據(jù)麥肯錫全球研究院的研究，截至2030年，人工智能每年將額外創(chuàng)造13萬億美元的價值。

　　其實在今天，人工智能已經(jīng)在創(chuàng)造收益了，但主要集中在軟件領(lǐng)域。然而當(dāng)?shù)搅?030年，在軟件行業(yè)之外，人工智能也將創(chuàng)造巨大收益，尤其是在零售、旅游、交通、汽車、材料、制造等行業(yè)。

　　人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)這些熱詞近來被頻繁使用。讓人工智能融于世界的現(xiàn)實期望固然很贊，但了解和揭秘人工智能同樣意義重大。

　　縮小人工智能領(lǐng)域

　　人工智能是一個猶如銀河系的龐大話題，擁有很多子類，如自然語言處理（NLP）、人工神經(jīng)網(wǎng)絡(luò)、計算機(jī)視覺、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、機(jī)器人等等。

　　人工智能的正式定義如下：“可執(zhí)行通常需要人類智能（如視覺感知、語音識別、決策和語言之間的翻譯）的任務(wù)的計算機(jī)系統(tǒng)的理論和發(fā)展。”在開始深入研究其他領(lǐng)域之前，人工智能可以縮小到以下兩個更廣泛的領(lǐng)域：

　　狹義人工智能——按照編程執(zhí)行一個或幾個特定任務(wù)。例如自動駕駛汽車、下詞預(yù)測、自動更正等。這是我們要關(guān)注的主要概念。廣義人工智能——執(zhí)行類似人類的活動和任務(wù)。通用人工智能是一種可以像人類一樣高效執(zhí)行任何智力任務(wù)的智能，在這個領(lǐng)域我們還有很多路要走。

　　還有另一個詞是超級人工智能或強(qiáng)人工智能，被認(rèn)為是可以超越人類的人工智能。然而，目前這只是個假設(shè)，本文將不對此展開討論，在未來幾年內(nèi)達(dá)到這種智能水平還很難。

　　為了理解人工智能的概念以及人工智能相關(guān)的各個方面，可以以宇宙為例做一個簡單的類比。

　　龐大的銀河系類似于廣闊的AI領(lǐng)域，它包含了數(shù)十億個太陽系，就像AI由眾多子領(lǐng)域組成。太陽系就如同人工智能中的一個子領(lǐng)域，即“機(jī)器學(xué)習(xí)”。地球是太陽系中唯一的宜居星球，可以稱為“深度學(xué)習(xí)”。為更好地理解這個類比，下面有一個簡單的等式：

　　人工智能=銀河系;機(jī)器學(xué)習(xí)=太陽系;深度學(xué)習(xí)=地球

　　人工智能學(xué)習(xí)

　　機(jī)器學(xué)習(xí)是指程序在沒有被明確編程的情況下，自動學(xué)習(xí)并提高其效率的能力。即給定一個訓(xùn)練集，訓(xùn)練機(jī)器學(xué)習(xí)模型，模型將理解其工作原理。經(jīng)過測試集、驗證集或任何其他看不見的數(shù)據(jù)測試后，模型仍然能夠評估特定的任務(wù)。

　　用一個簡單的例子來解釋，假設(shè)有一個包含30000封郵件的數(shù)據(jù)集，其中一些被歸類為垃圾郵件，一些被歸類為非垃圾郵件。機(jī)器學(xué)習(xí)模型將在數(shù)據(jù)集上進(jìn)行訓(xùn)練。訓(xùn)練過程完成后，就可以用訓(xùn)練數(shù)據(jù)集外的郵件來測試。機(jī)器學(xué)習(xí)模型可以對后面的輸入進(jìn)行預(yù)測，并對輸入的郵件是否為垃圾郵件進(jìn)行正確分類。

　　機(jī)器學(xué)習(xí)主要有以下三種類型：

　　監(jiān)督學(xué)習(xí)——這是用特定標(biāo)記的數(shù)據(jù)集訓(xùn)練模型的方法。這些數(shù)據(jù)集可以是二分類或多分類，它們將有標(biāo)記的數(shù)據(jù)，指定正確和不正確的選項或選項的范圍。在監(jiān)督下，即在標(biāo)記數(shù)據(jù)的幫助下，對模型進(jìn)行預(yù)訓(xùn)練。無監(jiān)督學(xué)習(xí)——無監(jiān)督學(xué)習(xí)是指在未標(biāo)注的數(shù)據(jù)集上訓(xùn)練模型。這意味著模型沒有任何先驗信息，它通過將相似的特征和模式分組在一起進(jìn)行自我訓(xùn)練，區(qū)分狗和貓就是無監(jiān)督學(xué)習(xí)的例子。強(qiáng)化學(xué)習(xí)——強(qiáng)化學(xué)習(xí)是一種嘗試方法模型。這種模型通過反復(fù)失敗來學(xué)習(xí)。沒有達(dá)到預(yù)期的結(jié)果時，該模型將重新訓(xùn)練。這可以應(yīng)用于像下棋這樣的概念中，在下了幾百萬盤棋后，模型將學(xué)會正確的模式和步驟。

　　數(shù)據(jù)

　　數(shù)據(jù)可以是任何有用的資源或可用的信息，適用于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)任務(wù)。你想要構(gòu)建的每個模型都有大量的數(shù)據(jù)可用，重要的是，找到完成評估所需的有價值的數(shù)據(jù)。

　　數(shù)據(jù)集是一個數(shù)據(jù)的集合。對于表格數(shù)據(jù)，一個數(shù)據(jù)集對應(yīng)一個或多個數(shù)據(jù)庫表，表中的每一列代表特定的變量，每一行對應(yīng)相關(guān)數(shù)據(jù)集的給定記錄。

　　當(dāng)今，人工智能的普及速度比以往任何時候都要快，這要感謝數(shù)據(jù)在不斷豐富和增加。數(shù)據(jù)越多，機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型得到的訓(xùn)練更好，因為能夠在更大的數(shù)據(jù)集上訓(xùn)練模型，有助于模型在訓(xùn)練過程中更好地學(xué)習(xí)，從而更好地執(zhí)行當(dāng)前的任務(wù)。

　　數(shù)據(jù)科學(xué)是關(guān)于數(shù)據(jù)的。這個詞有時可能會被忽視，可它卻是所有項目最寶貴的資源。大數(shù)據(jù)、數(shù)據(jù)科學(xué)和數(shù)據(jù)分析的領(lǐng)域正在極大地增長，科技巨頭們正在加大對收集有用數(shù)據(jù)的投入。數(shù)據(jù)收集是在一個既定的系統(tǒng)中收集和測量目標(biāo)變量信息的過程，然后使人們能夠回答相關(guān)問題和評估結(jié)果。

　　深度學(xué)習(xí)

　　深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個子領(lǐng)域，基于人工神經(jīng)網(wǎng)絡(luò)的概念來執(zhí)行特定任務(wù)。人工神經(jīng)網(wǎng)絡(luò)的靈感來源于人腦。然而，理論上深度學(xué)習(xí)的運轉(zhuǎn)并不像大腦。之所以將其命名為人工神經(jīng)網(wǎng)絡(luò)，是因為它們可以完成精確的任務(wù)，同時達(dá)到理想的精確度，不需要根據(jù)任何特定規(guī)則來編程。

　　幾十年前，深度學(xué)習(xí)非常流行，但由于缺乏數(shù)據(jù)和無法進(jìn)行復(fù)雜計算，最終失去了熱度。過去幾年，情況大有改觀。每天都有大量豐富的數(shù)據(jù)，大型科技巨頭和跨國公司都在投資這些數(shù)據(jù)。有了強(qiáng)大的圖形處理單元（GPU），計算能力也不再是什么大問題。

　　深度學(xué)習(xí)如今非常流行，并且具有超越現(xiàn)代大多數(shù)機(jī)器學(xué)習(xí)算法的巨大潛力。

　　人工智能是當(dāng)下發(fā)展最快的領(lǐng)域。據(jù)《財富》統(tǒng)計，在過去4年里，人工智能專家的招聘人數(shù)增長了74%，被認(rèn)為是當(dāng)下“最火爆”的工作。經(jīng)驗豐富的人工智能專家的需求量正在以前所未有的速度增長。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計算機(jī)視覺、統(tǒng)計學(xué)和自然語言處理等人工智能子領(lǐng)域的專家需求和空缺職位每天都在激增。
責(zé)任編輯人：CC