什么是人工智能和深度学习

创造模仿人类智能的梦想早已存在。虽然它们大多出现在科幻小说中，但在最近的几 十年里，我们逐渐在建造智能机器上取得了进展，这些机器可以像人类一样完成某些任务。这就是称为人工智能的领域。人工智能的起源也许可以追溯到帕梅拉·麦考达克的著作《机 器思维》（Machines Who Think），她在书中把人工智能描述成了能伪造神灵的古老愿望。深度学习是人工智能的一个分支，其目标是让机器学习更接近于它最初的目标：人工 智能。

深度学习采用的方法是模仿新皮层中神经元层中的活动。新皮层是占据大脑80% 的褶 皱，能够产生思维。在人类大脑中，大约有1000 亿个神经元和100~1000 万亿个突触。对于不同类型的数据，如图像、视频、声音和文本，深度学习通过学习层次结构、表 示级别和抽象级别理解数据模式。

高级抽象可定义为低级抽象的组合。前者之所以被称为深，是因为它有多个非线性 特征变换状态。深度学习的***优势之一就是它能够在多个抽象级别自动地学习特征表 示。这使得系统不需要依赖于人工的特征提取，就能学习从输入空间到输出空间的复杂函数映射。此外，深度学习还提供了预训练机制，即在一组数据集上学习的表示，可以 应用到其他数据集。当然，预训练机制可能存在一些限制，比如用于学习的数据需要具 备足够好的质量。此外，当以贪婪的方式基于大量无监督数据进行学习时，深度学习也 会表现得很好。

图1-1 显示了一个简化的卷积神经网络（CNN）。

深度学习模型，即学习后的深层神经网络，通常由多个网络层组成。这些网络层通过 分层合作可以构建改进的特征空间。***层学习低阶特征，例如颜色和边缘。第二层学习 高阶特征，例如角点。第三层学习小块或纹理特征。网络层通常以无监督模式学习，以便 发现输入空间的一般特征。然后，***一层网络的特征可以输入到监督层以便完成分类或 回归任务。

在网络层之间，节点通过加权边进行连接。每个节点与一个激活函数相关联，其可视 为一个模拟的新皮层。节点的输入来自于其低层节点。然而，构建如此庞大、多层类神经 元信息流阵列是10 年前的想法。从创造想法到最近的成功，深层网络的发展经历了一波三 折。

随着数学公式的***改进、计算机的日益强大和越来越多的大规模数据集创建，深度 学习的春天已经来临。目前，深度学习已成为当今科技界的一大支柱，并已广泛地应用于 多个领域。在下一节中，将追溯深度学习的历史并讨论其令人难以置信的起伏发展旅程。