然而，盡管Elektro給人留下了深刻的印象，但他有一個(gè)嚴(yán)重的局限性:他是自動(dòng)化的，而不是智能化的。當(dāng)你按下一個(gè)按鈕，他可以吹爆一個(gè)氣球，但他沒有能力決定什么時(shí)候吹氣球或當(dāng)氣球用完了想出如何得到更多的氣球。他沒有能力學(xué)習(xí)新的技能，甚至沒有能力在所知道的事情上做得更好。
另一個(gè)混淆自動(dòng)化和智能化的來源是機(jī)器人流程自動(dòng)化領(lǐng)域的不斷發(fā)展，它涉及使用軟件和機(jī)器學(xué)習(xí)來訓(xùn)練計(jì)算機(jī)處理高級(jí)日常任務(wù)。該軟件觀察人是如何完成一項(xiàng)工作的，并試圖以相同的順序重復(fù)相同的步驟。這些系統(tǒng)有時(shí)看起來像人工智能應(yīng)用程序，但它們實(shí)際上只是標(biāo)準(zhǔn)的自動(dòng)化。這些軟件機(jī)器人完全按照顯示的步驟進(jìn)行操作，幾乎就像一臺(tái)老式的錄音機(jī)。它們從不學(xué)習(xí)或者自動(dòng)適應(yīng)環(huán)境變化。
StuartRussell和Peter Norvig在其著作《人工智能：一種現(xiàn)代方法》中明確區(qū)分了自動(dòng)化和人工智能，他們解釋說，與自動(dòng)化系統(tǒng)不同，人工智能將“設(shè)計(jì)師的觸角延伸到未知環(huán)境中”。換句話說，衡量人工智能系統(tǒng)的一個(gè)基本標(biāo)準(zhǔn)是，該系統(tǒng)可以學(xué)習(xí)和改進(jìn)，而無需人工培訓(xùn)師的輸入或指導(dǎo)。
所以當(dāng)你想要構(gòu)建一個(gè)人工智能模型時(shí)，首先要問的一個(gè)問題是你想讓它是智能的還是自動(dòng)化的。你是想要一個(gè)可以自己學(xué)習(xí)的系統(tǒng)，還是一個(gè)僅復(fù)制一種能力的系統(tǒng)來完成可以編程或訓(xùn)練的任務(wù)?如果你需要一個(gè)自動(dòng)化系統(tǒng)，基本的機(jī)器學(xué)習(xí)可以處理這項(xiàng)工作。但是如果你想要一個(gè)能夠?qū)W習(xí)和適應(yīng)的系統(tǒng)，一個(gè)能夠?qū)?ldquo;設(shè)計(jì)師的觸角延伸到未知環(huán)境”的系統(tǒng)，可能需要構(gòu)建深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)。
在機(jī)器學(xué)習(xí)的世界里，深度是很重要的，而深度通常表現(xiàn)在節(jié)點(diǎn)和層中，更大的網(wǎng)絡(luò)通常表現(xiàn)得更快、更加善于發(fā)現(xiàn)數(shù)據(jù)中的模式。
機(jī)器學(xué)習(xí)系統(tǒng)面臨的一個(gè)挑戰(zhàn)是，它們可能是任務(wù)密集型的，特別是當(dāng)需要讀取以PB（1024TB）為單位的數(shù)據(jù)時(shí)。但這并不是一個(gè)剛出現(xiàn)的挑戰(zhàn)，早在20世紀(jì)40年代初，計(jì)算機(jī)科學(xué)家就試圖通過擴(kuò)展計(jì)算機(jī)的能力來應(yīng)對這一挑戰(zhàn)。于是發(fā)明了一種叫做人工神經(jīng)網(wǎng)絡(luò)的工具，它是模仿人腦生理學(xué)而構(gòu)建的。大腦由神經(jīng)元組成，形成一個(gè)復(fù)雜的三維網(wǎng)絡(luò)。每個(gè)神經(jīng)元充當(dāng)一個(gè)獨(dú)立的處理器，神經(jīng)元通過電化學(xué)信號(hào)機(jī)制通過網(wǎng)絡(luò)相互通信。這個(gè)3D網(wǎng)絡(luò)使人類能夠在瞬間做出決定。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能相似，但它不使用生物神經(jīng)元，而是使用稱之為節(jié)點(diǎn)的計(jì)算機(jī)處理單元。這些節(jié)點(diǎn)按層排列，一層中的所有節(jié)點(diǎn)與上下層中的所有節(jié)點(diǎn)相連，形成一個(gè)復(fù)雜的節(jié)點(diǎn)網(wǎng)絡(luò)。每個(gè)節(jié)點(diǎn)接受輸入，對該輸入執(zhí)行計(jì)算，并將輸出傳遞給一個(gè)或多個(gè)其他節(jié)點(diǎn)。通過協(xié)作，網(wǎng)絡(luò)可以學(xué)習(xí)并執(zhí)行分類和聚類等操作。
與大多數(shù)機(jī)器學(xué)習(xí)應(yīng)用程序通過有監(jiān)督或無監(jiān)督學(xué)習(xí)來執(zhí)行特定任務(wù)不同，人工神經(jīng)網(wǎng)絡(luò)通過試錯(cuò)學(xué)習(xí)。從錯(cuò)誤中學(xué)習(xí)，并根據(jù)概率進(jìn)行操作。這就是為什么當(dāng)你看人工神經(jīng)網(wǎng)絡(luò)的結(jié)果時(shí)，它們通常代表的是正確的可能性或概率。例如，在面部識(shí)別中，神經(jīng)網(wǎng)絡(luò)將返回一個(gè)結(jié)果如，“這有98.6%的概率是某個(gè)人”。
系統(tǒng)能夠?qū)崟r(shí)處理數(shù)據(jù)并進(jìn)行自我優(yōu)化。一開始，人工神經(jīng)網(wǎng)絡(luò)可能只在一小部分情況下是正確的。然而，隨著時(shí)間的推移，通過學(xué)習(xí)，性能得到了提高，就像人類一樣。盡管存在潛在的缺點(diǎn)，但與不太復(fù)雜的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)相比，神經(jīng)網(wǎng)絡(luò)提供了五個(gè)關(guān)鍵優(yōu)勢:
第一，是能夠分布式處理:可以將處理任務(wù)劃分并分布在節(jié)點(diǎn)上，以顯著提高計(jì)算結(jié)果的總體速度。你可以分散負(fù)載，而不是讓一個(gè)處理器來處理所有事情。
第二，有機(jī)學(xué)習(xí)(organic laning)：這個(gè)有機(jī)是說，神經(jīng)網(wǎng)絡(luò)可以自己學(xué)習(xí)，無須經(jīng)過“訓(xùn)練"，也就是說，無須輸入從專家那里收集的預(yù)先確定的數(shù)據(jù)和邏輯。(但這里的無須訓(xùn)練不是指深度學(xué)習(xí)不需要模型訓(xùn)練的意思。)
第三，人工神經(jīng)網(wǎng)絡(luò)能夠做到非線性處理:通過非線性處理，神經(jīng)網(wǎng)絡(luò)可以采取捷徑方式來減少找到解決方案所需的計(jì)算量。
第四，容錯(cuò):神經(jīng)網(wǎng)絡(luò)可以將信號(hào)重新路由到下游的任意其他節(jié)點(diǎn)，從而防止系統(tǒng)故障。
第五，自我修復(fù)，神經(jīng)網(wǎng)絡(luò)可以幫助診斷、修復(fù)和恢復(fù)節(jié)點(diǎn)故障以維持正常功能。那總的來說，深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)可以顯著地?cái)U(kuò)展機(jī)器學(xué)習(xí)的能力。它們使人工智能系統(tǒng)能夠篩選大量不同的數(shù)據(jù)，從而快速、輕松地識(shí)別復(fù)雜的模式。
北大青鳥開設(shè)了人工智能、大數(shù)據(jù)、5G云計(jì)算、Java、前端、軟件開發(fā)等課程，辦學(xué)十余年，擁有豐富的教學(xué)經(jīng)驗(yàn)。如果你想學(xué)習(xí)一些人工智能方面的知識(shí)，也歡迎致電400-8035-955或在下方留下聯(lián)系方式來北大青鳥咨詢！
