人工智能和機器學習概念目前在各種場合被頻頻提到 移動互聯網時代后的未來被預測為人工智能時代 那么人工智能的前世今生是怎樣的 到底會給我們的未來帶來什么呢？為了弄清這個問題 我們可以簡單回顧一下人工智能的發展歷史。

其實 人工智能可以追溯到很久以前的年代。在圖靈的時代 科學家就試圖通過模擬人的意識和思維來處理人類才能完成的復雜任務 并提出圖靈測試檢測機器是否具有真正的“智慧”。隨著計算機被發明 信息存儲和處理問題被解決 人工智能有了落地的可能。1956年在達特茅斯會議上 人工智能的概念被明斯基明確提出 使用的正是由神經學家提出的神經網絡數據模型 并在此次完善了匹配的編程語言 將實現推向更具有現實意義的發展方向。

神經網絡本質是神經元之間的作用與反饋 是人類思維的基礎 模擬大腦是長時間以來人工智能的主要思路。兩年后 計算機科學家羅森布拉特提出感知機的概念 即兩層神經元組成的最簡單的神經網絡 并用來進行數據二分類。科學界迎來了人工智能的第一縷曙光 更多人開始關注并投身于此。然而人工智能并沒有變得大熱 明斯基在1969年在其著作中證明感知器只能處理線性分類問題 連簡單的異或問題都無法正確分類。這個問題因而成為那一代人工智能領域學者繞不開的噩夢。人工智能學科隨后一度作為最冷門的學科陷入了長達20年的停滯。

直到1969年 杰弗里·辛頓提出反向傳播算法 打破了人工智能萬古長夜的局面。該方法有效解決了非線性分類問題的局限性 并廣泛用于多層神經網絡結構中 由此帶來了深度學習的熱潮。為了得到高精度的結果 網絡結構不斷加深 隨著層數加深 深層結構會逐漸喪失對于前層的有效學習 反向傳播算法中的梯度消失問題變得不可忽視。不少人開始轉向淺層的機器學習方法來解決實際問題。直到2006年 杰弗里·辛頓提出了梯度消失的解決方案 才重啟了深度學習的熱潮。同時這股熱潮開始從學術界席卷工業界 越來越多的公司和機構開始將其應用到語音識別和圖像分類等領域。正是在這些領域 深度學習方法開始展現出顯著優于傳統淺層機器學習方法的優勢。2012年之后 各種神經網絡結構和調優方法的提出使深度學習性能得到了大幅提升 但即使算法和算力不斷加強 深度學習動輒幾十個小時的訓練和海量的訓練數據要求還是把很多人拒之門外。

為了解決向訓練數據少的領域遷移問題 遷移學習應運而生 它解決了將原領域學習到的東西遷移到目標領域的問題 并有效利用已經習得的模型參數 大大縮短了模型訓練時間 被認為是人工智能算法的未來。

人工智能學科經過長期沉淀和發展 相關的算法已經具備了解決各種復雜問題的能力 以最低的成本使用深度學習神經網絡解決各個細分領域的問題成了人工智能爆發期的關鍵。人工智能給人類帶來的深刻變革是接下來時間里大概率發生的事。正如互聯網+的模式改變了我們衣食住行的各個方面 未來AI+的模式一定也會以同樣的方式席卷各個行業的細分領域 車聯網、家電領域、醫療、農業、制造業等行業都需要更加精準的模式幫助人類處理復雜任務。

華為機器學習服務基于這樣的理念推出自定義模型服務 它采用遷移學習的方法幫助開發者輕松定義自己的模型 只需要準備少量領域數據 就可以獲取領域模型 大大降低了深度學習的門檻。相信未來 人工智能不再僅僅作為少數人的工具 而是可以應用于各行各業 給人類社會的方方面面帶來更加智能、更加個性化的體驗。責任編輯：YYX