AI的推動引擎——深度學習

【51CTO.com原創稿件】當人類第一次構思可編程計算機時，就已經在思考計算機能否變得智能（盡管 這距造出第一臺計算機還有一百多年）。如今，人工智能已經成為一個具有眾多實際應用和活躍研究課題的領域，并且正在蓬勃發展。而這一輪AI的技術發展，主要源于深度學習技術。那么問題來了：

深度學習的概念源于人工神經網絡的研究，是通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

深度學習是機器學習中一種基于對數據進行表征學習的方法，亦是機器學習研究中的一個新領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。深度學習是無監督學習的一種。

深度學習作為大數據分析的重要工具，其發展得益于大數據、強大的計算能力和長期逐步積累的計算方法。

如果說，海量的數據是進行AI 研究的前提，那么，深度學習就是AI研究的關鍵性工具，二者缺一不可。

就如同飛船起飛一樣，除了充足的燃料之外，強勁的引擎也是必不可少的。假如燃料不足，則飛船就無法進入預定軌道。而引擎不夠強勁，飛船甚至不能升空。

在AI研究中，深度學習模型就像引擎，而海量的訓練數據就好比燃料。

深度學習的快速發展，令整個AI領域的實際應用范圍得到了拓展。衣食住行。。。。我們生活中的太多地方，都在被深度學習所改變。

深度學習在無人駕駛領域主要用于圖像處理，也就是在攝像頭上。當然也可以用于雷達的數據處理，但是基于圖像極大豐富的信息以及難以手工建模的特性，深度學習能最大限度的發揮其優勢。

深度學習可以用于感知，識別周圍環境，各種對車輛有用的信息；也可以用于決策，比如AlphaGo的走子網絡（Policy Network），就是直接用DNN訓練， 如何基于當前狀態作出決策。

密歇根大學的研究人員使用圖像識別技術來檢測黑色素瘤這種最致命的、但在早期可以治療的癌癥。眾所周知，黑色素瘤不僅致命，而且還難以準確篩查。該團隊通過訓練一個神經網絡來區分痣和可疑病變的特征（質地和結構），以便更好地識別。

該團隊稱在檢測黑色素瘤方面，定性和定量評估的實驗結果表明這種方法的表現超過了迄今為止最佳的算法。

各內容平臺可以通過深度學習技術對流量進行建模預測，輔助其作出IP投資采買決策。流量預測模型參考的因素極多且非常復雜，包括社會輿論、對該IP的討論度、粉絲群體的反饋、前期宣發效果，以及題材、角色和平臺的擬合度等，甚至排播形式的不同也會產生不同的模型。

而這個流量預測模型的數據來源也很復雜，包括觀影數據、搜索數據、社交行為、輿論監督等。

優酷2017平臺投資采買能力分析

此外還需要實時監控整個互聯網的輿情，內容上線之后，模型可以快速修正，從而保證較高的精準率。

語音識別技術已經發展了幾十年，近年突然變得炙手可熱，這歸功于深度學習終于使得語音識別的準確率提升到足矣讓這項技術在實驗測試以外的實際場景中應用。

目前，語音識別技術正逐步滲入到我們日常生活的方方面面。語音識別技術內置在我們的手機、游戲機和智能手表中，它甚至能將我們的整個家庭智能化。比如許多智能音箱，不單可以和“主人”聊天還可以提醒“主人”起床、收快遞….

在過去幾十年中，深度學習的發展大量借鑒了我們關于人腦、統計學和應用數學的知識。近年來，得益于更強大的計算機、更大的數據集和能夠訓練更深網絡的技術，深度學習的普及性和實用性都有了突破的發展和更廣闊的前景。小編相信，在不遠的未來，深度學習技術定將取得更為耀眼成績，同時也熱切期待在深度學習的加持下，AI技術可以升華到一個全新領域，為人們的生產、生活帶來更大的便利。