如果你對人工智能和機器學習的理解還不是很清楚，那么本文對你來說將會很有用。我將配合圖文解說來幫助你全面理解機器學習。

如果它們不能激發你的興趣，那我也沒辦法了。

?

但是，如果你發現自己滿懷激情地閱讀完了全文，那么說明你對這個新世界充滿興趣和熱情。后續的進一步發展就取決你自己了。

1

工業革命級的技術紅利

人工智能是從一開始就伴隨著電子計算機的發明而興起的。但是直到2012年，深度學習在圖像識別上引發突破，機器學習的應用才變得如此普遍。

5年來，深度學習算法使人臉識別、圖像識別、語音識別、自然語言處理等各方面都發生了突飛猛進的進展。在人臉識別、圖像識別等方面迅速超過人類的水平，曾經被認為計算機算法難以完成的圍棋打敗了世界冠軍李世石和柯潔，人類最后的智力游戲失守。

深度學習的發展進步速度可以用日新月異來形容。

從深度方向來舉例，2012年的AlexNet解決了8層網絡的訓練問題。2014年的VGGNet就達到了19層。同年的GoogLeNet為21層。而到了2015年的Resnet，就突飛猛進到152層2017年，CVPR的最佳論文 Densenet，最高可達264層。

同年，Resnet的下一代技術ResNeXt和2017年ImageNet冠軍DPNet已經不再追求層數，只用100層左右的網絡就可以實現超越人類的效果。

同時，深度學習向各領域進行廣度的擴充。

例如，AlexNet等網絡只能對已經切割好的圖片進行分類，而要進行圖像識別首先還需要把每個對象識別出來。這種識別當然在深度學習大興之前早就有了，如HOG算法、SIFT算法等。

但是深度學習的CNN更有利于提取特征，于是就誕生了2014年的R-CNN算法。后來將R-CNN中的分類用深度學習實現，產生了2015年的Fast R-CNN算法。2016年，將整個算法用深度神經網絡來實現的Faster R-CNN算法完成了整個對象識別的深度學習化。并不是2012年深度學習的AlexNet的想法就可以直接用來解決對象識別的問題，但是經過4年的努力，這個任務成功實現了。

這樣的例子在語音識別和自然語言處理等領域中也在不斷上演。這僅僅是在應用領域，更厲害的是深度學習也深刻地改變了其他算法領域，如強化學習。

2012年深度學習突破之后，2015年，Google公司的DeepMind團隊在Nature雜志上發表了將深度學習與強化學習結合在一起的深度快速學習算法DQN。2016年，基于深度神經網絡與樹搜索算法的Alpha Go再次在Nature雜志上發表。

最后，深度學習比起傳統機器學習，門檻大大降低，正是學習的好機會。

（1）深度學習的知識點較為集中，而傳統機器學習需要的領域專業知識很多且非常分散，算法不通用。

（2）開源開放為深度學習的工具的普及提供了巨大紅利。不管是Google大腦用TensorFlow框架，還是OpenAI的強化學習工具，都是頂尖大廠的一線工具，免費提供給全世界使用。另外，Facebook的PyTorch，微軟的CNTK，百度的PaddlePaddle等工具也都開源開放，每位學習者都能很容易用到世界上最先進的工具。

（3）Google、Facebook 等企業和機構不遺余力地研發更加方便的工具，降低使用者的門檻。例如，Keras框架就是主要面向初學者，PyTorch和TensorFlow.js等工具在設計上也充分考慮了易用性。Google的TensorFlow等也在不斷探索高層API。?

（4）AutoML 等自動模型生成技術初現曙光。

2

中美兩國為機器學習作背書 ? 機器學習有用的最重要證據，來自中國和美國這兩個大國為其進行背書。先說我國，2017年，人工智能發展寫進了政府工作報告。同年7月，國務院發布了《新一代人工智能發展規劃》，其主要內容如下圖所示。 ?

國家新一代人工智能發展規劃主要內容思維導圖 ? ? 規劃中首先承認了人工智能的發展進入了新階段，給我們帶來機遇，也帶來了挑戰。我國雖有良好的基礎，但跟先進國家相比又有差距。 ?

我國人工智能發展的重點任務 ? ? 針對這個態勢，國家有總體要求和重點任務，提供資源、保障，負責組織實施。這些重點任務涉及的層次比較深，比較廣，不僅有基礎理論研究，有關鍵技術攻關，還有基礎支撐平臺和智能化基礎設施的保障。 ? 2018年年底，美國商務部工業安全局公布了出口管制的建議公告。下面來看一下其中人工智能部分的限制出口的技術。

3、從編程思維向數據思維的進化

最后談一下程序員的認知升級。 ? ? 傳統的軟件開發方式，無論采用何種開發流程與開發模型，其代碼都是確定性的指令序列。機器學習所代表的是通過數據學習、自我迭代更新，但代碼不變的一種新的編程方式。
? ? 卡耐基 - 梅隆大學教授邢波說過，機器學習和傳統編程的不同之處在于面對任務時，機器學習更具靈活性：傳統編程是預設執行動作，按照條件觸發的程序，而機器學習則沒有預設執行動作，而是通過對大量場景數據的學習，自己確立觸發條件和執行動作的關系，并不斷迭代優化。 ? ? 這段話可以說是一語道破了機器學習的本質。工具會限制人的思維，限制程序員思維的就是計算機本身。 ? ?

計算機提供了指令集，將這些指令封裝成匯編語言，就構成了第一代程序員的開發思維。后來出現的結構化編程、面向對象編程、面向切片編程等新思潮，本質上，還是對于機器指令的抽象與封裝。這一派的典型代表是C語言，用來寫作UNIX等大量的操作系統。在這一系語言中，影響最大的人物是馮·諾依曼，因為第一代計算機的指令架構就是馮·諾依曼結構。 ? ?

類C語言因為本質上是計算機指令的封裝，所以不管如何設計，程序代碼都是核心。數據是被程序指令控制的操作數。如果程序基本沒有bug，也不增加新需求，可以固化到只讀硬件中，因為邏輯是確定的。 ? ? 計算機硬件指令的執行，本質上只有順序和分支兩種結構：要么按順序執行，當然固定的跳轉指令也是按順序執行；要么是if-then結構，根據條件判斷來執行。 ? ? 程序開發中，做得最多的事情就是根據各種情況，設計好各種分支結構。循環本質上也是一種多次執行的分支結構。 ? ? 在傳統編程中，數據是為程序服務的，先有程序，才能處理數據。但是在大數據時代，這種方式受到了空前的挑戰。在傳統方式中，編程對數據的處理本質上依賴人對數據規律的徹底了解，而在機器學習的方法中，程序除了對于現有數據規律的學習外，還要從數據的自動學習中預測沒有學習到的數據的規律。 ? ?

對于深度學習來講，寫代碼相對比較容易。但是運行代碼，需要大量的數據和計算資源。對于大型的網絡來說，可能需要以天或周為單位計算，甚至更長的時間做訓練。到了新的應用場景，主要用新的數據做訓練，調整參數，也可能調整網絡結構。但是基本很難看到像開發傳統代碼那樣，大規模的以寫機器指令為邏輯的開發工作。 ? 舉個例子來看一下兩種開發模式的差別。假如，我們要開發一個自動駕駛程序，現在的問題是，我們想識別路上的交通線，但是總受路邊的樹的影子的影響。如何消除這個影響？ ? ?

按照傳統編程方式，需要定義出所有可能是樹的影子的情況，然后分別通過if-then判斷去處理。也就是說，還是需要人對邏輯進行梳理和控制。 ? ? 而對于深度學習的方式，可能只要對網絡結構做一些修改，增加一個特定的池化層就可以了。 ? 深度學習的最大進步，就是通過大量數據的訓練，可以減少傳統機器學習對于算法工程師對領域問題理解的依賴，而且很多場景下效果比傳統算法手工做得還要好。 ? ? 好的算法是有泛化能力的，可以根據有限的數據，推斷出未知的情況。而這是對現有的基于每種問題定制策略的policy base方法的重大改進。 ? ?

編程方法的革命影響的將不是一個行業，而是一個元行業，因為它影響的是基礎的軟件技術。軟件開發測試方法的變革，將深刻影響互聯網、移動互聯網、物聯網、區塊鏈等傳統方法開發的技術。從而對于依托于這些底層技術的各行各業造成二次影響。 ? ? 在傳統方式下，代碼一旦寫好，除非升級軟件，否則邏輯就是一成不變的。例如，小米的MIUI幾年前之所以成功，就是迭代開發速度快，用戶提了意見就馬上改，每周一更新，有意見繼續改。 ? ? 而在基于數據智能的軟件開發方法下，用戶使用的數據就可能為現有的軟件提供更多的增強功能。這并不需要付出多少額外的工作量，主要是思維模式需要轉變。 ? ? 最后一點人生啟示，算法是我們應對如此復雜的世界的一個新的視角和思路。

編輯：黃飛

?