去年3月9日的時候， 在韓國首爾舉行的一場圍棋賽反響空前， 這次比賽不光吸引了世界各地的圍棋愛好者， 也吸引了千千萬萬對人工智慧感興趣的人， 因為這不是一場普通的圍棋比賽， 而是被稱為“世紀大戰”的人機智慧對決。 對弈的一方是人類頂級棋手李世石， 另一方則是google開發的人工智慧程式AlphaGo。 五盤大戰最終以李世石1比4投子認負結束。 這次比賽之後， 人們瞭解了這個叫AlphaGo的人工智慧。
今年5月29日， 柯潔和AlphaGo的最後一戰結果出爐， 柯潔再敗， 總比分0:3完敗AlphaGo。 一時間人工智慧成為了人們熱議的話題， 或許你還能經常聽到的還有機器學習和深度學習這兩個詞。
請點擊上面音訊按鈕收聽聲音吧~
首先呢， 為大家介紹一下人工智慧， 機器學習， 深度學習三者之間的關係~
簡單的說呢， 機器學習是人工智慧的一個分支， 而深度學習又是機器學習一個分支。 就是說人工智慧包括機器學習， 機器學習包括深度學習~
人
工智慧
下面呢， 給大家介紹一下人工智慧~
其實呢， 人工智慧是一個很大的概念， 它企圖瞭解智慧的實質， 並希望可以製造一個像人一樣能夠思考的機器。
機
器學習
接下來呢， 給大家介紹一下什麼是機器學習~
目前人工智慧最“火”的一個分支就是機器學習了
人工智慧的研究是從以“推理”為重點到以“知識”為重點， 再到以“學習”為重點， 一條自然、清晰的脈絡。 顯然， 機器學習作為實現人工智慧的一個重要途徑， 就是要通過機器學習的手段解決人工智慧中的問題。 機器學習致力於研究如何用計算的手段， 利用經驗來改善系統自身的性能。
舉個決策樹的簡單例子， 決策樹分類的思想類似於找物件中的要求。 現在想像一個女孩的母親要給這個女孩介紹男朋友，
女兒：多大年紀了？
母親：26。
女兒：長的帥不帥？
母親：挺帥的。
女兒：收入高不？
母親：不算很高， 中等情況。
女兒：是公務員不？
母親：是， 在稅務局上班呢。
女兒：那好， 我去見見。
這個女孩的決策過程就是典型的分類樹決策。 相當於通過年齡、長相、收入和是否公務員對將男人分為兩個類別。 假設這個女孩對男人的要求是：30歲以下、長相中等以上並且是高收入者或中等以上收入的公務員， 那麼這個可以用決策樹來表示女孩的決策邏輯。 這一決策邏輯就是機器學習中的“模型”， 當每次來一個新的相親物件時， 女孩會根據這個模型重新判斷一次。
決策樹只是作為機器學習中的一個常用演算法，其實，機器學習中還有很多其他演算法，比如：支援向量機，貝葉斯分類，隱式瑪律可夫，神經網路等等，其中最近出鏡頻率比較高的AlphaGo就是運用了機器學習中的的深度神經網路演算法。
深
度學習
下面，就有人會問了，你一會深度學習神經網路，一會深度學習，他們有什麼聯繫嗎？
首先呢，深度學習是機器學習的一個分支，主要演算法是深度神經網路演算法。深度學習框架，尤其是基於人工神經網路的框架可以追溯到1980年福島邦彥提出的新認知機，而人工神經網路的歷史更為久遠。1989年，揚·勒丘恩（Yann LeCun）等人開始將1974年提出的標準反向傳播演算法應用於深度神經網路，這一網路被用於手寫郵遞區號識別。儘管演算法可以成功執行，但是它的計算代價非常巨大，神經網路的訓練時間達到了3天，因而在實際應用中由於效率問題應用較少。深度學習的之所以最近才走進大家的視線，就是因為其消耗大量資源。據統計呢，alphago一共使用了1202個CPU、176個GPU，而且這些晶片並不是普通的家用晶片，都是商用級的高性能晶片。
所以說，深度神經網路演算法其實是深度學習中的非常重要的方法，深度神經網路演算法其實是對人腦的一種抽象模擬，下面給大家詳細的介紹深度神經網路演算法中的基礎神經元。
這裡的神經元跟我們生物課上學到的大腦中的神經元是類似的，生物學中的理論神經生理學建立在某些基本假設上。神經系統是一個神經元網路，每個神經元都有一個細胞體和一個軸突。神經元的附屬部分，也就是突觸，總是位於一個神經元的軸突和另一個神經元的細胞體之間。神經元任何時候都有某個閾值，刺激必須超過這個值才能激發起一個衝動。這個衝動會從刺激點 傳播到神經元的所有部分。根據這種生物學現象，1943年McCulloch和Pitts將上述情形抽象成一種簡單的類似模型，也就是一直沿用至今的“M-P神經元模型”。在這個模型中，神經元接收到來自個其它n個神經元的傳遞過來的輸入信號，這些輸入信號通過帶權的連接進行傳遞，神經元接受到的總收入值將與神經元的閾值進行比較，然後通過 “啟動函數”處理以產生神經元的輸出。
深度神經網路由許多的神經元構成，它的特點是使用了多層網路，能夠學習抽象概念，同時融入自我學習，而且收斂相對快速。
簡單的來說，如果我們有很多笑臉，希望讓機器能識別這是姚明的笑臉，還是馬雲得笑臉，或者是王寶強的笑臉，首先我們會把笑臉的圖元輸入到一個神經網路裡面去，可是由於這個深度學習的網路很深，要一次性學會這麼多也會比較困難，就需要用到一個比較快速收斂的技巧——自我學習。通過自我學習，機器會逐步從大量的樣本中逐層抽象出相關的概念，做出理解，最後做出判斷和決策。
今天節目的最後呢，將為大家介紹一些關於人工智慧的有趣應用~
Ostagram和inDream
Ostagram是一個來自俄羅斯的基於深度神經網路的自我繪圖的軟體，這個程式的神奇之處在於可以學習作品的畫風，但是Ostagram作為一個國外的網站，國內用戶用起來不是特別方便，同時Ostagram免費製作的圖片沒法輸出高清大圖，買濾鏡要額外付費，快速出圖也要額外付費，最近國內也推出了一個類似功能的應用inDream，雖然效果沒有Ostagram好，但是使用相關功能是免費的，並且對國內用戶很友好。
Let there be color！
它是一個給黑白照片/視頻自動上色的軟體。
Let there be color通過深度神經網路可以自動給黑白照片上色，這個軟體首次展示實在2016年SIGGRAPH上，SIGGRAPH成立於1967 年，一直致力於推廣和發展電腦繪圖和動畫製作的軟硬體技術。這個軟體很好的一點就是開發者開放了源碼，放在了全球最大程式師交友網站github上。
有興趣的同學可以點文章中的連結下一個玩玩，不過你需要一個會幫你安裝的懂得linux的好友。
自動駕駛
汽車是人類智慧在交通領域的結晶。汽車的誕生，徹底改變了人類的交通出行方式，並加快了整個社會的工業化進程。從過去到現在，汽車為我們的生活、工作提供了極大的便利，已然成為人類生活不可分割的一部分。
現如今無人駕駛汽車作為人工智慧重要的應用載體，備受科技公司青昧，以特斯拉、百度、谷歌為代表的互聯網高科技企業都已人工智慧的視角切入到該領域。其中，以特斯拉為例，在過去的十年間，特斯拉依託人工智慧技術推出了ROADSTER高端電動跑車，Model S和Model X電動轎跑車，還有一款電動SUV汽車，並且在2017年，特斯拉將會再次推出一款備受世界矚目的量產電動汽車。目前，這些汽車都已經上路並且取得了人們的認可，相信在不久的將來自動駕駛也會成為人們出行的選擇。
語音辨識
蘋果手機推出了語音助手Siri，微軟、穀歌和亞馬遜也相繼推出類似的語音助手。值得一提的是，約兩年前亞馬遜第一個把其語音助手“亞曆克薩”嵌入到“回聲”智慧音箱中，作為智慧家居的中樞控制音箱，讓人們多了一個“家庭事務助理”。有了“回聲”，人們“動動嘴皮子”就可以查信用卡帳單、關燈、鎖門，甚至叫車。
在中文語音辨識方面，科大訊飛是佼佼者。在此次美國展會上，長虹就展出了基於科大訊飛技術的語音控制電視和空調，並介紹說，2012年長虹就推出了語音控制電視，目前已經升級到第三代，除了普通話，還能聽懂四川話、粵語等方言。
好啦~今天為大家介紹的人工智慧的相關的知識就到這裡啦~感謝大家的收聽，我們下期再見哦~
參考文獻
《人工智慧的四大哲學問題》 鄭祥福
《機器學習》 周志華著
《人工智慧哲學》瑪格麗特.博登
《電腦與智慧》A.M圖靈
編輯：shining
近期熱門文章Top10
↓ 點擊標題即可查看 ↓
決策樹只是作為機器學習中的一個常用演算法，其實，機器學習中還有很多其他演算法，比如：支援向量機，貝葉斯分類，隱式瑪律可夫，神經網路等等，其中最近出鏡頻率比較高的AlphaGo就是運用了機器學習中的的深度神經網路演算法。
深
度學習
下面，就有人會問了，你一會深度學習神經網路，一會深度學習，他們有什麼聯繫嗎？
首先呢，深度學習是機器學習的一個分支，主要演算法是深度神經網路演算法。深度學習框架，尤其是基於人工神經網路的框架可以追溯到1980年福島邦彥提出的新認知機，而人工神經網路的歷史更為久遠。1989年，揚·勒丘恩（Yann LeCun）等人開始將1974年提出的標準反向傳播演算法應用於深度神經網路，這一網路被用於手寫郵遞區號識別。儘管演算法可以成功執行，但是它的計算代價非常巨大，神經網路的訓練時間達到了3天，因而在實際應用中由於效率問題應用較少。深度學習的之所以最近才走進大家的視線，就是因為其消耗大量資源。據統計呢，alphago一共使用了1202個CPU、176個GPU，而且這些晶片並不是普通的家用晶片，都是商用級的高性能晶片。
所以說，深度神經網路演算法其實是深度學習中的非常重要的方法，深度神經網路演算法其實是對人腦的一種抽象模擬，下面給大家詳細的介紹深度神經網路演算法中的基礎神經元。
這裡的神經元跟我們生物課上學到的大腦中的神經元是類似的，生物學中的理論神經生理學建立在某些基本假設上。神經系統是一個神經元網路，每個神經元都有一個細胞體和一個軸突。神經元的附屬部分，也就是突觸，總是位於一個神經元的軸突和另一個神經元的細胞體之間。神經元任何時候都有某個閾值，刺激必須超過這個值才能激發起一個衝動。這個衝動會從刺激點 傳播到神經元的所有部分。根據這種生物學現象，1943年McCulloch和Pitts將上述情形抽象成一種簡單的類似模型，也就是一直沿用至今的“M-P神經元模型”。在這個模型中，神經元接收到來自個其它n個神經元的傳遞過來的輸入信號，這些輸入信號通過帶權的連接進行傳遞，神經元接受到的總收入值將與神經元的閾值進行比較，然後通過 “啟動函數”處理以產生神經元的輸出。
深度神經網路由許多的神經元構成，它的特點是使用了多層網路，能夠學習抽象概念，同時融入自我學習，而且收斂相對快速。
簡單的來說，如果我們有很多笑臉，希望讓機器能識別這是姚明的笑臉，還是馬雲得笑臉，或者是王寶強的笑臉，首先我們會把笑臉的圖元輸入到一個神經網路裡面去，可是由於這個深度學習的網路很深，要一次性學會這麼多也會比較困難，就需要用到一個比較快速收斂的技巧——自我學習。通過自我學習，機器會逐步從大量的樣本中逐層抽象出相關的概念，做出理解，最後做出判斷和決策。
今天節目的最後呢，將為大家介紹一些關於人工智慧的有趣應用~
Ostagram和inDream
Ostagram是一個來自俄羅斯的基於深度神經網路的自我繪圖的軟體，這個程式的神奇之處在於可以學習作品的畫風，但是Ostagram作為一個國外的網站，國內用戶用起來不是特別方便，同時Ostagram免費製作的圖片沒法輸出高清大圖，買濾鏡要額外付費，快速出圖也要額外付費，最近國內也推出了一個類似功能的應用inDream，雖然效果沒有Ostagram好，但是使用相關功能是免費的，並且對國內用戶很友好。
Let there be color！
它是一個給黑白照片/視頻自動上色的軟體。
Let there be color通過深度神經網路可以自動給黑白照片上色，這個軟體首次展示實在2016年SIGGRAPH上，SIGGRAPH成立於1967 年，一直致力於推廣和發展電腦繪圖和動畫製作的軟硬體技術。這個軟體很好的一點就是開發者開放了源碼，放在了全球最大程式師交友網站github上。
有興趣的同學可以點文章中的連結下一個玩玩，不過你需要一個會幫你安裝的懂得linux的好友。
自動駕駛
汽車是人類智慧在交通領域的結晶。汽車的誕生，徹底改變了人類的交通出行方式，並加快了整個社會的工業化進程。從過去到現在，汽車為我們的生活、工作提供了極大的便利，已然成為人類生活不可分割的一部分。
現如今無人駕駛汽車作為人工智慧重要的應用載體，備受科技公司青昧，以特斯拉、百度、谷歌為代表的互聯網高科技企業都已人工智慧的視角切入到該領域。其中，以特斯拉為例，在過去的十年間，特斯拉依託人工智慧技術推出了ROADSTER高端電動跑車，Model S和Model X電動轎跑車，還有一款電動SUV汽車，並且在2017年，特斯拉將會再次推出一款備受世界矚目的量產電動汽車。目前，這些汽車都已經上路並且取得了人們的認可，相信在不久的將來自動駕駛也會成為人們出行的選擇。
語音辨識
蘋果手機推出了語音助手Siri，微軟、穀歌和亞馬遜也相繼推出類似的語音助手。值得一提的是，約兩年前亞馬遜第一個把其語音助手“亞曆克薩”嵌入到“回聲”智慧音箱中，作為智慧家居的中樞控制音箱，讓人們多了一個“家庭事務助理”。有了“回聲”，人們“動動嘴皮子”就可以查信用卡帳單、關燈、鎖門，甚至叫車。
在中文語音辨識方面，科大訊飛是佼佼者。在此次美國展會上，長虹就展出了基於科大訊飛技術的語音控制電視和空調，並介紹說，2012年長虹就推出了語音控制電視，目前已經升級到第三代，除了普通話，還能聽懂四川話、粵語等方言。
好啦~今天為大家介紹的人工智慧的相關的知識就到這裡啦~感謝大家的收聽，我們下期再見哦~
參考文獻
《人工智慧的四大哲學問題》 鄭祥福
《機器學習》 周志華著
《人工智慧哲學》瑪格麗特.博登
《電腦與智慧》A.M圖靈
編輯：shining
近期熱門文章Top10
↓ 點擊標題即可查看 ↓