人工智慧是未來；人工智慧是科幻小說；人工智慧已是我們日常生活的一部分。 ——這些說法都對， 僅取決於你對人工智慧的理解。
例如， 今年早些時候Google DeepMind的AlphaGo程式擊敗了韓國圍棋大師李世乭， 隨著DeepMind的勝利， 媒體讓人工智慧、機器學習和深度學習這些名詞躍然紙上。 這三個名詞只是AlphaGo擊敗李世乭的部分原因。 它們不是相同的東西。
理清它們關係最簡單的方法是通過同心圓視覺化， 首先是人工智慧——靈感之源——也最大， 接著是機器學習——發展興旺， 最後是深度學習——引領當今人工智慧大爆發的動力。
從蕭條到繁榮
自1956年達特茅斯會議上一群電腦科學家開創了人工智慧領域， 人工智慧就成為了我們在實驗室中不斷探索和突破的部分。 在此後的幾十年裡， 人工智慧時而被譽為人類文明再創輝煌未來的關鍵， 時而因概念草率被丟入技術垃圾堆。 坦率地說，
在過去的幾年裡， 人工智慧開始爆發， 尤其是從2015年開始。 大部分是因為GPU廣泛的使用場景， 使得並行處理更快、更廉價、更強大。 與此同時， 還有幾乎無限的存儲空間以及各類資料洪流的爆發（整個大資料運動）——圖像、文字、交易、地圖資料， 應有盡有。
我們來看看電腦科學家如何走出困境的——直到2012——每天影響數億人的應用程式得以驗證。
人工智慧——由機器展現的人類智慧
電腦跳棋程式可以說是最早的人工智慧例子， 在1950年代激起了陣陣波瀾
回到1956年那個夏季會議， 人工智慧先驅夢想通過新型電腦建造複雜的機器——擁有人類智慧相同的特徵
但我們能在“狹義人工智慧”概念上做點事。 通過技術完成特殊任務， 甚至比我們人類做得更好。 例如狹義人工智慧可以完成Facebook上Pinterest和面部識別之類的圖像分類工作。
以上都是狹義人工智慧的具體實踐。 這些技術表現出人類智慧的一些方面。 但是智慧從哪裡來？讓我們進入下一環節， 機器學習。
機器學習幫助收件箱（基本上）無垃圾郵件
機器學習最基本的做法是使用演算法來解析資料、學習資料， 然後再做出判斷或預測。 相比使用一組特定指令完成一個特定任務的手工程式設計軟體， 機器學習是經過大量的資料和演算法“訓練”的， 使它能知道如何完成任務。
機器學習直接來自早期人工智慧科學家們的思想， 經過多年的沉澱形成的演算法， 包括決策樹學習、歸納邏輯程式設計、聚類、增強學習、貝葉斯網路等。 正如我們所知， 目前尚未達到廣義人工智慧的目標， 甚至現在的機器學習手段都還算不上狹義人工智慧。
事實證明， 多年來機器學習最佳應用領域是電腦視覺， 可惜它仍然需要大量的手工程式設計完成。 人們會編寫像邊緣檢測濾波器這樣的分類器程式來確定一個物件啟動和停止；形狀檢測確定是否有八個面；分類器識別字母“S-T-O-P”。 從這些手工編寫的分類器開始， 人們繼續開發演算法來感知圖像和“學習”停車標誌。
好， 但還不夠出色。 尤其是在能見度不高的霧天， 或一棵樹遮掩了它的部分。 這就是電腦視覺和圖像檢測不能足以媲美人類的原因，因為它太脆弱太容易出錯。但直到最近，情況有所改變。
時間以及正確的學習演算法改變了一切。
深度學習——實現機器學習的技術
從YouTube視頻中選出有貓的圖像是深度學習的第一個突破性示範
另一個從早期機器學習發展起來的演算法，人工神經網路已經有幾十年的歷史。神經網路受到我們對大腦生物學理解的啟發——神經元間的所有聯繫。但是，不像生物學上的大腦能在一定物理距離內任何神經元可以連接到其他神經元，這些人工神經網路有不連續的層、關係和資料傳播方向。
例如，你可能會拿到一幅圖像，把它分成一堆碎片原料輸入到神經網路的第一層。第一層獨立神經元將資料傳遞給第二層。第二層神經元執行其任務，依次下去，直到最後一層產生最終輸出。
每個神經元向其輸入分配權重——神經元相關任務執行得正確還是不正確，最終輸出由總體權重決定。所以思考下停車標誌那個例子，停車標誌圖像的屬性被切割並由神經元“檢查”——它的八角形狀、消防車紅、獨特的字母、其交通標誌的大小。神經網路的任務是推斷這是否是一個停車標誌。基於權重，神經網路提出了“概率向量”這一真正受過高度訓練的猜測。在我們的示例中，系統有86%把握確定圖像是停車標誌，7%的把握確定這是限速標誌，5%的把握確定這是風箏卡在樹上，等等——網路架構告訴神經網路是否正確。
甚至這個例子就超越了其本身，因為直到最近神經網路依然受到人工智慧研究社區的回避。這些社區早在人工智慧出現的那一天就在研究神經網路，但是只瞭解到非常少的“情報”。這個問題主要由於大部分基本神經網路都需要密集計算，沒有實踐途徑。儘管如此，一個由多倫多大學Geoffrey Hinton領導的小型極端研究組織從未放棄過，最後通過超級電腦平行算法運行證明這個概念，但直到GPU的在這方面的部署運用才使得深度學習實踐的承諾得以實現。
我們再次回到停車標誌的例子，在得出一堆錯誤答案之前，有個很好的機會優化網路或“訓練”。需要訓練哪些，需要觀察成千上萬甚至數百萬的圖像，直到輸入神經元的權重調整準確，幾乎每次都精確地得出正確答案——霧或沒有霧、晴天或雨天。在這一點上，神經網路將教會自己停車標誌長啥樣的；你母親在Facebook中的面容；或者一隻貓，這就是2012年Andrew Ng在穀歌做的事。
Ng的突破是把這些神經網路變得巨大，增加了層和神經元，然後通過系統運行大量資料來訓練它。Ng的方式是從千萬個YouTube視頻中獲取圖像，Ng將“深度”放入了深度學習，描述了所有神經網路層。
今天，經過深度學習的受訓機器在某些情況下圖像識別能力已經優於人類，應用範圍已經從貓擴大到從核磁共振掃描結果識別血液和腫瘤中的癌症。Google的AlphaGo精通比賽，為Go比賽而訓練——通過一次次的與自己下棋來調整它的神經網路。
感謝深度學習，人工智慧才有了光明的未來
深度學習使得許多機器學習實際應用延伸到整個人工智慧領域。深度學習分解任務的方式看起來可以實現多機器的協助，甚至很有可能。無人駕駛汽車，更好的預防保健，更好的電影推薦，都是在今天或在不遠的地平線上成為現實。人工智慧是現在也是未來，通過深度學習的幫助，人工智慧甚至幫助我們達到夢想已久的科幻境界。你的C-3PO，搶走，我要定它了，剩下的終結者請小心Hold。
這就是電腦視覺和圖像檢測不能足以媲美人類的原因，因為它太脆弱太容易出錯。但直到最近，情況有所改變。時間以及正確的學習演算法改變了一切。
深度學習——實現機器學習的技術
從YouTube視頻中選出有貓的圖像是深度學習的第一個突破性示範
另一個從早期機器學習發展起來的演算法，人工神經網路已經有幾十年的歷史。神經網路受到我們對大腦生物學理解的啟發——神經元間的所有聯繫。但是，不像生物學上的大腦能在一定物理距離內任何神經元可以連接到其他神經元，這些人工神經網路有不連續的層、關係和資料傳播方向。
例如，你可能會拿到一幅圖像，把它分成一堆碎片原料輸入到神經網路的第一層。第一層獨立神經元將資料傳遞給第二層。第二層神經元執行其任務，依次下去，直到最後一層產生最終輸出。
每個神經元向其輸入分配權重——神經元相關任務執行得正確還是不正確，最終輸出由總體權重決定。所以思考下停車標誌那個例子，停車標誌圖像的屬性被切割並由神經元“檢查”——它的八角形狀、消防車紅、獨特的字母、其交通標誌的大小。神經網路的任務是推斷這是否是一個停車標誌。基於權重，神經網路提出了“概率向量”這一真正受過高度訓練的猜測。在我們的示例中，系統有86%把握確定圖像是停車標誌，7%的把握確定這是限速標誌，5%的把握確定這是風箏卡在樹上，等等——網路架構告訴神經網路是否正確。
甚至這個例子就超越了其本身，因為直到最近神經網路依然受到人工智慧研究社區的回避。這些社區早在人工智慧出現的那一天就在研究神經網路，但是只瞭解到非常少的“情報”。這個問題主要由於大部分基本神經網路都需要密集計算，沒有實踐途徑。儘管如此，一個由多倫多大學Geoffrey Hinton領導的小型極端研究組織從未放棄過，最後通過超級電腦平行算法運行證明這個概念，但直到GPU的在這方面的部署運用才使得深度學習實踐的承諾得以實現。
我們再次回到停車標誌的例子，在得出一堆錯誤答案之前，有個很好的機會優化網路或“訓練”。需要訓練哪些，需要觀察成千上萬甚至數百萬的圖像，直到輸入神經元的權重調整準確，幾乎每次都精確地得出正確答案——霧或沒有霧、晴天或雨天。在這一點上，神經網路將教會自己停車標誌長啥樣的；你母親在Facebook中的面容；或者一隻貓，這就是2012年Andrew Ng在穀歌做的事。
Ng的突破是把這些神經網路變得巨大，增加了層和神經元，然後通過系統運行大量資料來訓練它。Ng的方式是從千萬個YouTube視頻中獲取圖像，Ng將“深度”放入了深度學習，描述了所有神經網路層。
今天，經過深度學習的受訓機器在某些情況下圖像識別能力已經優於人類，應用範圍已經從貓擴大到從核磁共振掃描結果識別血液和腫瘤中的癌症。Google的AlphaGo精通比賽，為Go比賽而訓練——通過一次次的與自己下棋來調整它的神經網路。
感謝深度學習，人工智慧才有了光明的未來
深度學習使得許多機器學習實際應用延伸到整個人工智慧領域。深度學習分解任務的方式看起來可以實現多機器的協助，甚至很有可能。無人駕駛汽車，更好的預防保健，更好的電影推薦，都是在今天或在不遠的地平線上成為現實。人工智慧是現在也是未來，通過深度學習的幫助，人工智慧甚至幫助我們達到夢想已久的科幻境界。你的C-3PO，搶走，我要定它了，剩下的終結者請小心Hold。