人工智能技術發(fā)展到現(xiàn)在已經超過60年，它在歷史上經歷過三起三落的浪潮。第一個興起階段以1956年的達特茅斯學院會議為標志，首次提出了人工智能的概念；第二個興起階段以日本提出支持開發(fā)第五代計算機項目為標志，當時日本還研發(fā)出了許多機器人，到現(xiàn)在，日本的機器人技術在全球都處于領先地位；第三個快速發(fā)展階段則以加拿大多倫多大學的教授欣頓（Geoffrey Hinton）于2006年提出深度學習神經網(wǎng)絡為標志，當前正處于這個快速發(fā)展的階段。

得益于數(shù)據(jù)、算法、算力這三駕馬車，人工智能在2006年以后獲得了巨大的發(fā)展。有一個有趣的說法，如果用火箭來比喻人工智能，那么數(shù)據(jù)是火箭的燃料，算法是火箭的引擎，算力即芯片是火箭的加速器。我們從這個比喻中可以看到數(shù)據(jù)、算法、算力對這次人工智能浪潮的重要影響，下面我們分別簡單分析一下這3個技術。

▲人工智能與數(shù)據(jù)、算法、算力的關系

隨著互聯(lián)網(wǎng)的飛速發(fā)展，這個世界上的數(shù)據(jù)變得異常豐富，數(shù)據(jù)量呈爆炸式地增長。據(jù)估算，從1986年到2007年這20年間，地球上每天可以通過既有信息通道交換的信息數(shù)量增長了約217倍，這些信息的數(shù)字化程度，則從1986年的約20%增長到2007年的約99.9%。在數(shù)字化信息爆炸式增長的過程里，全球信息存儲能力大約每3年翻一番，每個參與信息交換的節(jié)點都可以在短時間內接收并存儲大量數(shù)據(jù)。從1986年到2007年這20年間，全球信息存儲能力增加了約120倍，所存儲信息的數(shù)字化程度也從1986年的約1%增長到2007年的約94%。1986年，即便用上我們所有的信息載體、存儲手段，我們也只能存儲全世界所交換信息的大約1%。而2007年，這個數(shù)字已經增長到大約16%。信息存儲能力的增加為我們利用大數(shù)據(jù)提供了近乎無限的想象空間。

從應用角度來說，今天的大數(shù)據(jù)越來越多地呈現(xiàn)出以下一種或幾種特性：

大數(shù)據(jù)取代了傳統(tǒng)的抽樣調查。例如，以前電視臺某個節(jié)目的收視率往往要由專業(yè)的調查公司通過抽樣調查的方式估算出來?，F(xiàn)在，有了微博、視頻網(wǎng)站等，我們就可以直接利用網(wǎng)絡上每時每刻產生的大數(shù)據(jù)對節(jié)目熱度進行分析，其準確性往往超過傳統(tǒng)的抽樣調查方式。

許多大數(shù)據(jù)都可以實時獲取。例如，每年“雙11”期間的各類電子商務平臺上，每時每刻都有成千上萬筆交易進行著，所有這些交易數(shù)據(jù)都可以被實時匯總，供人們對“雙11”當天的交易情況進行監(jiān)控、管理、分析、匯總。大數(shù)據(jù)的實時性為大數(shù)據(jù)的應用提供了更多的選擇，為大數(shù)據(jù)更快產生應用價值提供了基礎。

大數(shù)據(jù)往往混合了來自多個數(shù)據(jù)源的多維度信息。假如利用用戶ID，將用戶在微博上的社交行為和用戶在電子商務平臺的購買行為關聯(lián)起來，就可以向微博用戶更準確地推薦他最喜歡的商品。聚合更多數(shù)據(jù)源，增加數(shù)據(jù)維度，這是提高大數(shù)據(jù)價值的好辦法。

多來源、實時、大量、多類型的數(shù)據(jù)可以從不同的角度進行更為逼近真實的描述，而利用深度學習算法可以挖掘數(shù)據(jù)之間的多層次關聯(lián)關系，為人工智能應用奠定了數(shù)據(jù)源基礎。

機器學習是對能通過數(shù)據(jù)或經驗自動改進的計算機算法的研究。對于機器學習的理解，我們可以從3個問題入手，即“學什么、怎么學、做什么”。首先，“學什么”即機器學習的內容，是能夠表征此項任務的函數(shù)。其次，“怎么學”即機器學習的方法。要實現(xiàn)學習目標，就要教給機器一套評判的方法。從數(shù)學角度來看，就是為機器定義一個合適的損失函數(shù)，能夠合理量化真實結果和訓練結果的誤差，并將之反饋給機器繼續(xù)作迭代訓練。最后，“做什么”即機器學習的具體執(zhí)行，主要做3件事，即分類（Classification）、回歸（Regression）和聚類（Clustering），其中分類和回歸屬于監(jiān)督學習的范疇，而聚類則屬于非監(jiān)督學習的范疇。目前絕大多數(shù)人工智能落地應用的背后，都是將現(xiàn)實問題抽象成相應的數(shù)學模型，都可以分解為這些基本任務的有機組合。

機器學習算法的廣義分類大概有3種：監(jiān)督學習、無監(jiān)督學習、強化學習。

監(jiān)督學習是指在訓練的時候就知道正確結果。比如教小孩子分類，先給他一個蘋果，然后告訴他這是蘋果。經過反復地訓練學習，再給他蘋果的時候，問他這是什么，他應該告訴你，這是蘋果。如果給他一個梨，他應該告訴你，這不是蘋果。訓練集的目標是由人標注（標量）的。在監(jiān)督學習下，輸入數(shù)據(jù)被稱為“訓練數(shù)據(jù)”，每組訓練數(shù)據(jù)有一個明確的標識或結果，如防垃圾郵件系統(tǒng)中的“垃圾郵件”“非垃圾郵件”，手寫數(shù)字識別中的“1”“2”“3”等。在建立預測模型時，監(jiān)督學習建立一個學習過程，將預測結果與“訓練數(shù)據(jù)”的實際結果進行比較，不斷調整預測模型，直到模型的預測結果達到一個預期的準確率。監(jiān)督學習分為兩類：回歸（Regression）和分類（ClassificaTIon），如果機器學習算法的輸出值是連續(xù)值，則屬于回歸問題；如果是離散值，則屬于分類問題。

和監(jiān)督學習不同，無監(jiān)督學習在訓練的時候并不知道正確結果。繼續(xù)上面的例子，給小孩子一堆水果，比如有蘋果、橘子、梨這3種，小孩子一開始不知道這些水果是什么，讓小孩子對這堆水果進行分類。等小孩子分類完后，給他一個蘋果，他應該將這個蘋果放到剛剛分好的蘋果堆中去。無監(jiān)督學習常用的方法是聚類（Clustering）。

強化學習是在機器學習算法程序運行的過程中，我們對它的行為做出評價，評價有正面和負面兩種，目的是讓它做出更有可能得到正面評價的行為。谷歌的AlphaGo圍棋程序，贏了圍棋界排名世界第一的柯潔，背后使用的就是強化學習技術。

深度學習是機器學習的子領域，具體來說，深度學習是機器學習中具有深層結構的神經網(wǎng)絡算法。人工智能算法從專家系統(tǒng)到特征工程，最后到深度學習的這個過程中，人工參與在逐漸減少，而機器工作在逐漸增加，由于深度學習算法的優(yōu)異表現(xiàn)得到了主流認可，所以在多方應用中得到長足發(fā)展，下面我們簡單分析一下深度學習算法的優(yōu)勢。

深度學習在機器學習算法中獨樹一幟并取得長足發(fā)展的原因主要有3點。

第一，深度學習算法降低了對算力的需求。傳統(tǒng)機器學習算法在語音識別、物體識別方面無法有效展開應用，其重要原因之一是無法使用語音及圖像的高維度數(shù)據(jù)（high-dimensional data）在高維空間學習復雜的函數(shù)，這個問題被稱為維度詛咒（Curse of Dimensionality），高維度數(shù)據(jù)的參數(shù)設置需求隨著變量的增加呈指數(shù)增長，對計算能力提出了極大挑戰(zhàn)，幾乎無法完成。而深度學習采用多層調參、層層收斂的方式，將參數(shù)數(shù)量始終控制在一個較為合理的水平，使得原本不可計算的模型變得可計算了，其理解可如下圖所示。

第二，深度神經網(wǎng)絡具有完備性。從理論上來說，深度神經網(wǎng)絡可以表征任何函數(shù)，因此深度神經網(wǎng)絡可以通過不同的參數(shù)及網(wǎng)絡結構對任意函數(shù)進行擬合，排除了其無法學習復雜函數(shù)的可能性。

第三，深度學習的特征選取完備。深度學習具有自動學習特征的能力，這也是深度學習又叫無監(jiān)督特征學習（unsupervised feature learning）的原因。從深度學習模型中選擇某一神經層的特征后，就可以用來進行最終目標模型的訓練，而不需要人為參與特征選取。

人工智能領域是一個數(shù)據(jù)密集、計算密集的領域，傳統(tǒng)的數(shù)據(jù)處理技術難以滿足高強度、大數(shù)據(jù)的處理需求。人工智能芯片的出現(xiàn)讓大規(guī)模的數(shù)據(jù)效率大大提升，加速了深層神經網(wǎng)絡的訓練迭代速度，極大地促進了人工智能行業(yè)的發(fā)展。在人工智能市場高速發(fā)展的今天，人們都在尋找能讓深度學習算法更快速、更低能耗執(zhí)行的芯片。

人工智能芯片主要包括GPU（Graphics Processing Unit，圖形處理器）、FPGA（Field Programmable Gate Array，現(xiàn)場可編程邏輯門陣列）、ASIC（ ApplicaTIon Specific Integrated Circuit，專用集成電路）以及類腦芯片。在人工智能時代，它們各自發(fā)揮優(yōu)勢，呈現(xiàn)出百花齊放的狀態(tài)。

GPU最初作為應對圖像處理需求而出現(xiàn)的芯片。其特點為擅長大規(guī)模并行運算，可以平行處理大量信息。在人工智能技術發(fā)展早期，因其具有優(yōu)異的大規(guī)模數(shù)據(jù)處理能力而被使用在多個項目之中。谷歌的圖像識別項目、 AlphaGo項目、特斯拉/沃爾沃等諸多汽車廠商的輔助駕駛系統(tǒng)和無人駕駛實驗中，均使用了GPU作為加速芯片。然而，從芯片底層架構來講，由于GPU并非專為深度學習設計的專業(yè)芯片，并非是人工智能加速硬件的最終答案。

FPGA是一種通用型的芯片，設計更接近于硬件底層的架構，其最大特點是可編程?；诳删幊痰奶攸c，用戶可以通過燒入FPGA 配置文件來實現(xiàn)應用場景的高度定制，進而實現(xiàn)高性能、低功耗的目的。FPGA 成本較高，更適用于企業(yè)用戶，尤其是可重配置需求較高的軍事和工業(yè)電子領域。

ASIC是對應特定應用場景，針對特定用戶需求的專用芯片。假如把FPGA比作科研研發(fā)專用芯片，那ASIC就是確定應用市場后，大量生產的專用芯片。全定制設計的ASIC芯片，針對專門的應用場景，性能和能耗都要優(yōu)于市場上的現(xiàn)有芯片，包括FPGA和GPU。

類腦芯片架構是模擬人腦的新型芯片編程架構，這種芯片的功能類似于大腦的神經突觸，處理器類似于神經元，而其通信系統(tǒng)類似于神經纖維，允許開發(fā)者為類人腦芯片設計應用程序。通過這種神經元網(wǎng)絡系統(tǒng)，計算機可以感知、記憶和處理大量不同的情況。

總而言之，人工智能是一項復雜的前沿、新興技術，在經歷了多次起起伏伏的浪潮之后，這一次人工智能浪潮的產生涉及大數(shù)據(jù)、深度學習、人工智能芯片、計算機視覺處理、自然語言理解、語音識別、語音合成等多項技術。這些技術不斷作用，互相融合，推動技術向前發(fā)展，為人類提供更美好的生活。