人工智能已经开始走向主流领域

毫无疑问,ai已经成为当下这个时代重要的关键词,确切的说,是人工智能已经开始走向主流领域,如果我们不了解人工智能,不仅你无法快速理解ai这个技术和产品,也无法理解计算机要做出什么样的决策才能得到预期的结果。下面我们就用ai革命在世界范围内几个重要变革作为ai本身的历史背景来简单的回顾一下。

机器学习所谓机器学习（machinelearning），是人工智能时代所谓“通用人工智能”的基础。人工智能的核心是要靠大量数站长交易据的积累，由算法驱动，根据数据结果进行判断推理。机器学习既然不需要创造出一个人来，所以最优的模型永远都是算法训练出来的，或者训练模型的算法。

choleweng在其著作《machinelearning:therecentyears,evolutionary,needs,andourfuture》(arthurhorn.2014)中提到，人工智能是“generalizedai”(基于工具的人工智能)，它的一个突出标志是变成了end-to-end的系统。研究者在讨论“有限泛化能力（finitegeneralizationcapabilities）”的时候，通常会将这一概念与人工智能的另一个重要方面“高阶模型”联系起来，即“神经网络（neuralnetwork）”。

1990年在麻省理工学院（mit）的暑期班深度学习实验室开始让网络生成高层次的抽象表征，此后学校和机构逐渐将研究重点放在如何更好的构建一个高阶的神经网络上，并且在2000年开始每年选用一名不同的科学家对其进行评估。作为一种有效的新型人工智能技术，深度学习虽然在2000年取得了很大的进展，但是普及最成功的是通过几个神经网络来训练一个简单的系统。

近十年来，深度学习从当年的小众突然涌入了众多大中型企业和科研机构。在研究者眼中，机器学习模型与深度学习模型相比，有如下五大不同：要克服训练的缺陷一个基于cnn的模型对分类和检测任务很好，但是对于上下文进行语义分析、词义改写这样的任务就很无力了。而cnn的参数数量是线性增长的，所以训练的系统应该接近高维空间，例如如何在mnist数据集上训练模型需要使用一个高维空间，或者更高维度的网络。

一个基于rnn的模型可以做出简单的理解和推理，但是在上下文语义分析、词义改写方面就力不从心了。一个基于cnn训练好的模型一般很难用机器学习算法解释。但是由于当前机器学习系统大部分应用在无监督学习领域，所以这就使得大部分的机器学习模型非常笨重且不好理解。一个基于rnn训练好的模型的精度普遍是很高的，也容易做改进，但是需要设计一些极其复杂的规则让机器学习好。一个具有高层次的表征表征是人工智能的精髓，也是神经网络不可缺少的。