普通程序員學(xué)習(xí) AI人工智能 的簡(jiǎn)易指南

普通程序員學(xué)習(xí)AI人工智能的簡(jiǎn)易指南AI的發(fā)展歷史與深度學(xué)習(xí)的崛起AI并不是一個(gè)新概念，早在上世紀(jì)50年代就已經(jīng)被提出。只是期間經(jīng)歷了幾次起落，直到最近深度學(xué)習(xí)的興起才又回到了大眾的視野。類似的，深度學(xué)習(xí)也不是一個(gè)“新技術(shù)”，它底層的技術(shù)從人工智能被提出之初就已經(jīng)有了，只不過(guò)不是叫“深度學(xué)習(xí)”，而是叫“神經(jīng)網(wǎng)絡(luò)”。可以說(shuō)人工智能的興衰和神經(jīng)網(wǎng)絡(luò)的興衰是直接相關(guān)的。在上世紀(jì)50年代人工智能的概念被提出，神經(jīng)網(wǎng)絡(luò)的雛形感知機(jī)被提出。早在1966年，就有人提出了在3～8年內(nèi)人工智能將達(dá)到和人類智慧相似的程度。然而，早期的人工智能系統(tǒng)具有很大的局限性，比如線性不可分的異或問(wèn)題就無(wú)法通過(guò)單個(gè)神經(jīng)元來(lái)解決。盲目樂(lè)觀也給人工智能的發(fā)展帶來(lái)了反作用。政府發(fā)現(xiàn)雖然人工智能說(shuō)得那么厲害，但是在十幾年內(nèi)并沒(méi)有帶來(lái)翻天覆地的變化，所以大幅削減了研究經(jīng)費(fèi)。在1980年左右，多層神經(jīng)網(wǎng)絡(luò)和反向傳播算法的提出讓神經(jīng)網(wǎng)絡(luò)和人工智能的研究又火了一段，然而因?yàn)楫?dāng)時(shí)計(jì)算能力和數(shù)據(jù)量的限制，也沒(méi)能使得人工智能得到廣泛的應(yīng)用。直到最近因?yàn)橛?jì)算能力的提升，GPU以及大規(guī)模分布式集群的出現(xiàn)，深層神經(jīng)網(wǎng)絡(luò)，也就是深度學(xué)習(xí)，突破了很多學(xué)術(shù)研究的瓶頸，在計(jì)算機(jī)視覺(jué)、語(yǔ)音、自然語(yǔ)言處理等眾多領(lǐng)域都取得了突破性的進(jìn)展。像無(wú)人車、翻譯軟件、智能機(jī)器人等各種人工智能應(yīng)用逐漸進(jìn)入成熟階段，再加上AlphaGo圍棋機(jī)器人的推波助瀾，使得人工智能又掀起了一個(gè)高潮。哪些職業(yè)會(huì)被AI淘汰？又有哪些新崗位會(huì)出現(xiàn)？人工智能的興起也帶來(lái)了一些擔(dān)心，有人覺(jué)得自己的工作將會(huì)被人工智能所取代，甚至有人擔(dān)心人類將會(huì)被機(jī)器人滅亡。在芒果臺(tái)一個(gè)非?；鸬墓?jié)目明星大偵探中就有一期以人類和機(jī)器人之間的矛盾為主題，表達(dá)了技術(shù)的發(fā)展對(duì)人類帶來(lái)的潛在威脅。人工智能技術(shù)雖然得到了突破性的進(jìn)展，但是要達(dá)到完全取代人類的地步還為時(shí)過(guò)早。不過(guò)在某些領(lǐng)域，人工智能的應(yīng)用已經(jīng)可以部分取代人類。最早收到波及的行業(yè)就是那些存在大量重復(fù)勞動(dòng)的制造業(yè)。目前已經(jīng)有很多生產(chǎn)流水線已經(jīng)被機(jī)器人取代了，在未來(lái)的幾年內(nèi)，我相信會(huì)有更多的簡(jiǎn)單重復(fù)勞動(dòng)將被機(jī)器取代。與簡(jiǎn)單重復(fù)勞動(dòng)相反，目前人工智能已經(jīng)進(jìn)軍一些度專業(yè)知識(shí)要求非常高的領(lǐng)域。其中基于醫(yī)學(xué)圖像的診斷、大型設(shè)備、廠房的智能調(diào)優(yōu)、金融領(lǐng)域的職能風(fēng)控、投顧等問(wèn)題都能夠通過(guò)人工智能的算法得到較為滿意的結(jié)果。不過(guò)在這些問(wèn)題上，機(jī)器在短期內(nèi)要取代人類還是非常有難度的，需要有新的突破。比如深度學(xué)習(xí)被詬病得比較多的一個(gè)問(wèn)題就是黑箱問(wèn)題。深度學(xué)習(xí)的模型很難被直觀的理解，有研究指出稍微修改一些圖片的像素，盡管修改后的圖片和原圖對(duì)人來(lái)說(shuō)幾乎一模一樣，但是可以使得機(jī)器得到不一樣的分析結(jié)果。不過(guò)我相信這些問(wèn)題隨著人工智能技術(shù)的進(jìn)一步成熟，很有可能在10-15年之后開(kāi)始慢慢取代人類。普通程序員如何從零入手系統(tǒng)學(xué)習(xí)AI提到入門(mén)人工智能，特別是深度學(xué)習(xí)，很多人最大的擔(dān)心就是我是不是需要先學(xué)好數(shù)學(xué)然后才能掌握人工智能，特別是深度學(xué)習(xí)算法”。在網(wǎng)上有人說(shuō)數(shù)學(xué)是基礎(chǔ)，不學(xué)好數(shù)學(xué)無(wú)法掌握深度學(xué)習(xí)的精髓。這是對(duì)的，但是也不是所有人都需要掌握精髓才能將人工智能運(yùn)用到具體的問(wèn)題中。對(duì)于僅僅是想把深度學(xué)習(xí)用于具體問(wèn)題的人，我比較推薦在實(shí)戰(zhàn)中學(xué)習(xí)。這些人可以不用對(duì)模型背后的數(shù)學(xué)原理有太深的了解，只要大概知道是怎樣做的，如何將自己遇到的問(wèn)題轉(zhuǎn)化為一些經(jīng)典問(wèn)題就可以。我的書(shū)《TensorFLow：實(shí)戰(zhàn)google深度學(xué)習(xí)框架》就是在實(shí)戰(zhàn)中介紹深度學(xué)習(xí)的原理和使用方法，可以幫助大家在實(shí)戰(zhàn)中了解基本原理和使用方法。學(xué)習(xí)的過(guò)程中大概有三個(gè)階段，第一個(gè)階段需要大概了解人工智能是什么，能夠解決什么類型的問(wèn)題，在哪些領(lǐng)域中可以帶來(lái)幫助；第二個(gè)階段是自我發(fā)現(xiàn)的階段，找到自己想要應(yīng)用人工智能的領(lǐng)域，并且運(yùn)用學(xué)到的知識(shí)來(lái)解決具體的問(wèn)題；第三個(gè)階段帶著經(jīng)驗(yàn)來(lái)學(xué)習(xí)更加系統(tǒng)化的知識(shí)。同時(shí)我將于9月與InfoQ合作一個(gè)帶CapStone項(xiàng)目的在線課程，在介紹基本原理的同時(shí)，我們將給出3個(gè)具體的項(xiàng)目，參與項(xiàng)目的同學(xué)將得到來(lái)自才云科技的資深大數(shù)據(jù)科學(xué)家的輔導(dǎo)。當(dāng)然，如果我們要更加深入的了解深度學(xué)習(xí)，并能夠在技術(shù)上有突破，那么深入數(shù)學(xué)公式就是在所難免的了。對(duì)于這一類的同學(xué)，我推薦大家從GoodFellow的《DeepLearning》這本書(shū)開(kāi)始，扎穩(wěn)數(shù)學(xué)根基。同時(shí)關(guān)注機(jī)器學(xué)習(xí)領(lǐng)域一些比較重要的會(huì)議，比如ICML、NIPS、AAAI、CVPR、ACL、EMNLP、WWW等國(guó)際頂級(jí)會(huì)議。鄭老師在StuQ有一門(mén)《TensorFlow實(shí)戰(zhàn)》，現(xiàn)在報(bào)名還有大力優(yōu)惠，感興趣可以點(diǎn)：/course/74AI在落地過(guò)程中會(huì)遇到的挑戰(zhàn)及解決方案雖然人工智能這個(gè)概念已經(jīng)非?；鹆?，而且也有了類似AlphaGo、無(wú)人車等最新的人工智能研究成果，然而，要將人工智能應(yīng)用于實(shí)際的生產(chǎn)生活中仍然面臨很大的挑戰(zhàn)。人才方面的挑戰(zhàn)。每個(gè)公司都有很多場(chǎng)景需要使用到人工智能，然而人工智能方面的人才有限，而且目前都集中于BAT等少數(shù)大公司，所以對(duì)于很多企業(yè)來(lái)說(shuō)，招人成為了一個(gè)非常大的挑戰(zhàn)。數(shù)據(jù)方面的挑戰(zhàn)。深度學(xué)習(xí)需要海量數(shù)據(jù)，要收集海量有用的數(shù)據(jù)不容易，也需要時(shí)間。比如在做自動(dòng)診斷時(shí)，很多時(shí)候一個(gè)醫(yī)院一年也就只有幾百個(gè)甚至只有幾十個(gè)病人，那么這樣樣本數(shù)太少導(dǎo)致很難使用深度學(xué)習(xí)。平臺(tái)方面的挑戰(zhàn)。海量的數(shù)據(jù)與超大的運(yùn)算量往往會(huì)帶來(lái)平臺(tái)層的壓力。比如從頭開(kāi)始在ImageNet數(shù)據(jù)上訓(xùn)練Inception-v3模型，即使在有GPU的情況下也需要將近半年的時(shí)間才能達(dá)到和傳統(tǒng)機(jī)器學(xué)習(xí)方法類似的效果。那么并行化加速成為了必然的需求