科普深度學(xué)習(xí)

　　在這里，我要稍微深度講一下深度學(xué)習(xí)。

　　深度學(xué)習(xí)是一種神經(jīng)網(wǎng)絡(luò)，與但與之前的相比，它的特點(diǎn)是使用了多層網(wǎng)絡(luò)，能夠?qū)W習(xí)抽象概念，同時(shí)融入自我學(xué)習(xí)，而且收斂相對快速。收斂快速可能是一種技巧，不見得是一個(gè)理論，但是有一批人通過它解決了很多重要的問題。

　　簡單的來說，如果我們有很多笑臉，然后我們把笑臉的像素輸入到一個(gè)神經(jīng)網(wǎng)絡(luò)里面去，最后你那兒希望讓機(jī)器能識別這是姚明，那是馬云，但是因?yàn)槟氵@個(gè)深度學(xué)習(xí)的網(wǎng)絡(luò)很深，要一次性學(xué)會(huì)這么多也會(huì)比較困難，所以就需要用到一個(gè)比較快速收斂的技巧——自我學(xué)習(xí)。通過自我學(xué)習(xí)，機(jī)器會(huì)逐步從大量的樣本中逐層抽象出相關(guān)的概念，然后做出理解，最終做出判斷和決策。

　　比如它可以有好幾層的nodes和connection，經(jīng)過這些nodes和connection，它在每一個(gè)層次會(huì)感知到不同的抽象特征，且一層比一層更為高級。這些都是通過自我學(xué)習(xí)實(shí)現(xiàn)的，而不是人教的。經(jīng)過自我學(xué)習(xí)，從一個(gè)臉輸進(jìn)去再從同樣的一個(gè)臉輸出來，它就從里面抽象的學(xué)習(xí)到了一個(gè)人的臉重要特征。

　　深度學(xué)習(xí)的分層無監(jiān)督訓(xùn)練

　　經(jīng)過這個(gè)學(xué)習(xí)之后，我再去做監(jiān)督訓(xùn)練，看機(jī)器是否能夠識別他們，如果不能，就在訓(xùn)練之后做微調(diào)。例如，如果我輸入了馬云的臉，出來的卻是王寶強(qiáng)，那訓(xùn)練系統(tǒng)就會(huì)告訴你的網(wǎng)絡(luò)說這個(gè)是錯(cuò)誤的：這不是王寶強(qiáng)，這是馬云。那接下來就是要進(jìn)行微調(diào)，以便于下一次機(jī)器看到這個(gè)臉時(shí)，能識別出是馬云的概率高一些，出來王寶強(qiáng)的概率低一些。

　　分層無監(jiān)督訓(xùn)練

　　但是這么一調(diào)也不能調(diào)的太過火了，要不然就會(huì)有overtraining的問題，我們就對整個(gè)數(shù)學(xué)公式做一點(diǎn)微調(diào)，用大量的數(shù)據(jù)，不斷重復(fù)的去教它，經(jīng)過不斷微調(diào)，那么它就很可能在多次之后降低識別錯(cuò)誤。

　　其實(shí)這一整套理論在二三十年前就已經(jīng)有了，我在做我博士論文的時(shí)候，很多我的同事就在做訓(xùn)練神經(jīng)網(wǎng)絡(luò)的工作。

　　深度學(xué)習(xí)在最初的時(shí)候訓(xùn)練速度特別特別慢，所以比較難進(jìn)入工業(yè)級別或者是應(yīng)用級別，比如，你的手機(jī)是做不來這個(gè)的，因?yàn)樗乃俣葘?shí)在太慢了。但經(jīng)過這么多年，我們的計(jì)算機(jī)變的越來越快，另外也有了更多取巧的訓(xùn)練和識別做法，深度學(xué)習(xí)的應(yīng)用可能性也發(fā)生了變化，它能被應(yīng)用的領(lǐng)域越來越寬。多年前，我過早的進(jìn)入了這一領(lǐng)域，但是現(xiàn)在，人工智能大規(guī)模應(yīng)用的時(shí)機(jī)已經(jīng)到了。

　　憑什么這么說？一個(gè)很簡單的評估標(biāo)準(zhǔn)就是，我們的深度學(xué)習(xí)或者是任何的機(jī)器學(xué)習(xí)，它是不是超越人類的能力表現(xiàn)，如果超越的話，可能很多應(yīng)用就會(huì)產(chǎn)生。比如在機(jī)場，如果機(jī)器識別人臉的準(zhǔn)確度超過人，那么我們那些邊防的人就可能不需要那么多。這并不是說機(jī)器不會(huì)犯錯(cuò)，而是說既然人不能比機(jī)器做的更好，那我不妨就用機(jī)器取代。

　　深度學(xué)習(xí)的應(yīng)用領(lǐng)域

　　在過去的五年，深度學(xué)習(xí)的準(zhǔn)確度從75%多提升到了97%左右，而人的表現(xiàn)準(zhǔn)確率大概是95%。從95%到97%聽起來只進(jìn)步了2%，但實(shí)際上是把錯(cuò)誤率降低了40%，這是很大的進(jìn)步。如果這種進(jìn)步持續(xù)，未來人工智能必然會(huì)超過人類的表現(xiàn)，同時(shí)也將可以進(jìn)入一些可應(yīng)用的領(lǐng)域。這就是今天我講人工智能進(jìn)入黃金時(shí)代的證據(jù)：在很多領(lǐng)域，也包括我們在face++做的人臉識別，包括了Apple、Google，科大訊飛的語音識別，它們的認(rèn)知水平將在未來幾年的時(shí)間內(nèi)超過人類，而一旦超過人類，應(yīng)用就會(huì)快速的增加。

　　深度學(xué)習(xí)的應(yīng)用領(lǐng)域舉例

　　深度學(xué)習(xí)首先可以應(yīng)用于識別，包括人臉識別和語音識別等，這些可以用于安防，安檢等。

　　人臉語音的數(shù)據(jù)來之不易，但是BI，商業(yè)的流程、互聯(lián)網(wǎng)的數(shù)據(jù)卻非常豐富。Google、百度很早就已經(jīng)在搜索，在廣告以及推薦系統(tǒng)里面充分使用了類機(jī)器學(xué)習(xí)技術(shù)，解決該推薦什么商品，一個(gè)商品怎么定價(jià)，在什么位置會(huì)賣的最多，應(yīng)該把這樣的產(chǎn)品賣給誰等問題。這一類的推銷可以直接產(chǎn)生經(jīng)濟(jì)價(jià)值，而社交媒體營銷，整個(gè)互聯(lián)網(wǎng)廣告，這每一個(gè)領(lǐng)域都是幾十億，幾百億甚至更大的市場。

　　將智能用于炒股其實(shí)也是一個(gè)不錯(cuò)的選擇。在國內(nèi)在國外，很多人都在做這方面創(chuàng)業(yè)的工作。利用智能，我可以隨時(shí)來算一籃子股票和期貨應(yīng)該如何對沖，以尋求最大的利潤。頂尖金融分析師也會(huì)做這個(gè)，但是他不可能把所有的股票的排列組合都考慮一遍，但是機(jī)器可以二十四小時(shí)不睡覺，每天都在算怎么能賺最多的錢。除此之外，deep learning深度學(xué)習(xí)的技術(shù)可以把各種的因素都融合進(jìn)來，比如這個(gè)公司的高管有沒有變動(dòng)，今天出了什么新聞，行業(yè)里還有沒有什么變動(dòng)……甚至你可以對一個(gè)智能系統(tǒng)說如果明天巴西發(fā)生了地震，什么股票該被購買，甚至你可以說發(fā)生了地震不要問我，你直接去買它就可以了。

　　銀行保險(xiǎn)方面，比如說貸款該不該審批，則無論是銀行的貸款，還是P2P的貸款，都可以通過機(jī)器來判斷，而且數(shù)據(jù)未必要來自銀行內(nèi)部。

　　醫(yī)學(xué)方面，因?yàn)槲易约荷^病，也深深的受過這方面的痛苦，我也感覺到在今天的醫(yī)生的判斷真的不是最完善的。一方面醫(yī)生有好有壞，頂尖的醫(yī)生是非常少的；第二方面比如在癌癥方面，它每一年都有新的藥出來，那每個(gè)醫(yī)生每天忙著看病人，就不見得有時(shí)間去研究這些藥物，那些藥物也不是每個(gè)國家都可以使用的。還有就是每一個(gè)人，他的各種特質(zhì)，不見得就適合用這個(gè)藥。這些其實(shí)都是可以用機(jī)器學(xué)習(xí)來做出來的。

　　前一陣我在美國碰到了一些科學(xué)家，他們正在用機(jī)器學(xué)習(xí)的方法來發(fā)明新藥。我們的科學(xué)研究方面當(dāng)然要有聰明的頭腦和很好的實(shí)驗(yàn)，但是其中有一個(gè)很關(guān)鍵的部分，就要是一定的程度去排列組合：試很多東西，對小白鼠先試試這個(gè)有沒有用，再試試看那個(gè)有沒有用，然后再在猿猴身上實(shí)驗(yàn)，再進(jìn)行人體實(shí)驗(yàn)。在以前，這整個(gè)過程都是由人腦完成，但是這個(gè)交給機(jī)器來做也許會(huì)更精準(zhǔn)。甚至有一家公司它養(yǎng)了非常多的白老鼠，他里面所有的實(shí)驗(yàn)都是通過機(jī)器學(xué)習(xí)精準(zhǔn)進(jìn)行：每天白老鼠活了幾只，死了幾只，什么藥可以進(jìn)到下一步……這些都是靠機(jī)器學(xué)習(xí)加上非常精密的系統(tǒng)來做。

　　我們發(fā)明的很多新的材料，都不是靠純粹的科學(xué)方法推出來的，也是去試一試，把這個(gè)碰到那個(gè)，就產(chǎn)生了有很特殊效應(yīng)的材料。這些知識都可以輸入我們的信息學(xué)習(xí)系統(tǒng)，通過它我們可以幫助發(fā)明新的事物。

　　在教育方面也有應(yīng)用。在學(xué)習(xí)的過程中，如果基礎(chǔ)沒有打好，下一個(gè)層次根本學(xué)不下去。智能化的教育系統(tǒng)會(huì)識別你的學(xué)習(xí)水平，然后根據(jù)你的水平確定學(xué)習(xí)內(nèi)容。比如，你的乘法沒有學(xué)好，機(jī)器就不可能讓你去學(xué)除法。

　　當(dāng)然學(xué)習(xí)外語也是很好的例子，我們今天的語音識別做的這么好，為什么我們學(xué)外語還是一定要找外教，為什么語音識別不能再上一層樓呢？所以，當(dāng)你的技術(shù)一提高了，語音識別應(yīng)用就不會(huì)只是我的講話進(jìn)去然后文字出來，它還有可能用在教育領(lǐng)域。

　　在這么多機(jī)會(huì)之下，這個(gè)人工智能會(huì)重塑億萬級別的領(lǐng)域。當(dāng)然這個(gè)不是明天就會(huì)發(fā)生，因?yàn)槲矣X得人工智能在很多方面還是相當(dāng)大的欠缺……