1.2.5　機器學習

人的大腦一直是一個未解之謎。人類如何思考，人類的大腦如何工作，智能的本質是什么，是古今中外的哲學家和科學家一直在努力探索和研究的問題。早期的研究者將邏輯視為人類智慧比較重要的特征。讓計算機中的人工智能程序遵循邏輯學的基本規律進行運算、歸納或推理，是許多早期人工智能研究者的最大追求。但人們很快發現，人類思考實際上僅涉及少量邏輯，大多是直覺的和下意識的“經驗”。基于知識庫和邏輯學規則構建的人工智能系統（例如專家系統）只能解決特定的狹小領域問題，很難被擴展到寬廣的領域和日常生活中。于是，一些研究者提出了一種全新的實現人工智能的方案，那就是機器學習。

人類的聰明之處就在于可以通過既有的認知觸類旁通地推理出未知的問題。如圖1-9所示，人類看書（書就是數據）時，依靠自身的思考與學習從書中提煉出智慧；機器學習是讓計算機利用已知數據得出適當的模型，并利用此模型對新的情境給出判斷的過程。機器學習本質上是一種計算機算法，計算機通過大量樣本數據的訓練，能夠對以后輸入的內容做出正確的反饋。訓練的過程就是通過合理的試錯來調整參數，使得出錯率降低，當出錯率低到滿足預期的時候，就可以拿出來應用了。機器學習分為監督式學習和非監督式學習。

圖1-9　機器學習與人腦思考

機器學習的應用非常廣泛，應用在文本方面就是自然語言處理，應用在圖像方面就是圖像（模式）識別，應用在視頻上就是實體識別，應用在汽車上就是自動駕駛，等等。

機器學習重要的成果是2006年關于深度學習（Deep Learning）的突破。深度學習起源于20世紀八九十年代的神經網絡研究。深度學習模型的靈感來自于人類大腦視覺皮層以及人類學習的方式，以工程化方法對功能進行簡化。深度學習模型是否精確反映了人類大腦的工作方式還存在爭議，但重要的是這一技術的突破讓機器第一次在語音識別、圖像識別等領域實現了與人類同等甚至超過人類的感知水平，從實驗室走向產業，從而發揮價值。

美國大筆投資在機器學習應用上，占美國整個AI投資的21%。這一領域是僅次于芯片的吸金領域（芯片投資的占比為31%）。機器學習熱潮是由三個基本因素的融合推動的：①深度學習算法的持續突破；②大數據的快速增長；③機器學習的計算加速，如GPU芯片這樣的機器學習硬件，將訓練時間從幾個月縮短到幾天、甚至幾個小時。這些硬件芯片正在迅速發展，谷歌、英偉達、英特爾等公司都宣布推出下一代GPU芯片硬件，這將進一步加快訓練速度的10～100倍。