01

AI是什么？

根據(jù)維基百科的定義，人工智能是一種新的通用目的技術（GPT， General Purpose Technology），它橫跨整個人類經(jīng)濟的多種用途，具有巨大技術性互補和溢出效應。簡而言之，AI是21世紀的一種基礎技術，它會應用在我們?nèi)粘Ｉ畹姆椒矫婷妗?

02

AI的歷史、現(xiàn)在和未來

早期，受到20世紀數(shù)學哲學的影響，誕生出兩種流派的人工智能。基于形式主義（認為所有數(shù)學分支都可以公理化的）和邏輯主義（一切數(shù)學都是建立在數(shù)理邏輯的基礎之上）的符號主義的人工智能，以及基于構造主義的連接主義和行為主義人工智能。

早期的流派都認為自己提出的理論有很大的潛力，可以解決很多問題。但在經(jīng)過一系列探索后，科學愛家發(fā)現(xiàn)AI并沒有想象中的簡單。 之后，AI經(jīng)歷了起起落落的發(fā)展階段。直到2006年，深度學習之父Geoffrey Hinton 和他的學生Ruslan Salakhutdinov在《科學》上發(fā)表了一篇文章，提出了深層網(wǎng)絡訓練中梯度消失問題的解決方案，至此開啟了深度學習在學術界和工業(yè)界的浪潮。 2012年，Geoffry Hinton又帶著團隊參加了ImageNet ILSVRC挑戰(zhàn)賽，以驚人的優(yōu)勢獲勝（錯誤率比第二名低了足足 10%），這次的比賽結果以及相應的論文拉開了深度學習的熱潮。 而深度學習之所以會從2006年后大放異彩，很大一部分的原因是數(shù)據(jù)、算力的發(fā)展，當時的數(shù)據(jù)集ImageNet的數(shù)據(jù)量很大，再加上使用GPU訓練深度學習網(wǎng)絡，這兩個突破奠定了深度學習的崛起。如今，GPU的算力也越來越強，現(xiàn)在的AI發(fā)展又是如何呢？

03

AI應用落地的三駕馬車

當前，數(shù)據(jù)、算法、算力的發(fā)展突破正推動AI應用的逐步落地。

1、數(shù)據(jù)資源豐富

隨著物聯(lián)網(wǎng)基礎設施及智能手機、可穿戴設備的普及，我們每個人時刻都在產(chǎn)生大量數(shù)據(jù)。據(jù)IDC發(fā)布《數(shù)據(jù)時代2025》的報告顯示，全球每年產(chǎn)生的數(shù)據(jù)將從2018年的33ZB增長到175ZB，相當于每天產(chǎn)生491EB的數(shù)據(jù)。另一方面，大數(shù)據(jù)等技術，降低了數(shù)據(jù)處理和存儲的成本，數(shù)據(jù)作為人工智能時代的“石油”，驅動著AI的發(fā)展。

2、算法持續(xù)突破

在傳統(tǒng)深度學習CNN/RNN系列模型之后，強化學習、對抗網(wǎng)絡算法模型不斷涌現(xiàn)。AI算法逐步逼近人類水平。自然語言處理(NLP)方面，2018年Google推出的BERT開啟了NLP的元年，如今BERT在數(shù)據(jù)集上的兩個指標（GLUE基準：80.4％，MultiNLI準確度：86.7%）全面超越人類。 計算機視覺方面，圖像分類的算法很早之前就已超越了人類；動作識別目前精讀相對較低，停留在52.5%；人臉識別的某些數(shù)據(jù)集也已經(jīng)超越了人類。 語音語義識別方面，中文語音識別準確率達到新高度，中文語音識別字錯率（CER）達到3.71%，與人類專業(yè)的速記員水平相當。

3、AI芯片釋放巨大算力

AI芯片市場細化，推理與訓練、云側與端側分離，性能持續(xù)提升，突破摩爾定律瓶頸，釋放ZB級數(shù)據(jù)分析算力。 NVIDIA的Tesla V100，作為AI訓練通用芯片，性能遠超上一代P100的10+倍； Google的TUP3.0是2.0性能的8倍左右； 華為也推出了適用于推理場景的昇騰310以及適用于模型訓練的昇騰910。從早期的CPU、GPU到現(xiàn)在的TPU、ASIC，進入到細分領域后，各種AI專用芯片會層出不窮，性能不斷提升，功耗不斷降低。

04

未來，AI是否會超越人類？

當前，一些算法在某些數(shù)據(jù)集上的準確率已經(jīng)高于人類，很多人會問：AI是否會超越人類？

如圖，首先并不是人類社會的所有問題都是數(shù)學問題，有很多問題是不能用數(shù)學來描述，黃色圈子內(nèi)是可以用數(shù)學解決的問題。 由此引出了第一個問題：世界上是否所有數(shù)學問題都有明確的答案？答案是有些數(shù)學問題是無解的。 第二個問題：如果有明確的答案，是否可以通過有限步驟的計算得到答案？這就是數(shù)學的可計算問題，經(jīng)過驗證，并不是所有數(shù)學問題都是可以計算。 接下來是第三個問題：對于那些有可能在有限步驟計算出來的數(shù)學問題，能否有一種假想的機械（圖靈機），讓它不斷運動，最后當機器停下來的時候，那個數(shù)學問題就解決了？結果是只有部分問題是圖靈機能夠解決的。 回答完上面三個問題后，再回看上面那張圖，藍色圈子里面的一個小圓是AI可以解決的問題，最后的小點才是AI已經(jīng)找到解決方法的問題，只占據(jù)非常小的一部分。 所以，我們可以說，在AI已經(jīng)找到解決方法的問題上，它可能超越了人類，但是在更多的問題上，它是沒辦法超越的。那么在某些領域里，AI的準確率既然高于人類，比如圖像識別，它可以完全替代人類嗎？

如上圖所示，左邊是正常的原圖，中間是干擾數(shù)據(jù)，讓AI預測的是加了干擾數(shù)據(jù)的右圖。我們可以很清楚的辨別左右兩組圖完全沒有區(qū)別，但是AI算法做不到，它會把右邊的三張圖片都判斷為鴕鳥。

再來看另一組AI犯錯的案例，上面是一些噪點和花紋的數(shù)據(jù)，但AI有99.6%的概率會將這些圖片識別成某種類別的物體。在我們普通人來看，AI有時候會犯一些非常愚蠢的錯誤。 這時候再回答“未來，AI是否會超越人類？”的問題，答案就是：AI能解決的只是人類社會中很小的一部分問題，即使它能解決，并在統(tǒng)計意義上得到一個還不錯的準確率，但它有時還是會犯很愚蠢的錯誤，AI的預測結果并不是完全可信的，AI不會超越人類，它應該成為人類的工具，使人類社會的生產(chǎn)效率進一步提高。

05

人工智能入門的三大難點

最后談談高校學生，或者是普通開發(fā)者學習AI可能會碰到的一些問題，主要有以下三個難點： 一是要學習的基礎知識太多，做AI開發(fā)涉及到Python編程知識、Linux知識，視覺方面要學圖像處理、OpenCV等，同時還要有一定的數(shù)學基礎。 二是沒有GPU機器，自己買GPU做AI訓練，成本非常高。 三是碰到問題找不到人進行交流，尤其是非計算機專業(yè)的同學學AI會比較難，因為做AI開發(fā)不像傳統(tǒng)的軟件開發(fā)那樣有非常多的書籍資料和社區(qū)可以交流，很多人只能在GitHub上找一些資料來解決學AI過程中的一些問題，能交流的人和圈子都會更少一點。

06

結語

幸運的是，華為云提供了一站式AI開發(fā)平臺ModelArts，可以低門檻、低成本的上手AI，并且提供ModelArts社區(qū)、《ModelArts人工智能應用開發(fā)指南》等書籍，解決學習AI過程的以上三個難點。更加詳細的技術解讀還可以到華為云社區(qū)，搜索華為云EI圖像算法專家零一老師的直播《開發(fā)者如何抓住時代機遇學好AI》！

責任編輯：lq