星河研究院：揭秘AI+成功的五要素

本篇文章3734字，读完约9分钟

李尧博士曾经详细介绍过什么是人工智能，什么是深度学习。目前的趋势是慢慢地从“互联网+或“移动+”转变为“人工智能+”，即“人工智能+”。许多公司，如滴滴，是“互联网加出租车”，他们所做的是如何利用互联网改变传统行业；但现在，他们正转向“如何利用积累的数据提供更多价值”。一些公司从一开始就是“人工智能+”。例如，今天的头条是“人工智能+新闻”，大江是“人工智能+无人机和机器人”。可以看出，“人工智能+”正在慢慢渗透和改变所有行业。

那么为什么人工智能在20年前和10年前不那么受欢迎呢？为什么阿尔法戈在2016年击败了李世石而不是更早？为什么人工智能会在2016年爆发？我们会直觉地认为这是算法创新的结果。然而，国内外许多专家已经分析和总结了人工智能成功的五个必要条件。完成后，我们将在这里与您分享:

首先，界限是明确的。这个问题需要明确界定。例如，alphago就是围棋，它的活动范围是在19×19的棋盘上。黑白轮流玩，界限和规则很清楚。如果它变成了一个开放的问题，或者变成了一个20×20的棋盘，或者变成了黑、白、灰三色来下棋，那就不可能完成。

第二是要有外部反馈。该算法需要不断地有外部输入，并且需要知道在什么条件和行为下来自外部的反馈是什么，从而促进改进。例如，阿尔法戈，你必须继续和它玩游戏，告诉它是赢还是输，这样它才能不断进步。

第三是重视计算资源。计算资源，即计算过程中所需的各种资源。近年来，虽然算法取得了很大的进步，但计算资源也是生成智能的关键。最近，与几十年前相比，分布式计算在行业中的成功给了我们一个飞跃。举个有趣的例子，当描述不同版本的alphago时，谷歌直接使用计算能力来分类，而不是使用算法来分类。alphago的简短版本称为“AlphaGo独立培训”；更复杂、更智能的alphago被称为“多机并行训练alphago”。由此也可以看出，计算资源起着至关重要的作用。

第四，必须有顶尖的数据科学家和人工智能科学家。最近又提出了增强学习和深度学习，在这些算法真正实现之前，许多科学家需要做大量的工作。除了围棋、视觉和发音，还有许多领域有待探索。

第五是大数据的改进。阿尔法戈成功的关键在于kgs国际象棋俱乐部的受欢迎程度。kgs是一个免费的围棋平台，有成千上万本大师们用kgs下的棋书。没有这些数据的支持，阿尔法戈永远无法在如此短的时间内击败人类。

我们将人工智能成功的这些要素归纳为三点，即关注技术、业务和人。一方面，必须有技术、计算资源和大数据的支持；另一方面，业务和界限应该清晰，业务应该有反馈；还有人，一定有科学家，一些场景的应用也需要和人打交道。我们将继续与您讨论人工智能向各个行业的转变。今天，我们和星河研究所的研究经理李尧博士，与大家分享人工智能从定量走向定性的原因以及人工智能的未来，希望能对大家有所帮助。

星河融汇(身份证号:融汇888)将继续通过专业分析与您分享“有趣”的工业互联网干货。欢迎您在下面留言与我们分享有趣的想法，推荐或推荐高质量的工业互联网项目，也欢迎您来到上地18号与我们交谈。

对人工智能的研究可以追溯到1956年，直到2015年，人工智能基本上还是一项只存在于实验室的技术。2016年是人工智能诞生60周年。在积累了足够的数量变化后，人工智能技术迎来了质的变化。

第一

哪些数量变化导致了人工智能的质量变化？

1.1不断改进算法——CNN和rnn

事实上，深度学习并不是一项新技术——第一个有效的多层神经网络规范是在1965年发布的——但是深度学习算法在过去十年的改进已经大大提高了结果的准确性。

卷积神经网络

随着卷积神经网络的发展，机器识别图像中特定对象的能力得到了极大的提高。在受动物视觉皮层启发的设计中，神经网络的每一层都充当了这个物体特定模式的过滤器。2015年，微软基于cnn的计算机视觉系统在识别图片中的物体方面比人类更有效(准确率为95.1%，人类准确率为94.9%)。Cnn广泛应用于视频和语音识别。

同时，递归神经网络的出现促进了语言和笔迹识别的发展。rnn的反馈系统可以使数据循环，这不同于传统的只有“前馈”的神经网络。强大的新rnn是一个叫做长期和短期记忆(lstm)的模型。有了新增加的连接和存储单元，rnn可以“记住”他们几千步前看到的数据，然后用这些数据来判断内容。这对语音识别很有价值——下一个单词的判断可以由前一个单词决定。自2012年以来，谷歌开始在安卓系统中使用lstm进行语音识别。2016年底，微软工程师发布了一份数据，称他们的系统错误率达到了5.9%，这是历史上第一次达到与人类相当的水平。

1.2专用硬件——图形处理器

图形处理单元(gpu)是一种特殊的电子电路，可以大大缩短深度学习神经网络训练所需的时间。

Gpu最初开发于20世纪90年代末，旨在加速3d游戏和3d开发应用。在3d环境中平移或缩放相机反复使用一种称为矩阵计算的数学过程，而具有串行结构的微处理器，包括现代计算机中使用的cpu，不适合矩阵计算。Gpu采用大规模并行架构，能够有效执行矩阵计算。

矩阵计算通常用于神经网络训练，因此最初仅用于3d游戏的gpu被发现非常适合深度学习。其效果令人印象深刻:一个简单的图形处理器可以将神经网络的训练时间增加5倍，如果是一个更复杂的问题，它可以将效率提高10倍。如果与广泛使用的深度学习框架的软件开发工具包一起使用，它可以实现更高的训练速度。

1.3大数据-每天23亿gb

深度学习神经网络通常需要大量数据集进行训练(数百万个例子)。幸运的是，当前数据的创建和可用性呈指数级增长。今天，我们已经进入了数据爆炸的“第三波”。人类每天产生23亿gb的数据，全球90%的数据都是在过去的24个月中产生的。

数据爆炸的“第一波”始于20世纪80年代文档和交易数据的爆炸，其起因是台式计算机能够连接到互联网。“第二波”的出现是由于非结构化媒体(电子邮件、照片、音乐和视频)、网络数据和元数据的爆炸性增长。今天，我们已经进入了“第三次浪潮”。部署在工业和家庭中的传感器正在进行更多的监控、分析和元数据。

今天产生的大量数据是通过互联网传输和使用的，因此互联网流量已经成为衡量人类数据生产的一个指标。让我们做一个比较，我们可以看到我们现在的数据规模。1992年，人类每天传输100gb的数据，到2020年，我们将每秒传输61,000 gb的数据。

除了一般数据可用性的增加，专家数据资源的增加也促进了机器学习的进步。例如，Imagenet是一个免费的数据库，有1000多万个手工标记的图像。它的存在加速了图像分类深度学习算法的发展。

1.4云服务

开发人员越来越多地使用机器学习，这与越来越多基于云的机器学习基础设施和服务的出现密不可分。谷歌、亚马逊、微软和ibm都提供云基础设施(建模和迭代、可扩展的gpuaas和相关托管服务环境)，以降低开发机器学习功能的成本和难度。

此外，云服务提供商还提供一系列机器学习云服务(从图像识别到语言翻译)，开发人员可以在自己的应用程序中直接使用。谷歌机器学习提供以下服务:视觉(对象识别、明确内容检测、人脸识别和图像情感分析)、语音(语音识别和语音到文本转换)、文本分析(命名实体识别、语义分析、语言检测和翻译)和员工求职(机会表达和资格匹配)。微软的认知服务还包括21项服务，包括视觉、语言、知识和搜索。

1.5兴趣和企业家精神

在过去的五年里，公众对人工智能的兴趣增加了六倍，对人工智能公司的风险投资也进一步增加。我们已经进入了良性循环。机器学习的进步可以吸引投资、企业家精神和注意力，而后者进一步推动了机器学习的进步。

人工智能的投资数量和金额位居第二

人工智能的未来

在接下来的几年里，人工智能将在几乎所有的行业和各种过程中得到很好的利用。机器学习将成为开发人员标准工具包的一部分，它将首先用于改进现有的过程，最后用于重新发明新的过程。以每个公司的职能部门人力资源为例，机器学习可以应用于以下几个方面:

准确的目标发现，智能的工作匹配和部分自动评估-改善招聘

根据人员需求预测计划和旷工预测加强劳动管理

针对不同的员工推荐不同的内容——提高员工培训的效率和效果

根据预测有价值员工离职的可能性——降低员工离职的风险等等

除了这些人工智能的直接应用之外，其间接应用也将对行业产生深远的影响。例如，深度学习提高了计算机视觉，所以无人驾驶成为可能。无人驾驶的出现可能会影响整个物流行业，从安全到供应链规划。

扎克伯格说:“在未来的五到十年里，人工智能将比人类更擅长完成一些基本任务。”我认为他是对的。未来，人工智能将像水和电一样成为一种“通用”技术。然而，仍有一些人对人工智能的爆发感到焦虑甚至害怕。他们认为如果人工智能比人类更聪明，将会使大量的人在未来失去工作机会，即使机器有智能，它们也会毁灭整个人类。但我认为正是这种对技术的敬畏能够激励我们更多地思考和创新，以免被强大的人工智能所取代。我们错综复杂的大脑是大自然给人类的最好礼物，所以我们应该用这份礼物去学习更多，思考更多，创新更多，以迎接人工智能时代的到来。

来源：搜狐微门户