上一篇，我講了為什么堅信人工智能。今天已成歷史。
人工智能，就好像第四次工業(yè)革命，正從學術界的私藏，轉(zhuǎn)變?yōu)橐环N能夠改變世界的力量。尤其，以深度學習取得的進步為顯著標志。
它讓匍匐前進60年的人工智能一鳴驚人。
我們正降落到一片新大陸。深度學習帶來的這場重大技術革命，有可能顛覆過去20年互聯(lián)網(wǎng)對技術的認知，實現(xiàn)技術體驗的跨越式發(fā)展。
那么，深度學習到底是什么？怎么理解它的重要性？
我們先從概念和現(xiàn)象入手。
我總結了一句話，學術上看未必嚴謹，但從我的理解角度看——深度學習是基于多層神經(jīng)網(wǎng)絡的，海量數(shù)據(jù)為輸入的，規(guī)則自學習方法。
這里包含了幾個關鍵詞：
第一個關鍵詞叫多層神經(jīng)網(wǎng)絡。
深度學習所基于的多層神經(jīng)網(wǎng)絡并非新鮮事物，甚至在80年代被認為沒前途。但近年來，科學家們對多層神經(jīng)網(wǎng)絡的不斷算法優(yōu)化，使它出現(xiàn)了突破性的進展。
以往很多算法是線性的。而這世界上大多數(shù)事情的特征是復雜非線性的。比如貓的圖像中，就包含了顏色、形態(tài)、五官、光線等各種信息。深度學習的關鍵就是通過多層非線性映射將這些因素成功分開。
那為什么要深呢？多層神經(jīng)網(wǎng)絡比淺層的好處在哪兒呢？
簡單說，就是可以減少參數(shù)。因為它重復利用中間層的計算單元。我們還是以認貓為例好了。它可以學習貓的分層特征：最底層從原始像素開始學習，刻畫局部的邊緣和紋；中層把各種邊緣進行組合，描述不同類型的貓的器官；最高層描述的是整個貓的全局特征。
它需要超強的計算能力，同時還不斷有海量數(shù)據(jù)的輸入。特別是在信息表示和特征設計方面，過去大量依賴人工，嚴重影響有效性和通用性。深度學習則徹底顛覆了“人造特征”的范式，開啟了數(shù)據(jù)驅(qū)動的“表示學習”范式——由數(shù)據(jù)自提取特征，計算機自己發(fā)現(xiàn)規(guī)則，進行自學習。
你可以理解為——過去，人們對經(jīng)驗的利用，靠人類自己完成。在深度學習呢？經(jīng)驗，以數(shù)據(jù)形式存在。因此，深度學習，就是關于在計算機上從數(shù)據(jù)中產(chǎn)生模型的算法，即深度學習算法。
問題來了，幾年前講大數(shù)據(jù)，以及各種算法，與深度學習有什么區(qū)別呢？
過去的算法模式，數(shù)學上叫線性，x和y的關系是對應的，它是一種函數(shù)體現(xiàn)的映射。但這種算法在海量數(shù)據(jù)面前遇到了瓶頸。國際上著名的ImageNet圖像分類大賽，用傳統(tǒng)算法，識別錯誤率一直降不下去，上深度學習后，錯誤率大幅降低。在2010年，獲勝的系統(tǒng)只能正確標記72%的圖片；到2012年，多倫多大學的 Geoff Hinton利用深度學習的新技術，帶領團隊實現(xiàn)了85%的準確率。2015年的ImageNet競賽上，一個深度學習系統(tǒng)以96%的準確率第一次超過了人類（人類平均有95%的準確率）。
計算機認圖的能力，已經(jīng)超過了人。尤其圖像和語音等復雜應用，深度學習技術取得了優(yōu)越的性能。為什么呢？其實就是思路的革新。
舉幾個腦洞大開的例子。
?。?）
先說計算機認貓。
我們通常能用很多屬性描述一個事物。其中有些屬性可能很關鍵，很有用，另一些屬性可能沒什么用。我們就將屬性被稱為特征。特征辨識，就是一個數(shù)據(jù)處理的過程。
傳統(tǒng)算法認貓，也是標注各種特征去認。就是大眼睛，有胡子，有花紋。但這種特征寫著寫著，有的貓和老虎就分不出來，狗和貓也分不出來。這種方法叫——人制定規(guī)則，機器學習這種規(guī)則。
深度學習方法怎么辦呢？直接給你百萬張圖片，說這里有貓，再給你上百萬張圖，說這里沒貓。然后再訓練一個深度網(wǎng)絡，通過深度學習自己去學貓的特征，計算機就知道了，誰是貓。