作者 | 王健宗 瞿曉陽

來源 | 大數(shù)據(jù)DT

01 人工智能發(fā)展歷程

圖1是人工智能發(fā)展情況概覽。人工智能的發(fā)展經(jīng)歷了很長時間的歷史積淀，早在1950年，阿蘭·圖靈就提出了圖靈測試機，大意是將人和機器放在一個小黑屋里與屋外的人對話，如果屋外的人分不清對話者是人類還是機器，那么這臺機器就擁有像人一樣的智能。

▲圖1 人工智能起源及發(fā)展

隨后，在1956年的達特茅斯會議上，“人工智能”的概念被首次提出。在之后的十余年內(nèi)，人工智能迎來了發(fā)展史上的第一個小高峰，研究者們瘋狂涌入，取得了一批矚目的成就，比如1959年，第一臺工業(yè)機器人誕生；1964年，首臺聊天機器人也誕生了。

但是，由于當(dāng)時計算能力的嚴重不足，在20世紀70年代，人工智能迎來了第一個寒冬。早期的人工智能大多是通過固定指令來執(zhí)行特定的問題，并不具備真正的學(xué)習(xí)和思考能力，問題一旦變復(fù)雜，人工智能程序就不堪重負，變得不智能了。

雖然有人趁機否定人工智能的發(fā)展和價值，但是研究學(xué)者們并沒有因此停下前進的腳步，終于在1980年，卡內(nèi)基梅隆大學(xué)設(shè)計出了第一套專家系統(tǒng)——XCON。該專家系統(tǒng)具有一套強大的知識庫和推理能力，可以模擬人類專家來解決特定領(lǐng)域問題。

從這時起，機器學(xué)習(xí)開始興起，各種專家系統(tǒng)開始被人們廣泛應(yīng)用。不幸的是，隨著專家系統(tǒng)的應(yīng)用領(lǐng)域越來越廣，問題也逐漸暴露出來。專家系統(tǒng)應(yīng)用有限，且經(jīng)常在常識性問題上出錯，因此人工智能迎來了第二個寒冬。

1997年，IBM公司的“深藍”計算機戰(zhàn)勝了國際象棋世界冠軍卡斯帕羅夫，成為人工智能史上的一個重要里程碑。之后，人工智能開始了平穩(wěn)向上的發(fā)展。

2006年，李飛飛教授意識到了專家學(xué)者在研究算法的過程中忽視了“數(shù)據(jù)”的重要性，于是開始帶頭構(gòu)建大型圖像數(shù)據(jù)集—ImageNet，圖像識別大賽由此拉開帷幕。

同年，由于人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，“深度學(xué)習(xí)”的概念被提出，之后，深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)開始不斷映入人們的眼簾。深度學(xué)習(xí)的發(fā)展又一次掀起人工智能的研究狂潮，這一次狂潮至今仍在持續(xù)。

圖2列出了人工智能發(fā)展史上的一些重要事件。從誕生以來，機器學(xué)習(xí)經(jīng)歷了長足發(fā)展，現(xiàn)在已經(jīng)被應(yīng)用于極為廣泛的領(lǐng)域，包括數(shù)據(jù)挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫(yī)學(xué)診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲、藝術(shù)創(chuàng)作和機器人等，以及我們特別關(guān)注的機器學(xué)習(xí)和深度學(xué)習(xí)未來發(fā)展的一大趨勢——自動化機器學(xué)習(xí)和深度學(xué)習(xí)（AutoML及AutoDL）。

▲圖2 人工智能發(fā)展重大事件

02 下一代人工智能

我們首先通過圖3來回顧一下人工智能的發(fā)展歷程。

▲圖3 人工智能發(fā)展歷程

到目前為止，人工智能按照總體向上的發(fā)展歷程，可以大致分為4個發(fā)展階段，分別為精耕細作的誕生期、急功近利的產(chǎn)業(yè)期、集腋成裘的爆發(fā)期，以及現(xiàn)在逐漸用AutoML來自動產(chǎn)生神經(jīng)網(wǎng)絡(luò)的未來發(fā)展期。

早期由于受到計算機算力的限制，機器學(xué)習(xí)處于慢速發(fā)展階段，人們更注重于將邏輯推理能力和人類總結(jié)的知識賦予計算機。但隨著計算機硬件的發(fā)展，尤其是GPU在機器學(xué)習(xí)中的應(yīng)用，計算機可以從海量的數(shù)據(jù)中學(xué)習(xí)各種數(shù)據(jù)特征，從而很好地完成人類分配給它的各種基本任務(wù)。

此時，深度學(xué)習(xí)開始在語音、圖像等領(lǐng)域大獲成功，各種深度學(xué)習(xí)網(wǎng)絡(luò)層出不窮，完成相關(guān)任務(wù)的準確率也不斷提升。同時，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)朝著深度更深、結(jié)構(gòu)更加巧妙復(fù)雜的方向推進，GPU的研發(fā)與應(yīng)用也隨著神經(jīng)網(wǎng)絡(luò)對算力要求的不斷提高而持續(xù)快速向前推進。圖4展示了近年來主要神經(jīng)網(wǎng)絡(luò)的發(fā)展。

▲圖4 主要深度神經(jīng)網(wǎng)絡(luò)的發(fā)展

2012年，AlexNet為了充分利用多個GPU的算力，創(chuàng)新性地將深度神經(jīng)網(wǎng)絡(luò)設(shè)計成兩部分，使網(wǎng)絡(luò)可以在兩個GPU上進行訓(xùn)練。

2013年，ZFNet又進一步解決了Feature Map可視化的問題，將深度神經(jīng)網(wǎng)絡(luò)的理解推進了一大步。2014年，VGGNet通過進一步增加網(wǎng)絡(luò)的深度而獲得了更高的準確率；同年，GoogLeNet的發(fā)明引入了重復(fù)模塊Inception Model，使得準確率進一步提升。

而2015年ResNet將重復(fù)模塊的思想更深層次地發(fā)展，從而獲得了超越人類水平的分辨能力。這時，由于深度神經(jīng)網(wǎng)絡(luò)層數(shù)的不斷加深，需要訓(xùn)練的參數(shù)過于龐大，為了在不犧牲精度的同時減少需要訓(xùn)練的參數(shù)個數(shù)，2017年DenceNet應(yīng)運而生。

隨著深度神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，各種模型和新穎模塊的不斷發(fā)明利用，人們逐漸意識到開發(fā)一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)越來越費時費力，為什么不讓機器自己在不斷的學(xué)習(xí)過程中創(chuàng)造出新的神經(jīng)網(wǎng)絡(luò)呢？

出于這個構(gòu)思，2017年Google推出了AutoML——一個能自主設(shè)計深度神經(jīng)網(wǎng)絡(luò)的AI網(wǎng)絡(luò)，緊接著在2018年1月發(fā)布第一個產(chǎn)品，并將它作為云服務(wù)開放出來，稱為Cloud AutoML。

自此，人工智能又有了更進一步的發(fā)展，人們開始探索如何利用已有的機器學(xué)習(xí)知識和神經(jīng)網(wǎng)絡(luò)框架來讓人工智能自主搭建適合業(yè)務(wù)場景的網(wǎng)絡(luò)，人工智能的另一扇大門被打開。