读人工智能全球格局：未来趋势与中国位势02深度学习

1. 深度学习

1.1. 深度学习是当前人工智能热潮的技术基础

• 1.1.1. 深度学习是机器学习的一个研究分支，借鉴的是概率统计（建模、学习）的方法
  
• 1.1.2. 机器学习是通过计算模型和算法从数据中学习规律的一门学问，在各种需要从复杂数据中挖掘规律的领域有很多应用，已成为当今广义的人工智能领域最核心的技术之一
  
• 1.1.3. 随着算法的进步、算力的发展（GPU、FPGA、ASIC）和数据的指数级增长，多种深度神经网络在大量机器学习问题上取得了令人瞩目的成果，深度学习掀起了机器学习理论、方法和应用研究的一个新高潮
  
• 1.1.4. 深度学习的发展最早可追溯至1943年心理学家沃伦·麦卡洛克(Warren McCulloch)和数学家沃尔特·皮茨(Walter Pitts)提出的神经元数学模型
  
• 1.1.5. 1958年，弗兰克·罗森布拉特(Frank Rosenblatt)提出感知机模型
  
• 1.1.6. 1974年，保罗·韦伯斯采用反向传播算法来训练一般的人工神经网络
  
• 1.1.7. 1982年，约翰·霍普菲尔德提出Hopfield网络，这是最早的递归神经网络(RNN)
  
• 1.1.8. 1990年，杨立昆提出了深度学习常用模型之一—卷积神经网络(CNN)
  
• 1.1.9. 2006年，杰弗里·辛顿正式提出了深度学习的概念
  

1.2. 深度学习与相关机器学习技术的进步，使得计算机不再需要明确的编程，而是通过“吸收和分析”海量的数据来完成自我训练，并可对未知的数据做出预测

• 1.2.1. 自2006年诞生以来，深度学习持续受到学术界、产业界的广泛关注
  
• 1.2.2. 从2011年开始，谷歌研究院和微软研究院的研究人员先后将深度学习应用到语音识别上，使识别错误率下降了20%～30%
  
• 1.2.3. 2012年，杰弗里·辛顿团队在图片分类比赛ImageNet中，使用深度学习打败了谷歌团队，并将图片识别错误率降低了14%
  

1.3. 深度学习在图像、语音、自然语言处理等领域获得了极为广泛的应用，奠定了新一轮人工智能发展的基础

• 1.3.1. 近几年来深度学习备受关注，与20世纪80年代的专家系统、日本第五代计算机开发几乎类似，被学术界和产业界视为实现人工智能长期愿景的主要途径
  
• 1.3.2. 深度学习的理论基础是人工神经网络，而人工神经网络的理论研究早在机器学习的浪潮出现前就开始了
  

1.4. 在目前，以深度学习为基础的弱人工智能技术在自然语言处理、机器翻译、图像识别、语音识别等方面取得了巨大成功
1.5. 目前，学术界和业界基本抛弃了以逻辑推理和启发式搜索为主的研究方法，深度学习这一机器学习的分支成为人工智能领域的热门方向
1.6. 新技术在成熟应用前需要经历5个阶段

• 1.6.1. 技术促动期
  
• 1.6.2. 过高期望的峰值
  
• 1.6.3. 泡沫化的低谷期
  
• 1.6.4. 稳步爬坡期
  
• 1.6.5. 实质生产的高峰期
  
• 1.6.6. 传统Gartner技术循环曲线
  

1.7. 三次人工智能浪潮

• 1.7.1. 第一次浪潮时间段约为1956—1974年，其核心是符号主义（逻辑主义）​，当时最大的成果是逻辑推理、启发式搜索
  
  
  
  • 1.7.1.1. 1956年，卡内基梅隆大学的LT程序证明了《数学原理》第二章的38条定理
    
  • 1.7.1.2. 1963年，经过改进的LT程序证明了《数学原理》第二章的52条定理，该程序随后被改进成GPS
    
  • 1.7.1.3. 第一次浪潮中产生的方法可以说是基于知识驱动或模型驱动的，主要建立在基于“if-then”结构的人工设定的形式逻辑基础上
    
  • 1.7.1.4. 这一阶段的成果几乎无法解决实用问题，计算能力也严重不足，导致人们对人工智能的未来产生失望，社会资本开始退出，政府资助不断下降，最终引发第一轮人工智能寒冬到来
    
  
  
• 1.7.2. 第二次浪潮时间段约为1974—2006年，这一时期符号主义与连接主义同步发展
  
  
  
  • 1.7.2.1. 1974年，保罗·韦伯斯(Paul Werbos)提出了反向传播算法（back propagation algorithm，BP算法）​，使得多层人工智能神经元网络的学习成为可能
    
  • 1.7.2.2. 1982年，约翰·霍普菲尔德(John Hopfield)提出可用作联想存储器的互联网络—Hopfield网络
    
  
  
• 1.7.3. 第三次浪潮从2006年开始至今，其核心是深度学习的突破
  
  
  
  • 1.7.3.1. 2006年，杰弗里·辛顿(Geoffrey Hinton)、杨立昆(Yann LeCun)和尤舒亚·本吉奥(Yoshua Bengio)发表了多篇关于“深度神经网络”的文章
    
  • 1.7.3.2. 2015年12月，微软亚洲研究院在ImageNet计算机识别挑战赛中凭借深度神经网络技术的突破，获得图像分类、图像定位以及图像检测全部三个主要项目的冠军
    
  • 1.7.3.3. 2016年3月，谷歌DeepMind开发的人工智能程序AlphaGo以4:1的战绩击败韩国围棋职业九段选手李世石，被认为是人工智能发展的重要里程碑
    
  
  

2. 第三次人工智能浪潮的颠覆性和局限性

2.1. 进入21世纪以来，全球依次经历了信息化时代、大数据时代，目前正过渡到智能化时代
2.2. 作为一种颠覆性技术，人工智能的广泛应用将对现有社会体系产生深刻的影响

• 2.2.1. 人工智能将推动生产力迅速提升，为人类探索未知世界提供无限可能
  
• 2.2.2. 人工智能的广泛应用也会带来网络信息安全、法律与伦理道德等诸多方面的问题
  

2.3. 现有的人工智能技术离实现通用人工智能、强人工智能还有很大差距
2.4. 在算法、算力、数据这三驾马车的拉动下，人工智能以超乎想象的速度进步，不断颠覆着社会生产生活的各方面
2.5. 人工智能企业分类

• 2.5.1. 第一类专注于核心技术(core technologies)，涉及领域包括人工智能、深度学习、机器学习、图像识别、语音识别、自然语言处理等
  
• 2.5.2. 第二类专注于企业经营(rethinking enterprise)，涉及领域包括销售、安全、欺诈检测、招聘、市场、智能工具等
  
• 2.5.3. 第三类专注于产业界(rethinking industries)，涉及领域包括广告、农业、教育、金融、法律、制造业、制药业、油气业、自动驾驶、医疗等
  
• 2.5.4. 第四类专注于人类拓展(rethinking humans)，涉及领域包括增强现实、姿态计算、情绪识别、机器人等
  
• 2.5.5. 第五类专注于支持性技术(supporting technologies)，涉及领域包括硬件、数据收集、数据处理等
  

2.6. 人工智能已经渗透至社会各行业、各领域，智能翻译、智能选股、自动驾驶、智能搜索、定理证明、指纹识别、人脸识别、语音识别等相关应用已经无处不在
2.7. 人工智能的颠覆性影响，正在于其多学科融合、高度复杂的特性会引发科学技术产生链式突破，带动各领域的创新能力快速跃升

• 2.7.1. 未来，所有的企业或许都可以被称为人工智能公司，因为当人工智能时代来临时，所有的事情、所有的业务都可以进行数据化、连接和运算，并且随之产生的智慧也可放置于云端，为人所用
  

2.8. 人工智能伪造技术

• 2.8.1. 可对社会秩序的各个层面构成严重威胁
  
• 2.8.2. 在社会生活层面，​“人工智能伪造技术”使日常生活所用的合同、契约、证书及相关法律文本的防伪鉴定面临新的困难
  
• 2.8.3. 在司法层面，​“人工智能伪造技术”将可用于伪造证人证言、视听资料、电子数据及鉴定意见等虚假证据，为司法证据的鉴定采用和非法证据排除带来新的困难
  
• 2.8.4. 在公共安全层面，​“人工智能伪造技术”为不法分子从事违法犯罪活动提供了便利条件
  

2.9. 人类对于人工智能的认知产生了显著变化

• 2.9.1. 因为符号主义和初始的连接主义都是对人类大脑活动的模仿，并没有合理借鉴大脑产生智能的机制，最终导致结果不尽人意、人工智能项目纷纷落马
  
• 2.9.2. 深度学习的成功，表明受大脑启发的人工智能是其能够得以广泛应用的根本原因
  
• 2.9.3. 深度学习不仅依赖计算能力和大数据技术的进步，更加依赖卷积神经网络(CNN)等模型和参数训练技巧的进步
  

2.10. 算法、算力、数据是深度学习成功的先决条件，但深度学习在算法、算力、数据以及认知层面均存在瓶颈问题
2.11. 人工智能的发展存在数据瓶颈、泛化瓶颈、能耗瓶颈、语义鸿沟瓶颈、可解释性瓶颈和可靠性瓶颈

• 2.11.1. 人工智能有智能没智慧：智慧是高级智能，有意识，有悟性，可以决策
  
  
  
  • 2.11.1.1. 而人工智能缺乏意识和悟性，缺乏综合决策的能力
    
  
  
• 2.11.2. 人工智能有智商没情商：机器对人的情感理解与交流仍处于起步阶段，距离科幻电影中跟人类谈情说爱的人工智能还差很远
  
• 2.11.3. 人工智能有计算没算计：人工智能系统可谓有智无心，更无谋
  
• 2.11.4. 人工智能有专才没通才：会下围棋的AlphaGo不会下象棋
  
• 2.11.5. 四有四无
  

3. 人工智能泡沫

3.1. 与学术界的客观审慎不同，政府机构、社会资本、民众对于人工智能的热情，导致人工智能宣传被夸大，很多初创企业也有蹭人工智能热度的嫌疑
3.2. 2000年左右的互联网泡沫经历

• 3.2.1. 1994年，World Wide Web的出现，让互联网第一次真正走进了公众的视野，这一充满市场想象空间的新兴产业迅速笼络了大量资金
  
• 3.2.2. 2000年，互联网行业没有像人们期待的那样发展，反倒是遭遇了千年虫的打击
  
  
  
  • 3.2.2.1. 千年虫等问题的出现，让人们意识到互联网技术的发展还只处于初期阶段，很多商业模式还不够成熟，很多问题也没有解决，这直接引发了互联网泡沫的破灭
    
  
  
• 3.2.3. 2000年3月10日，纳斯达克指数达到最高点5048.62点，随后开始掉头向下，到2002年10月9日见底于1114.11点，指数跌幅超过77%
  

3.3. 困境

• 3.3.1. 人工智能技术在很多领域的应用成熟度有限，许多产品满足不了市场需求
  
• 3.3.2. 人工智能领域的风险投资却如火如荼，跟风现象时有发生
  

3.4. 人工智能泡沫论的主要论点

• 3.4.1. 人们对于人工智能改变生活的预期与人工智能的现实能力不匹配
  
  
  
  • 3.4.1.1. 汽车生产商对全自动驾驶(Level 4)的实现时间盲目乐观
    
  • 3.4.1.2. 特斯拉和谷歌预测将于2018年实现全自动驾驶
    
  
  
• 3.4.2. 资本界和媒体对人工智能的理解与人工智能现实能力不匹配
  
  
  
  • 3.4.2.1. 部分资本界人士和媒体对人工智能的理解较为片面，对人工智能现阶段的能力认识不足
    
  • 3.4.2.2. 扭曲的信息在网络中被多次传播，逐级放大，最终导致社会整体认知的缺陷
    
  
  

3.5. 在可以预见的未来，新型人工智能算法、算力和大数据技术或将不断取得新突破，人工智能也仍将持续保持高速发展态势

• 3.5.1. 第三次人工智能浪潮可以解决的问题已大大拓展，我们对人工智能未来的发展应该持有乐观的心态
  
• 3.5.2. 未来一段时间，人工智能的发展或将呈现冰火两重天：有能力的公司加速扩张，没能力的公司迅速溃败
  

3.6. 历史上，很多研究领域都经历过从萌芽期、发展期、泡沫期，到最后回归正常的过程

• 3.6.1. 2000年互联网泡沫破灭后，互联网的发展重新回到正轨，此后更是催生了谷歌、亚马逊、Facebook等互联网巨头的崛起
  
• 3.6.2. 新型算法、先进算力、大数据技术的发展，必将引领人工智能更新一轮热潮的发展，泡沫也必将成为人工智能理性发展的垫脚石
  

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

热心回复！

前排留名，哈哈哈