書 ? 機器學(xué)習(xí)有用的最重要證據(jù)，來自中國和美國這兩個大國為其進行背書。先說我國，2017年，人工智能發(fā)展寫進了政府工作報告。同年7月，國務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，其主要內(nèi)容如下圖所示。 ?

國家新一代人工智能發(fā)展規(guī)劃主要內(nèi)容思維導(dǎo)圖 ? ? 規(guī)劃中首先承認了人工智能的發(fā)展進入了新階段，給我們帶來機遇，也帶來了挑戰(zhàn)。我國雖有良好的基礎(chǔ)，但跟先進國家相比又有差距。 ?

我國人工智能發(fā)展的重點任務(wù) ? ? 針對這個態(tài)勢，國家有總體要求和重點任務(wù)，提供資源、保障，負責組織實施。這些重點任務(wù)涉及的層次比較深，比較廣，不僅有基礎(chǔ)理論研究，有關(guān)鍵技術(shù)攻關(guān)，還有基礎(chǔ)支撐平臺和智能化基礎(chǔ)設(shè)施的保障。 ? 2018年年底，美國商務(wù)部工業(yè)安全局公布了出口管制的建議公告。下面來看一下其中人工智能部分的限制出口的技術(shù)。

3、從編程思維向數(shù)據(jù)思維的進化

最后談一下程序員的認知升級。 ? ? 傳統(tǒng)的軟件開發(fā)方式，無論采用何種開發(fā)流程與開發(fā)模型，其代碼都是確定性的指令序列。機器學(xué)習(xí)所代表的是通過數(shù)據(jù)學(xué)習(xí)、自我迭代更新，但代碼不變的一種新的編程方式。
? ? 卡耐基 - 梅隆大學(xué)教授邢波說過，機器學(xué)習(xí)和傳統(tǒng)編程的不同之處在于面對任務(wù)時，機器學(xué)習(xí)更具靈活性：傳統(tǒng)編程是預(yù)設(shè)執(zhí)行動作，按照條件觸發(fā)的程序，而機器學(xué)習(xí)則沒有預(yù)設(shè)執(zhí)行動作，而是通過對大量場景數(shù)據(jù)的學(xué)習(xí)，自己確立觸發(fā)條件和執(zhí)行動作的關(guān)系，并不斷迭代優(yōu)化。 ? ? 這段話可以說是一語道破了機器學(xué)習(xí)的本質(zhì)。工具會限制人的思維，限制程序員思維的就是計算機本身。 ? ?

計算機提供了指令集，將這些指令封裝成匯編語言，就構(gòu)成了第一代程序員的開發(fā)思維。后來出現(xiàn)的結(jié)構(gòu)化編程、面向?qū)ο缶幊?、面向切片編程等新思潮，本質(zhì)上，還是對于機器指令的抽象與封裝。這一派的典型代表是C語言，用來寫作UNIX等大量的操作系統(tǒng)。在這一系語言中，影響最大的人物是馮·諾依曼，因為第一代計算機的指令架構(gòu)就是馮·諾依曼結(jié)構(gòu)。 ? ?

類C語言因為本質(zhì)上是計算機指令的封裝，所以不管如何設(shè)計，程序代碼都是核心。數(shù)據(jù)是被程序指令控制的操作數(shù)。如果程序基本沒有bug，也不增加新需求，可以固化到只讀硬件中，因為邏輯是確定的。 ? ? 計算機硬件指令的執(zhí)行，本質(zhì)上只有順序和分支兩種結(jié)構(gòu)：要么按順序執(zhí)行，當然固定的跳轉(zhuǎn)指令也是按順序執(zhí)行；要么是if-then結(jié)構(gòu)，根據(jù)條件判斷來執(zhí)行。 ? ? 程序開發(fā)中，做得最多的事情就是根據(jù)各種情況，設(shè)計好各種分支結(jié)構(gòu)。循環(huán)本質(zhì)上也是一種多次執(zhí)行的分支結(jié)構(gòu)。 ? ? 在傳統(tǒng)編程中，數(shù)據(jù)是為程序服務(wù)的，先有程序，才能處理數(shù)據(jù)。但是在大數(shù)據(jù)時代，這種方式受到了空前的挑戰(zhàn)。在傳統(tǒng)方式中，編程對數(shù)據(jù)的處理本質(zhì)上依賴人對數(shù)據(jù)規(guī)律的徹底了解，而在機器學(xué)習(xí)的方法中，程序除了對于現(xiàn)有數(shù)據(jù)規(guī)律的學(xué)習(xí)外，還要從數(shù)據(jù)的自動學(xué)習(xí)中預(yù)測沒有學(xué)習(xí)到的數(shù)據(jù)的規(guī)律。 ? ?

對于深度學(xué)習(xí)來講，寫代碼相對比較容易。但是運行代碼，需要大量的數(shù)據(jù)和計算資源。對于大型的網(wǎng)絡(luò)來說，可能需要以天或周為單位計算，甚至更長的時間做訓(xùn)練。到了新的應(yīng)用場景，主要用新的數(shù)據(jù)做訓(xùn)練，調(diào)整參數(shù)，也可能調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。但是基本很難看到像開發(fā)傳統(tǒng)代碼那樣，大規(guī)模的以寫機器指令為邏輯的開發(fā)工作。 ? 舉個例子來看一下兩種開發(fā)模式的差別。假如，我們要開發(fā)一個自動駕駛程序，現(xiàn)在的問題是，我們想識別路上的交通線，但是總受路邊的樹的影子的影響。如何消除這個影響？ ? ?

按照傳統(tǒng)編程方式，需要定義出所有可能是樹的影子的情況，然后分別通過if-then判斷去處理。也就是說，還是需要人對邏輯進行梳理和控制。 ? ? 而對于深度學(xué)習(xí)的方式，可能只要對網(wǎng)絡(luò)結(jié)構(gòu)做一些修改，增加一個特定的池化層就可以了。 ? 深度學(xué)習(xí)的最大進步，就是通過大量數(shù)據(jù)的訓(xùn)練，可以減少傳統(tǒng)機器學(xué)習(xí)對于算法工程師對領(lǐng)域問題理解的依賴，而且很多場景下效果比傳統(tǒng)算法手工做得還要好。 ? ? 好的算法是有泛化能力的，可以根據(jù)有限的數(shù)據(jù)，推斷出未知的情況。而這是對現(xiàn)有的基于每種問題定制策略的policy base方法的重大改進。 ? ?

編程方法的革命影響的將不是一個行業(yè)，而是一個元行業(yè)，因為它影響的是基礎(chǔ)的軟件技術(shù)。軟件開發(fā)測試方法的變革，將深刻影響互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、區(qū)塊鏈等傳統(tǒng)方法開發(fā)的技術(shù)。從而對于依托于這些底層技術(shù)的各行各業(yè)造成二次影響。 ? ? 在傳統(tǒng)方式下，代碼一旦寫好，除非升級軟件，否則邏輯就是一成不變的。例如，小米的MIUI幾年前之所以成功，就是迭代開發(fā)速度快，用戶提了意見就馬上改，每周一更新，有意見繼續(xù)改。 ? ? 而在基于數(shù)據(jù)智能的軟件開發(fā)方法下，用戶使用的數(shù)據(jù)就可能為現(xiàn)有的軟件提供更多的增強功能。這并不需要付出多少額外的工作量，主要是思維模式需要轉(zhuǎn)變。 ? ? 最后一點人生啟示，算法是我們應(yīng)對如此復(fù)雜的世界的一個新的視角和思路。

編輯：黃飛

?