引發機器學習大爆炸的導火索

早在20世紀50年代，機器學習系統就誕生了，但問題是：為什麼我們現在才突然看到AI在眾多領域的突破性發展？以下三個因素可說明癥結所在：數據大量增加；演算法進步顯著；計算機硬體性能得到巨大提升。在過去20年中，應用軟體中的數據可用性增長1000倍，關鍵演算法改進10到100倍，硬體速度至少提高100倍。麻省理工學院的托馬索·波吉奧（Tomaso Poggio）稱，正是因為以上所有進步，應用軟體才有了質的提升，比如自動駕駛汽車的行人檢測視覺系統。

現在我們來逐一了解這三大因素。數據。音樂CD、電影DVD和網頁這幾十年來豐富了全球數字編碼信息，而過去幾年裡信息出現爆炸式增長。現在，我們接收的信號來自智能手機和工業設備的感測器、數字照片和視頻、源源不斷的社交媒體信息流和其他很多應用軟體，數據的豐富程度前所未有。現在，世界上90%的數字數據都是過去兩年中湧現的。如今，物聯網的發展勢如破竹，數十億新裝置及其數據流將實現連接，所以，在接下來的10年中，我們勢必將處理更多數字數據。

演算法。數據爆炸既讓現有演算法變得更有效，還促進支撐並加快了更高級演算法的開發，因此意義非凡。目前主宰這一領域的演算法和做法（比如深度監督學習和增強學習）都有一個重要的共同點：其結果隨訓練數據的增加而提升。演算法的表現到了一定高度後通常會趨於穩定，之後再輸入更多數據，也基本上沒有任何提升。但我們現在普遍使用的演算法，很多都不會出現這種情況。此外，新演算法可以在不同應用軟體中傳遞知識，所以需要學習的實例會越來越少。

計算機硬體。摩爾定律在2015年迎來了50周年，而且發展依然強勁。該定律指出，集成電路能力每隔18到24個月都會增加一倍。最近有人評論說，摩爾定律快要觸及物理學的極限，所以在接下來的幾年中發展會放緩；事實上標準微處理器的進化已經停滯。但一種與微處理器類似的計算機晶元，安裝在神經網路的計算系統中時，恰恰能夠高效運行，這種晶元即圖形處理器（GPU）。實際上，神經網路從傳統中央處理器轉移到GPU，很可能會提速10倍。最初開發GPU的目的是，加快電腦遊戲等應用軟體的圖形顯示過程，從而實現規模生產、降低硬體成本。但現在GPU越來越多地用在神經網路中，而隨著神經網路應用軟體的進一步普及，一些公司甚至為這些應用開發專業晶元，比如谷歌的感測器處理器，或塑性聚氨酯彈性體（TPU）。谷歌DeepMind聯合創始人尚恩·萊格（Shane Legg）稱，現在一個TPU一天處理的數據需要1990年的80486微處理器花25萬年才能處理完，這相當於速度又提升了10倍。

以上進步會產生協同效應。比如硬體升級有助於工程師測試、開發更好的演算法，當然機器也得以在長時間內持續處理更大的數據組。現在，有些應用軟體的工作（如將語音轉化為有意義的文字）交給20世紀90年代的老式硬體做的話，幾乎要用好幾個世紀才能完成。這些進展激勵更多聰慧的研究人員加入AI行業，更多投資者和高管為深度研究提供資金。

全球網路和雲端技術進一步加強了協同效應。移動互聯網現在幾乎覆蓋了地球上任一地點，將數十億潛在客戶和重要AI技術連接起來。你可以想想目前正在使用的智能手機上的智能助手、大公司在全球範圍內分享的數字知識庫，以及維基百科和Kaggle等眾包系統（其主要用戶和貢獻者都來自組織之外）。

更重要的是，AI和機器學習搭載雲技術後會進一步提升和擴散。比如，某一固定地點的機器人很難完成物體識別或其他任務。但一旦它學會執行這項任務後，就可以將知識上傳到雲端，分享給其他使用同一知識表達系統的機器人（Rethink Robotics公司正在開發這樣的平台）。這樣單獨作業的機器人就有了數百、數千，甚至數百萬眼睛和耳朵，並得以高效收集數據。機器人將所有信息整合到一個系統內，學習速度會顯著提高，洞見也幾乎能即時得到分享。（劉筱薇 | 譯 牛文靜 | 校 李全偉 | 編輯）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！