AlphaGo擊敗李世乭一時間引起了眾多媒體的關注，盡管已經過去一段時間。而人工智能、機器學習和深度學習這些詞已然成為媒體熱詞，媒體用他們用來描述 DeepMind 是如何獲得成功的。

　　首先來說一下，人工智能、深度學習、機器學習三者之間的關系，區別三者最簡單的方法：想象同心圓，人工智能（AI）是半徑最大的同心圓，向內是機器學習（Machine Learning），最內是深入學習（Deep Learning）。

　　自從幾位計算機科學家在 1956 年的達特茅斯會議上提到這個詞以后，人工智能就縈繞在實驗研究者們心中，不斷醞釀。在此后的幾十年里，人工智能被標榜為成就人類文明美好未來的關鍵。

　　在過去的幾年里，特別是2015 以來，人工智能開始大爆發。這在很大程度上提高了 GPU 的廣泛可用性，使得并行處理速度越來越快，使用更便宜，而且功能更強大。整個大數據運動擁有無限的存儲和大量的數據：圖像，文本，交易，映射數據等等。

　　有關人工智能：

　　1.過去二十年，在大數據集的數字化、建立管理大數據集的基礎框架和大數據計算范式上的進展，是解釋本世紀先后將重點放在數據科學和人工智能上的主要原因。

　　2.一旦我們數字化了數據，使得他們可以被程序處理，下一步就是撬動自動化和對未來的預測。隨著預測能力的增加，似乎更多“智能”的方面展現了出 來。于是我們將“數據科學”這樣的術語改為“人工智能”。事實上這二者之間并沒有什么明顯的差別，只是感覺上的新奇和困難程度不同而已。新奇度和難度隨著時間是呈正態分布。今天“人工智能”給人的感覺就和昨天的“數據科學”一樣。

　　3.從數據中學習的AI叫做機器學習（Machine Learning）。傳統的機器學習從原始數據中提取人們可以識別的特征，然后通過學習這些特征產生一個最終的模型。

　　有關機器學習：

　　機器學習是一種實現人工智能的方法。

　　1、機器學習最根本的點在于使用算法來分析數據的實踐、學習，然后對真實的事件作出決定或預測。而不是用一組特定的指令生成的硬編碼軟件程序來解決特定任務，機器是通過使用大量的數據和算法來「訓練」，這樣就給了它學習如何執行任務的能力。

　　2、機器學習是早期人工智能人群思考的產物，多年來形成的算法包括決策樹學習、歸納邏輯編程、聚類、強化學習、貝葉斯網絡等等。正如我們所知，所有這些都沒有實現強人工智能的最終目標，而早期的機器學習方法甚至連弱人工智能都沒有觸及到。

　　4、事實證明，多年來機器學習的最佳應用領域之一是計算機視覺，盡管仍然需要大量的手工編碼來完成這項工作。人們會去寫手工編碼分類器，如邊緣檢測濾波器，以便程序可以識別一個目標的啟動和停止；進行形狀檢測以確定它是否有八個側面；同時確保分類器能夠識別字母「s-t-o-p.」從那些手工編碼分類器中，機器就會開發算法使得圖像和「學習」更有意義，用來確定這是否是一個停止標志。

　　結果還算不錯，但這還不夠。特別是在霧天當標志不那么清晰，或有一棵樹掩蓋了標志的一部分時，就難以成功了。還有一個原因，計算機視覺和圖像檢測還不能與人類相媲美，它太脆弱，太容易受到周圍環境的影響。

　　有關深度學習：

　　現在深度學習在機器學習領域是一個很熱的概念，不過經過各種媒體的轉載播報，這個概念也逐漸變得有些神話的感覺：例如，人們可能認為，深度學習是一種能夠模擬出人腦的神經結構的機器學習方式，從而能夠讓計算機具有人一樣的智慧；而這樣一種技術在將來無疑是前景無限的。那么深度學習本質上又是一種什么樣的技術呢？

　　深度學習是機器學習領域中對模式（聲音、圖像等等）進行建模的一種方法，它也是一種基于統計的概率模型。在對各種模式進行建模之后，便可以對各種模式進行 識別了，例如待建模的模式是聲音的話，那么這種識別便可以理解為語音識別。而類比來理解，如果說將機器學習算法類比為排序算法，那么深度學習算法便是眾多排序算法當中的一種（例如冒泡排序），這種算法在某些應用場景中，會具有一定的優勢。

　　1.過去十年中，神經網絡，一種類似哺乳動物大腦突觸連接關系的機器學習結構，得以復興。神經網絡不需要人為提取特征。原始數據進入學習算法之后不需要任何的人為工作，我們把它稱之為“深度學習”。

　　2.盡管深度學習技術和學習模型已經存在了幾十年了，但是我們現在才看到其理論創新和基于經驗的突破，因為基礎架構和數據的實用性才剛剛成熟。2006年，NVIDIA推出基于GPU的CUDA開發平臺，成為了深度學習發展歷史上的風水嶺。

　　3.正是由于深度學習脫離了人為構建特征使其得以成為一種自然的學習工具。很多技能，早在有能力以復雜的數學方式提取特征之前，我們就已經學會了。這些技能是我們自然而然學會的，難以用高度的特征歸納。通過傳統的機器學習手段，是很難憑人類的直覺得出，或是構造出高維的精確特征的。

　　4.早在我們有能力構建復雜的語義（semantic）之前，我們就已經在機器視覺和自然語言處理等方面取得了很好的成績。但是學會這些技能不需要我們有數學推理的能力，更不要說人為有意構建的高層語義了。

　　5.深度學習在廣義的高維機器學習問題上已經展現了突破性的成果。其中覆蓋的領域包括基因組學，油氣，數位病理學甚至是公共市場。

　　有關強人工智能：

　　Artificial General Intelligence（AGI）是指強人工智能，這是一種人類級別的人工智能，在各方面都能和人類比肩，人類能干的腦力活它都能干。不僅僅是當今人工智能所應對的局部、特定的問題，未來 可能出現的復雜繁冗任務對它來說都不在話下，當前的人工智能需要人類進行編程，但不排除未來的某一天它可以自動編程。因此，AGI的定義其實也不太準確。

　　1、如果說AGI定義尚難，尚不能預測它的發展。勒存和百度首席科學家吳恩達等人都認為不必在AGI的預測上浪費時間，因為目前人類要達到這個水平還遠的很。人工智能還需要跨越一個幾年甚至幾十年的寒冬。吳恩達做了個比喻，人類對未來人工智能的擔憂簡直比得上對半人馬座α星系的幻想（注：由于半人馬座α星系統距離地球很近，許多科幻小說都“認為”這里存在發達的宇宙文明）。

　　2、谷歌DeepMind聯合創始人肖恩·萊格認為，現在開始研究人工智能安全是絕對有益的，它幫助我們建立起一個框架，讓研究人員在這個框架內朝著積極的方向去發展更聰明的人工智能。

　　3、AGI會擁有類似人類的智力，但是卻不會有類似人類的外表，因為我們并不了解自己內在的“目標函數”。目前，我們在特定的領域內訓練計算機，使他們犯的錯誤最小化。除非我們知道我們自己的目標函數是如何校準的，否則，即使AGI會很智能甚至有可能會有意識的展現，但也絕對不會完全像人一樣。

　　4、人們會通過輸入輸出的通道來限制和規范AGI的行為。未來會有很多關于AGI善惡的爭論，關于增加其好的能力是否會同時使其產生潛在的惡意行為。無人駕駛汽車是一個早期、但是很有力的例子。

　　有關人工智能之計算機視覺公司：

　　1、曠視科技：讓機器看懂世界

　　公司專注于人臉識別技術和相關產品應用研究，面向開發者提供服務，能提供一整套人臉檢測、人臉識別、人臉分析以及人臉3D技術的視覺技術服務，主要通過提供云端API、離線SDK、以及面向用戶的自主研發產品形式，將人臉識別技術廣泛應用到互聯網及移動應用場景中。

　　2、云從科技：源自計算機視覺之父的人臉識別技術

　　廣州云從信息科技有限公司（簡稱云從科技）是一家專注于計算機視覺與人工智能的高科技企業，核心技術源于四院院士、計算機視覺之父—— Thomas S. Huang黃煦濤教授。

　　3、格林深瞳：讓計算機看懂世界

　　格靈深瞳是一家將計算機視覺和深度學習技術應用于商業領域的科技公司，自主研發的深瞳技術在人和車的檢測、跟蹤與識別方面居于世界領先水平。

　　北京陌上花科技有限公司：人工智能計算機視覺引擎

　　衣+是領先的人工智能計算機視覺引擎，在國際頂級計算機視覺競賽ImageNet2015中，獲得五項世界第一。

　　4、依圖科技：與您一起構建計算機視覺的未來

　　目前致力于計算機視覺、圖像視頻智能理解和分布式系統及大數據應用的研究，為用戶提供基于圖像視頻理解的計算機視覺產品。

　　5、碼隆科技：最時尚的人工智能

　　碼隆科技（Malong Technologies）是一家專注于引領深度學習與計算機視覺技術突破的人工智能公司，致力于打造全球領先的視覺決策引擎，并為企業提供國際領先、定制化的計算機視覺解決方案。

　　6、Linkface臉云科技：全球領先的人臉識別技術服務

　　成立于2014年，開創了基于深度學習的人臉檢測創新算法，搭建了一套高效穩定的人臉分析系統，囊括了人臉檢測、人臉關鍵點檢出、人臉識別、人臉屬性分析、活體檢測等全套身份認證所需技術。

　　7、灝瀧智能：疲勞駕駛預警技術領先企業

　　公司核心團隊以原中國人民解放軍某部，軍用圖形圖像技術轉業專家發起組建，公司所研發的視覺識別技術，通過日本、歐洲多家跨國電子企業及國內車廠的綜合測試要求。

　　8、Sense Time商湯科技：教會計算機看懂這個世界

　　我們成功聚集了當下華人中最出色、最有影響力的深度學習、計算機視覺科學家，以及來自于谷歌、百度、微軟、聯想等一批產業界的領軍人物。在人工智能產業興起的大背景下，商湯集團憑借在技術、人才、專利上超過十年的積累，迅速成為了人工智能行業領軍企業。

　　9、圖普科技：專注于圖像識別

　　廣州圖普網絡科技有限公司是一家站在人工智能前沿的創業科技公司，專注于圖像識別整體解決方案。

?