李瑶博士曾为我们详细的介绍过什么是AI，什么是深度学习。当前的趋势，正在从之前的“互联网+”或者“移动+”，慢慢转向为“AI+”，也就是“人工智能+”。很多公司比如滴滴是“互联网+打车”，做的是怎样用互联网改变传统行业；但是现在，他们纷纷转向“如何用积累下来的数据提供更多的价值”。一些公司从创立初始就是“人工智能+”，比如今日头条是“人工智能+新闻”、大疆是“人工智能+无人机和机器人”。可以看到，“人工智能+”正在慢慢渗透并在改变所有的行业。

　　那为什么人工智能在 20 年前、10 年前没有这么火？为什么 AlphaGo 能在2016年打败李世石而不是更早？为什么人工智能会在2016年爆发？我们会直观地认为是因为算法创新。但是国内外很多专家分析总结出了人工智能成功的五个必要条件，我们经过整理后在这里跟大家分享一下：

　　第一是边界清晰。问题需要定义得非常清晰，比如 AlphaGo 做的就是围棋，活动范围就是在 19×19 的棋盘上，黑白两方轮流下子，边界和规则都很清晰。如果变成一个开放的问题，或者变成20×20 的棋盘，或者变成黑白灰三方下棋，那都成不了。

　　第二是要有外部反馈。算法要不断地有外部输入，它需要知道在什么样的情况、什么样的行为下，外部给出的反馈是什么，这样才能促进提高。比方说AlphaGo ，你要不断地让它进行对弈，并且告诉它对弈的输赢，它才能不断提升。

　　第三是要重视计算资源。计算资源，也就是计算过程中需要的各种资源。近几年，算法虽然有很大的进步，但计算资源也是产生智能的关键。最近业界在分布式计算上的成功，让我们相对于几十年前有了飞跃的基础。举个很有趣的例子，Google 在描述 AlphaGo 不同版本的时候，为了简洁明了，直接使用计算能力来分类，而不是使用算法来分类。简版的 AlphaGo 被称为“单机训练的AlphaGo”；复杂和更高智能的 AlphaGo 称为“多机、并行训练的 AlphaGo”，从这里也可以看出来，计算资源起着至关重要的作用。

　　第四，要有顶尖的数据科学家和人工智能科学家。增强学习、深度学习最近重新被提出，需要很多科学家做大量的工作，才能让这些算法真正地推行。除了围棋、视觉、语音之外，还有非常多的领域等待被探索。

　　第五是大数据的完善。AlphaGo的成功，关键的一点是 KGS 棋社的流行，KGS是一个免费的围棋对弈平台，KGS上有数十万盘高手对战的棋谱，如果没有这些数据做支撑，AlphaGo 绝对不可能在这么短的时间内打败人类。

　　我们把以上这些人工智能成功的要素归结为三点，那就是要关注技术、关注业务、关注人。一方面，要有技术、计算资源和大数据方面的支持；另一方面，业务、边界要清晰，业务要有反馈；再有就是人，要有科学家，一些应用到场景也需要和人打交道。我们会持续与你讨论人工智能对各个产业的改造，今天我们和星河研究院的研究经理李瑶博士与你分享人工智能从量变到质变的原因以及人工智能的未来，希望对你有所帮助。

　　星河融快(ID:rongkuai888)将通过专业的分析，持续与你分享“有趣的”产业互联网干货。欢迎你在下方留言和我们分享有趣的观点，自荐或推荐优质产业互联网项目，同时也欢迎你来上地18号和我们聊聊。

　　人工智能研究的开始可以追溯到1956年，直到2015年，人工智能都基本上是只存在于实验室的技术。2016年，是人工智能诞生60周年，人工智能技术也在积累了足够的量变之后，迎来了质的变化。

　　第一

　　哪些量变带来了AI的质变 ？

　　1.1 不断改进的算法——CNN和RNN

　　深度学习其实不是新技术——第一个有效的多层神经网络的规范发布于1965年——但过去十年深度学习算法的改进大大的改善了结果的准确性。

卷积神经网络

　　通过卷积神经网络(CNN)的发展，机器识别图像中某个特定对象的能力大大提高。在受动物的视觉皮层启发的设计中，神经网络中的每个层级都充当这个对象的某一个特定模式的过滤器。2015年，微软基于CNN的计算机视觉系统比人类更有效的识别图片中的对象(95.1%的准确性，人类94.9%的准确性)。CNN更广泛的应用是在视频和语音识别中。

　　与此同时，循环神经网络(RNN)的出现推动了语言和手写识别的进步。RNN的反馈系统可以使数据循环流动，这不同于传统的只有“前馈”的神经网络。强大的新型RNN是一种叫做“长短期记忆”(LSTM)的模型。随着新加入的连接和存储单元，RNN可以“记住”它们在数千步之前看到的数据，并且使用这些数据对之后的内容进行判断。这对于语音识别是有价值的——对于下一个词的判断可以由前面的词来确定。自2012年起，Google就开始使用LSTM在Android系统中进行语音识别。2016年底，微软的工程师发布了一个数据说他们的系统达到了5.9%的错误率，这是历史上第一次能达到与人类相当的水平。

　　1.2 专用硬件——GPU

　　图形处理单元(Graphical Processing Units, GPU)是一种特殊的电子电路，它可以大大缩短深度学习神经网络训练所需要的时间。

　　GPU最初是在20世纪90年代末开发的，用于加速3D游戏和3D开发应用程序。在3D环境中平移或缩放摄像头重复的用到了一个数学过程叫做矩阵计算，而具有串行体系结构的微处理器，包括现代计算机里用到的CPU并不适合进行矩阵计算。GPU采用大规模的并行架构，可有效的执行矩阵计算。

　　神经网络的训练普遍要使用矩阵计算，因此原来只用于3D游戏的GPU被发现非常适合用来进行深度学习。它的效果非常可观：一个简单的GPU可以将训练神经网络的时间提高5倍，如果是更复杂的问题，则可以提高10倍的效率。如果与针对广泛使用深度学习框架的软件开发工具包一起使用的话，可能达到更高的训练速度。

　　1.3大数据——每天23亿GB

　　深度学习的神经网络通常需要大数据集进行训练(几百万个例子)，幸运的是，当前数据的创造和可用性呈指数级增长。今天，我们进入了数据爆炸的“第三次浪潮“，人类每天产生23亿GB的数据，而且全球数据的90%都是在过去的24个月内创造的。

　　数据爆炸的“第一次浪潮”始于上世纪80年代的文件和交易数据的激增，这是由于台式电脑可以进行互联网连接造成的。“第二次浪潮”的出现是由于非结构化媒体(Email、照片、音乐和视频)、网络数据和元数据的爆炸式增长。今天，我们进入了“第三次浪潮”，工业和家庭中部署的传感器正在制造更多的监控、分析和元数据。

转载请注明出处。