现在很多
程序员培训后都希望自己从事AI行业,这不仅仅是因为AI行业的热门,同时也因为AI行业还是一个很年轻的行业,未来前景不可估量。之前科技评论网站发表过文章,介绍了深度学习的发展趋势及其局限。虽然深度学习已经是当前的一股热潮,也取得了不少成果,但业界人士指出,深度学习就像是“物理学出现之前的工程学”还是处于初级阶段比较年轻的。
这就要从最初的人工智能说起。人工智能(AI)领域的每一个进步,都有赖于30年前的一个突破。要保持AI进步的节奏,就需要突破这个领域的一些重大局限。
“深度学习之父”乔弗里o辛顿(Geoffrey Hinton)住在多伦多。有人说:“再过30年,我们回头来看,就会说辛顿是AI和深度学习领域的爱因斯坦。”
辛顿的弟子们在苹果、Facebook和OpenAI主管AI实验室,辛顿自己是谷歌大脑(Google Brain) AI团队的首席科学家。事实上,AI的最近十年来的几乎每一个成就——翻译、语音识别、图像识别和游戏玩法都和辛顿奠定的基础分不开。
深入学习的主要理念其实在30年前就已经提出。辛顿与同事戴维o罗姆哈特(David Rumelhart)、罗兰德o威廉姆斯(Ronald Williams)在1986年发表了一篇突破性的文章,详细阐述了一种称为 “反向传播”的技术。用普林斯顿大学的计算心理学家乔o科恩(Jon Cohen)的话来说,这种技术是“所有深度学习的基础”。
如今从某种角度上说,AI就是深度学习,而深度学习就是反向传播。你可能感到不可思议,一个技术怎么蛰伏了这么长时间,然后突然出现了爆发式的崛起。一个观点是:也许我们现在并不是处在一场革命的开始阶段,而是在进入它的尾声。
在1980年代,辛顿已经是神经网络专家。神经网络是一个大大简化的大脑神经元和突触网络模型。虽然最早的神经网络“感知器”(Perceptron)在1950年代就开始开发,也被誉为迈向人机智能的第一步,但是到了80年代,业界坚定地认为神经网络是AI研究的死胡同。
1986年,辛顿取得突破,显示反向传播可以训练一个深层神经网络(超过两三层的神经网络)。但是又花了26年时间,计算能力才发展到了可以好好利用这个突破的程度。辛顿和他的两个学生的2012年发表论文,显示反向传播训练的深层神经网络在图像识别中击败了最先进的系统。 “深度学习”从此成为一股热潮。在外界看来,AI似乎是在一夜之间蓬勃发展起来的。但对于辛顿来说,这却是一个迟来的爆发。
经过
程序员培训的人工智能工作者都知道,神经网络通常被描述成一个多层三明治,层层叠叠。这些层里包含着人造神经元,指的是微小的计算单位,它可以受到激发 (就像真正的神经元会被激发那样),然后将兴奋度传递给它所连接的其他神经元。神经元的兴奋度由数字来代表,比如0.13或32.39。另外,在每两个神经元之间的连接上,还有一个关键数字,决定了多少兴奋度可以从一个神经元传递到另一个。这个数字是在模拟大脑神经元之间突触的给力程度。当这个数字比较高时,就意味着两个神经元之间的连接更强,可以把更多的兴奋度传递给对方。
然而神经网络是神奇的,也是愚蠢的。奇妙的是,当你有成百上千万,甚至数以十亿计的图像,再按照这个方式操作的时候,神经网络就会变得非常擅长于识别图像中是否有热狗。更奇妙的是,图像识别网络中的各个层开始能够用和人类视觉系统相同的方式来“查看”图像。也就是说,第一层可能会检测边缘——当有边缘时,它的神经元就被激发,当没有边缘时,则不会激发;上面一层可能会检测到一组边缘,比如检测出一个角;然后再上面的层就可能开始看到形状;再上面的层可能会开始识别出“开了口的面包”或“没开口的面包”这样的东西。换句话说,程序员不需要主动地这么编程,这个神经网络就会自己形成一个等级化的层次。但尽管这些“深度学习”系统有时候看起来很聪明,但它们仍然很愚蠢。如果有一张图片显示一堆甜甜圈放在桌子上,而程序可以自动地将其标示为“堆在桌子上的一堆甜甜圈”的时候,你可能觉得这个程序很聪明。但是当同一个程序看到一个女孩刷牙的照片,会将其标识为“男孩拿着棒球棒”,这时你就会发现,它对世界缺乏理解。
神经网络只是无意识的模糊模式识别器,你可以将它们集成到几乎所有类型的软件中。但是 它们蕴含的智能很有限,而且容易被欺骗。如果你更改单个像素,一个识别图像的深层神经网络可能就会完全傻掉。我们在发现深度学习的更多运用方法的同时,也在频繁发现它的局限性。自动驾驶的汽车可能无法应对以前从未见过的路况。机器也无法解析需要运用常识才能理解的句子。
所以说,有关专家把AI比作“物理学出现之前的工程学”,但也正是因为如此,AI意味着机遇和挑战,让很多年轻人前仆后继参加
程序员培训从事该行业,毕竟伴随着AI技术的向前发展,每一个从业者都会得到丰厚的回报。尚学堂正在开设AI人工智能精英班,如果你对AI感兴趣,欢迎了解与咨询,相信AI行业定会让你感到前景无限。