1.2 人工智能與傳統機器學習

1.2.1 人工神經網絡與生物神經網絡

機器學習是人工智能的重要組成部分，而深度學習是機器學習深度智能化的技術方向之一。人工神經網絡（簡稱神經網絡）是深度學習的發展基礎，它模擬了生物神經網絡的信號傳輸原理，是人工智能技術中的基礎算法之一。神經網絡模擬了生物神經網絡中的神經元，在人腦中，神經元（神經元）的數量大約有860億個，神經元能夠感知環境的變化，同時將信息傳遞給其他的神經元，并根據傳遞的信息指令集體做出反應。

神經元由樹突、細胞體、軸突突觸等基本結構組成。信號在傳遞過程中形成電流，在其尾端為受體，借由化學物質（化學遞質）傳導（多巴胺、乙酰膽堿），在傳遞適當的量后會在兩個突觸間形成傳導電流，一個典型的神經元結構如圖1-2所示。

神經元中的樹突、細胞體、軸突、突觸是神經網絡的神經元模擬的重要對象，神經網絡在功能和結構上都一定程度參照了神經元。樹突、細胞體、軸突、突觸的介紹如表1-2所示。

而神經網絡的神經元基于樹突、細胞體、軸突、突觸的功能，定義了輸入層、加權求和、激活函數、輸出層，分別模擬了樹突的信號輸入、細胞體的加工和信號處理、軸突的控制輸出、突觸的結果輸出，一個神經網絡的神經元結構如圖1-3所示。

神經網絡中的神經元有多種數學模型，其中最經典、最簡單的是感知器。感知器通過對輸入數據加權求和并經過激活函數，從而輸出最終的結果。

例如，評價某個地方是否符合居住環境，y作為輸出，y=0表示不符合居住環境，y=1表示符合居住環境。影響它的因素有綠化面積、超市商業街、出行公交線路等，這些影響因素則是x_i，每一個因素對是否符合居住環境都有權重w_i，因此通過對因素的加權求和并通過激活函數計算是否符合居住環境，最終的輸出與圖1-3類似。

一個復雜的神經網絡是由眾多這樣的神經元組成的，神經元之間相互傳遞，上一層的神經元的輸出作為下一層神經元的輸入，這樣不斷傳遞就形成了神經網絡的基本結構。隨著深度的加深，以及對神經元激活函數的改進等，逐步形成了深度神經網絡的基礎結構。

1.2.2 落地的關鍵因素

人工智能技術的落地一方面受限于處理問題的復雜度，另一方面受限于落地環境。人工智能落地的關鍵因素大致可以分為計算力、算法模型、數據和業務場景。

1.計算力

計算力是模型訓練的運算基礎，尤其在深度神經網絡中，不僅需要訓練的數據量非常大，而且算法模型本身的網絡深度和模型復雜度都非常高，因此需要足夠的計算力對模型的參數進行訓練。可以說，計算力就是人工智能技術的生產力。

對于傳統的機器學習模型，CPU型計算服務器或許能夠應對，但對于一個復雜的深度模型，它的神經元的數量數以萬計，參數量也在百萬級或千萬級，無論在訓練階段，還是推斷階段，涉及的參數計算量都非常大。而GPU可以幫助提升計算力，分布式并行的GPU集群是提升效率的重要方式之一。擁有強大計算力是企業發展智能化的基礎，傳統的計算集群（如Spark）便是其中一種方式。

從算法模型訓練的角度來看，一個簡單的模型在GPU集群中可以在數小時內產生結果，但是在低效率的計算方式中，可能需要數周才能看到結果。若將算法模型的在線推斷放到CPU型計算服務器中，可能需要10余秒才能完成推斷，而放在GPU集群中，則可以做到秒級響應。這對在線業務的影響非常大，甚至影響用戶的體驗、產品系統設計、運算效率等。

因此，計算力是人工智能落地的關鍵技術之一，沒有強大的計算力則意味著沒有強大的數據處理能力、模型生產能力和在線服務能力。隨著當前云計算已經越來越成熟，計算力也越來越容易獲得，成本也在不斷降低。

2.算法模型

算法模型是解決問題的策略，隨著算法模型復雜度的不斷加深，解決問題的能力也會不斷增強。理論上，算法模型的結構深度越深，對數據的理解能力（擬合）越強。

算法模型是人工智能落地的承載體。例如，在人臉識別中，通過人臉識別的算法模型對不同人的人臉進行認證，通過認證的結果實現對業務的承接。算法模型本身是不具備價值的，但是算法模型和業務關聯起來就會產生效益。例如，在量化交易中，量化交易的策略模型對交易進行分析控制，從而實現收益。

算法模型的設計需要專業度和深度，設計符合業務需求的算法模型是人工智能落地的關鍵，脫離業務需求的算法模型，不僅不能解決實際問題，還會造成計算資源和數據資源的浪費。

算法模型雖然是理解業務的關鍵一環，但并不是設計得越深越好，而是要恰到好處。一個簡單的解方程的模型，不需要復雜的網絡模型結構，更不需要高性能GPU的支持。對算法模型的掌握和應用是人工智能技術人員的關鍵技能之一。

3.數據

數據的重要性在人工智能落地中毋庸置疑，但是對于數據則有一定的要求，主要體現在兩個方面。一方面，數據代表的特征要足夠全面；另一方面，數據的量要足夠多，并非簡單的數據量大，而是數據要在更大的數據量級上覆蓋數據本身的特征。

一般來說，只需選擇合適業務場景的算法模型即可，但是若數據不足或質量不高，那么即使再優秀的算法模型也無法解決問題。數據的質量是解決問題的關鍵因素，因此針對不同的業務場景，一定要有與其場景匹配的數據。

通過算法模型，不同的數據帶來的效果可能有天壤之別。例如，在人臉識別中，人臉識別的算法模型保持不變，但是基于兒童的人臉數據去訓練模型，然后用該模型對成人的臉進行人臉識別，顯然落地效果會大打折扣。

4.業務場景

脫離場景去探討人工智能技術落地是沒有意義的，不同的應用場景對于技術有不同的要求。業務場景是解決問題的分析基礎，數據和算法模型都應該從業務場景出發，即使是相似的業務場景，對于算法和數據的要求也不盡相同。

依然以人臉識別為例，在金融場景中用人臉支付和在手機上用人臉開機解鎖，兩者對于人臉識別的要求是不一樣的。從算法模型層面來看，金融場景對于人臉識別的精度要求更高，例如，在金融場景中需要99%的準確度，而在手機上用人臉開機解鎖只需要達到95%的準確度即可。因為不同的準確度對業務的價值不一樣，需要付出的成本也不一樣。從數據層面來看，金融場景要求數據更加規范，而手機解鎖場景則需要考慮不同視覺角度下的數據。

業務場景是落地的關鍵，但這往往是技術人員容易忽略或沒有足夠重視的地方。對于不同的業務場景，不一定都需要復雜的算法模型和數據，而是要針對業務場景分析需要何種數據、何種算法模型可以達到效果。從業務角度來看，并不是數據越多越好、算法模型越復雜越好，因為數據越多、算法越復雜，意味著成本越高。

因此，在人工智能技術落地中，應當一切以業務場景為核心，以最少的數據、最簡單的模型、最少的計算力解決最實際的問題，從而達到最好的效果。