樱野3加1演员表【网易智能讯 1月4日消息】上天赐予人类惊人的学习能力。我们从出生开始就学习复杂的任务，如语言和图像识别，之后在一生中以这种第一学习体验为基础不断进行修正。之后，似乎自然而言的是，我们利用这种学习概念来积累知识，并能够建立模型和预测结果，甚至将这种概念应用于与计算机相关的程序和任务中。而这些涉及于上述计算过程中的技术，就是所谓的“人工智能”。

　　20世纪90年代末，人工智能世界一个决定性时刻到来。在1996年，国际象棋大师加里·卡斯帕罗夫对战IBM公司的“深蓝”计算机，以4-2获胜。一年后，卡斯帕罗夫与深蓝再次交手。这一次，深蓝笑到最后。本次胜利令外界对人工智能的看法发生彻底转变。象棋大师必须不断进行非常复杂的计算，考虑多种不同的走法以及相应的策略。他们也可以自己进行学习，并创出新奇的走法。如果能够模仿这个过程，甚至将其应用到象棋这样的特别任务里，那将展露人工智能技术真正的潜力。

　　得益于上述成功，人工智能不断发展，我们因而进入了成熟和尖端阶段。谷歌旗下的DeepMind公司使用深度学习算法。这些算法正是基于那种让人类得以学习神经通路或者网络的想法。人工智能再一次被应用到游戏中，以为自己正名。DeepMind采纳了“人机对战”的主意，这次挑战的是非常复杂的围棋游戏。DeepMind公司对该游戏的描述是“棋子位置数比宇宙中的原子数多”。因此，对人工智能技术来说这是完美的挑战。DeepMind使用深度学习算法来训练自己如何应对专业级棋手的走法。该公司开发的智能围棋系统就是著名的AlphaGo，其对战其他围棋程序的胜率达到99.8%，并且在最近对战围棋专业选手李世石的比赛中取得5局4胜的好成绩。

　　看起来这只是一个游戏，但事实上，它证明了这项技术，表明人工智能可以像人类一样学习如何建立模型和预测结果。与李世石的比赛证明了计算机具有这种能力，现在人工智能技术正进入一个成熟的阶段，至此该项技术将被应用于解决更为现实的问题。在AlphaGo获得成功后，谷歌了解到这些技术的益处，并立即将AlphaGo技术整合到该公司基于“谷歌机器学习平台”（Google Machine Learning Platfom）的云端。

　　我们可以这样去理解：深度学习是机器学习的分支；机器学习是人工智能的分支。

　　人工智能：这个一般术语用来描述一种由人类打造的技术，这项技术在解决问题时能够达到类似人类的智商程度。它可能会（也可能不会）使用生物结构作为其智能操作的潜在基础。人工智能系统通常会经过训练，并从中进行学习。

　　机器学习：在上述我们用作举例的人机对战里，机器学习利用棋手棋谱进行训练。通过学习棋手的走法和策略，该系统可以将非常庞大的数据集作为训练输入，之后它们将这些数据集用来预测结果。基于机器学习的系统可以使用经典和非经典的算法。机器学习其中一个最为宝贵的方面是适应能力。适应性学习能提高预测的准确度。反过来，这也能促进处理所有可能性和组合并根据输入的数据来提供最优结果。在游戏对战的情况里，这种学习帮助机器赢得更多比赛。

　　深度学习：这是机器学习的分支，是机器学习的一种实现方式。系统的类型学是非常重要的；在学习时，关键不是在于“大”，而在于表面区域或者深度。更复杂的问题可以由更多神经元和层块来解决。这个系统用于对系统进行训练，将已知的问题和答案应用于解决任何给定的问题，这就创造了一个反馈回路。训练结果是一个加权结果，这种加权会传递给下一个神经元来决定该神经元的输出——通过这种方式，它根据各种可能性建立起一个更为准确的结果。

　　我们已经看到人工智能应用于游戏中，那么在现实世界的商业应用呢？人工智能现在已经应用于多种处理流程和系统中。

　　例如在法国IT巨头Sopra Steria集团，我们在银行和能源等行业的解决方案中使用人工智能。我们整合了自然语言处理（Natural Language Processing）和来自IBM沃森或微软Microsoft Cortana等合作伙伴解决方案的语音识别功能。自然语言处理、语音识别（以及在不久的将来，包括图像识别）目前已经广泛应用和整合于多种应用程序。例如，对于银行业，文本和语音识别用于咨询台和客户服务部门的资格认证助理。 Siri和Google Now等语音及个人协助技术已经将人工智能引领出实验室，进入到主流。这些助理使用人工智能和预测性分析来回答我们的问题并规划我们的日程安排。Siri现在有了一个更加聪明的继任者，名为VIV。它基于自主学习算法，其拓扑学比Siri的线性路径更加深入。VIV创造了一个能够访问多种任务的人工智能平台，从而为开发者创造更多重大的机遇。谷歌最近也宣布对其备受赞誉的助理Google Now进行类似改进。

　　机器学习也被用于多个后端流程，例如获得银行贷款和抵押贷款等所需的评分。在银行业里，可使用机器学习来提供产品的个性化，从而为银行带来竞争优势。

　　深度学习已经应用到更复杂的任务当中，在这些任务里规则更为不明确也更加复杂。大数据时代将提供一些更有利于推动使用深度学习的工具。我们可以看到深度学习应用于任何与模式识别相关的东西中，例如面部识别系统、语音助手和用于防止诈骗的行为分析。

　　由于有这些更为复杂和更尖端的算法的帮助，人工智能正进入一个新时代。这是下一个颠覆性的技术——Gartner很多关于2016年及以后的技术的预测都是基于人工智能和机器学习。人工智能抓住了那些不能解决的问题的关键——这些问题我们此前认为只有人类才能解决。最终，甚至有一天像写这篇文章这样的工作，都可以由机器来完成。（楚慎）