人工智慧技術應用在現實生活中的方方面面

「人工智慧」（artificial intelligence）概念最早由JohnMcCarthy 等在1956 年的達特矛斯會議上提出：人工智慧就是通過計算機編程使機器實現類人智能行為。在60年的發展中，人工智慧取得了巨大進步，現如今，人工智慧技術應用在現實生活中的方方面面。

在過去20多年中，互聯網搜索、視頻監控、交通調度、語音識別、人臉識別、人機交互、機器翻譯等技術應用的背後都有人工智慧做支撐。雖然大數據的出現和計算能力的提高不斷推動著人工智慧向前發展，但面對時下盛行的「人工智慧熱」，保持頭腦的冷靜非常必要，因為人工智慧雖然發展迅速，但還有巨大的進步空間，還有很多挑戰性問題有待解決。

模式識別：「慧眼」看世界

隨著20世紀40年代計算機出現，50年代人工智慧興起，（計算機）模式識別在20世紀60年代初迅速發展並成為一門新學科。模式識別是指對錶征物體或現象的各種形式數據（主要是感知數據，如圖像、視頻、語音等）進行處理和分析，以對物體或現象進行描述、分類和解釋的過程，是信息科學和人工智慧的重要組成部分。「隨著計算機硬體的發展，模式識別的關注度不斷提高，模式識別技術發展也日臻完善，在許多領域中已有成功應用。」多年來一直從事模式識別研究的稱，金融、安全、醫學、航空、互聯網、工業產品檢測等領域中都滲透著模式識別技術。

模式識別有2個層面的含義：一是生物體（主要是人腦）感知環境的模式識別能力與機理，屬於心理學和認知科學範疇；二是面向智能模擬和應用，研究計算機實現模式識別的理論和方法，屬於信息科學和計算機科學領域的範疇。模式識別基礎理論（模式表示與分類、機器學習等）、視覺信息處理（圖像處理和計算機視覺）、語音語言信息處理（語音識別、自然語言處理、機器翻譯等）是模式識別領域的三大主要研究方向。劉成林解釋，模式識別是人工智慧的一個分支領域。人工智慧是通過計算使機器模擬人的智能行為，主要包括感知、思維（推理、決策）、動作、學習，而模式識別主要研究的就是感知行為。在人的5大感知行為（視覺、聽覺、嗅覺、味覺、觸覺）中，視覺、聽覺和觸覺是人工智慧領域研究較多的方向。模式識別領域主要研究的是視覺和聽覺，而觸覺主要是跟機器人結合。文字識別、互聯網有害信息檢測、語音識別、生物特徵識別（虹膜識別、指紋識別、掌紋識別、人臉識別等）都是目前發展較為成熟的模式識別技術。

模式識別和人工智慧在20世紀60年代分離為不同的領域，21世紀以來出現重新融合的跡象。近年來，深度學習和大數據的出現推動了模式識別的快速發展，這一領域還有巨大進步空間，一方面基礎理論研究進展不大，另一方面有很多挑戰性應用問題有待解決。談及模式識別的未來，他表示，目前以深度學習為代表的主流方法有3個明顯的不足：一是需要大量的標記樣本進行監督學習，這勢必增加模式識別系統開發中的人工成本；二是模式識別系統的自適應能力差，不像人的知識和識別能力是隨著環境不斷進化的；三是模式識別一般只進行分類，沒有對模式對象的結構解釋。

人工智慧新進展：深度學習

機器學習是人工智慧的一個重要方面，簡單來講，它是使機器通過從數據學習獲得模型和知識（也就是獲得智能）的過程。深度學習（deep learning）是機器學習的一個新的分支和一類重要方法，其主要思想是對多層人工神經網路進行學習獲得自動特徵提取和模式識別能力。在劉成林看來，深度學習快速發展和廣泛應用主要得益於3方面的基礎：一是深度學習理論和演算法的提出，二是計算能力（主要是GPU並行計算）快速提高，三是大數據的出現。

2006 年，神經網路領域泰斗級人物GeoffreyHinton 在《Science》上發文首次提出深度學習的概念，掀起了一股新的研究浪潮。簡單說來，深度學習就是深度神經網路的學習。在近幾年的發展過程中，深度學習在圖像識別和語音識別領域取得了巨大的成功。通過類腦神經系統結構的神經網路，深度學習可以解決許多實際問題。深度學習發展的10年時間中，隨著Google、Facebook、Amazon、微軟、百度等的加入更是加速了深度學習的發展，目前深度學習已經廣泛應用到網路搜索、圖像識別、語音識別、文字識別、無人駕駛等領域並且帶給人類前所未有的體驗。深度學習在許多領域帶來機器智能水平的突破性提高，讓人覺得機器智能通過圖靈測試不是那麼可望而不可及了。

2016年3月與圍棋九段李世乭進行對戰的谷歌圍棋軟體AlphaGo就是應用了深度學習的技術；在計算機視覺領域裡面，最前沿的是對視頻內容的理解（人物、目標、行為的分析和理解），這裡面也用到了深度學習的方法；語音和語言信息處理領域目前性能最好的方法也是利用了深度學習。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！