戳 「 閱讀原文 」，獲得短信提醒，不錯過下次 InfoQ 大咖說直播！
回復(fù)： 指南，獲取視頻下載。
AI 并不是一個新概念，早在上世紀 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“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，只不過不是叫“深度學(xué)習(xí)”，而是叫“神經(jīng)網(wǎng)絡(luò)”。可以說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 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題就無法通過單個神經(jīng)元來解決。盲目樂觀也給人工智能的發(fā)展帶來了反作用。政府發(fā)現(xiàn)雖然人工智能說得那么厲害，但是在十幾年內(nèi)并沒有帶來翻天覆地的變化，所以大幅削減了研究經(jīng)費。
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，然而因為當時計算能力和數(shù)據(jù)量的限制，也沒能使得人工智能得到廣泛的應(yīng)用。
直到最近因為計算能力的提升，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，在計算機視覺、語音、自然語言處理等眾多領(lǐng)域都取得了突破性的進展。像無人車、翻譯軟件、智能機器人等各種人工智能應(yīng)用逐漸進入成熟階段，再加上 AlphaGo 圍棋機器人的推波助瀾，使得人工智能又掀起了一個高潮。
人工智能的興起也帶來了一些擔心，有人覺得自己的工作將會被人工智能所取代，甚至有人擔心人類將會被機器人滅亡。在芒果臺一個非常火的節(jié)目明星大偵探中就有一期以人類和機器人之間的矛盾為主題，表達了技術(shù)的發(fā)展對人類帶來的潛在威脅。
人工智能技術(shù)雖然得到了突破性的進展，但是要達到完全取代人類的地步還為時過早。不過在某些領(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)勞動的制造業(yè)。目前已經(jīng)有很多生產(chǎn)流水線已經(jīng)被機器人取代了，在未來的幾年內(nèi)，我相信會有更多的簡單重復(fù)勞動將被機器取代。
與簡單重復(fù)勞動相反，目前人工智能已經(jīng)進軍一些度專業(yè)知識要求非常高的領(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)域的職能風控、投顧等問題都能夠通過人工智能的算法得到較為滿意的結(jié)果。不過在這些問題上，機器在短期內(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問題就是黑箱問題。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人來說幾乎一模一樣，但是可以使得機器得到不一樣的分析結(jié)果。不過我相信這些問題隨著人工智能技術(shù)的進一步成熟，很有可能在 10-15 年之后開始慢慢取代人類。
提到入門人工智能，特別是深度學(xué)習(xí)，很多人最大的擔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)上有人說數(shù)學(xué)是基礎(chǔ)，不學(xué)好數(shù)學(xué)無法掌握深度學(xué)習(xí)的精髓。這是對的，但是也不是所有人都需要掌握精髓才能將人工智能運用到具體的問題中。
對于僅僅是想把深度學(xué)習(xí)用于具體問題的人，我比較推薦在實戰(zhàn)中學(xué)習(xí)。這些人可以不用對模型背后的數(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題轉(zhuǎn)化為一些經(jīng)典問題就可以。我的書《TensorFLow：實戰(zhàn) google 深度學(xué)習(xí)框架》就是在實戰(zhàn)中介紹深度學(xué)習(xí)的原理和使用方法，可以幫助大家在實戰(zhàn)中了解基本原理和使用方法。學(xué)習(xí)的過程中大概有三個階段，第一個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題，在哪些領(lǐng)域中可以帶來幫助；第二個階段是自我發(fā)現(xiàn)的階段，找到自己想要應(yīng)用人工智能的領(lǐng)域，并且運用學(xué)到的知識來解決具體的問題；第三個階段帶著經(jīng)驗來學(xué)習(xí)更加系統(tǒng)化的知識。同時我將于 9 月與 InfoQ 合作一個帶 CapStone 項目的在線課程，在介紹基本原理的同時，我們將給出 3 個具體的項目，參與項目的同學(xué)將得到來自才云科技的資深大數(shù)據(jù)科學(xué)家的輔導(dǎo)。
當然，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。對于這一類的同學(xué)，我推薦大家從 GoodFellow 的《Deep Learning》這本書開始，扎穩(wěn)數(shù)學(xué)根基。同時關(guān)注機器學(xué)習(xí)領(lǐng)域一些比較重要的會議，比如 ICML、NIPS、AAAI、CVPR、ACL、EMNLP、WWW 等國際頂級會議。鄭老師在 StuQ 有一門《TensorFlow 實戰(zhàn)》，現(xiàn)在報名還有大力優(yōu)惠，感興趣可以點：http://new.stuq.org/course/74
雖然人工智能這個概念已經(jīng)非常火了，而且也有了類似 AlphaGo、無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)。每個公司都有很多場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，所以對于很多企業(yè)來說，招人成為了一個非常大的挑戰(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，也需要時間。比如在做自動診斷時，很多時候一個醫(yī)院一年也就只有幾百個甚至只有幾十個病人，那么這樣樣本數(shù)太少導(dǎo)致很難使用深度學(xué)習(xí)。
平臺方面的挑戰(zhàn)。海量的數(shù)據(jù)與超大的運算量往往會帶來平臺層的壓力。比如從頭開始在 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間才能達到和傳統(tǒng)機器學(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。雖然目前開源的深度學(xué)習(xí)工具不甚枚舉，而且支持分布式的也不在少數(shù)，但是能支持企業(yè)級用戶的系統(tǒng)還是空缺。Caicloud 提供的 TensorFlow as a Service 平臺就提供了國內(nèi)首個商用深度學(xué)習(xí)平臺，幫助企業(yè)更快的掌握 AI 能力。
近日，由 InfoQ 參與承辦的以“在一起，夢飛揚”為主題的 2017 華為開發(fā)者大賽正式開賽，大賽設(shè)置百萬現(xiàn)金獎勵，面向參賽者征集采用華為 11 個領(lǐng)域開放能力的優(yōu)秀作品，包括：云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、企業(yè)云通信、eLTE、視頻、CloudCaaS 、移動、開放工場、運營商運營管理、IES SmallCell。如果你是華為的合作伙伴，或者對華為合作伙伴生態(tài)感興趣，趕緊掃描下方二維碼注冊參賽，凡提交作品均有開發(fā)者禮包相贈。
點擊下方圖片即可閱讀 騰訊研發(fā)總監(jiān)王輝：十億級視頻播放技術(shù)優(yōu)化揭秘 今日薦文
