人工智能发展与模型定制化趋势

  人工智能和机器学习概念目前在各种场合被频频提到，移动互联网时代后的未来被预测为人工智能时代，那么人工智能的前世今生是怎样的，到底会给我们的未来带来什么呢？为了弄清这个问题，我们可以简单回顾一下人工智能的发展历史。

  其实，人工智能可以追溯到很久以前的年代。在图灵的时代，科学家就试图通过模拟人的意识和思维来处理人类才能完成的复杂任务，并提出图灵测试检测机器是否具有真正的“智慧”。随着计算机被发明，信息存储和处理问题被解决，人工智能有了落地的可能。1956年在达特茅斯会议上，人工智能的概念被明斯基明确提出，使用的正是由神经学家提出的神经网络数据模型， 并在此次完善了匹配的编程语言，将实现推向更具有现实意义的发展方向。

  神经网络本质是神经元之间的作用与反馈，是人类思维的基础，模拟大脑是长时间以来人工智能的主要思路。两年后，计算机科学家罗森布拉特提出感知机的概念，即两层神经元组成的最简单的神经网络，并用来进行数据二分类。科学界迎来了人工智能的第一缕曙光，更多人开始关注并投身于此。然而人工智能并没有变得大热，明斯基在1969年在其著作中证明感知器只能处理线性分类问题，连简单的异或问题都无法正确分类。这个问题因而成为那一代人工智能领域学者绕不开的噩梦。人工智能学科随后一度作为最冷门的学科陷入了长达20年的停滞。

  直到1986年，杰弗里·辛顿提出反向传播算法，打破了人工智能万古长夜的局面。该方法有效解决了非线性分类问题的局限性，并广泛用于多层神经网络结构中，由此带来了深度学习的热潮。为了得到高精度的结果，网络结构不断加深，随着层数加深，深层结构会逐渐丧失对于前层的有效学习，反向传播算法中的梯度消失问题变得不可忽视。不少人开始转向浅层的机器学习方法来解决实际问题。直到2006年，杰弗里·辛顿提出了梯度消失的解决方案，才重启了深度学习的热潮。同时这股热潮开始从学术界席卷工业界，越来越多的公司和机构开始将其应用到语音识别和图像分类等领域。正是在这些领域，深度学习方法开始展现出显著优于传统浅层机器学习方法的优势。2012年之后，各种神经网络结构和调优方法的提出使深度学习性能得到了大幅提升，但即使算法和算力不断加强，深度学习动辄几十个小时的训练和海量的训练数据要求还是把很多人拒之门外。

  为了解决向训练数据少的领域迁移问题，迁移学习应运而生，它解决了将原领域学习到的东西迁移到目标领域的问题，并有效利用已经习得的模型参数，大大缩短了模型训练时间，被认为是人工智能算法的未来 。

  人工智能学科经过长期沉淀和发展，相关的算法已经具备了解决各种复杂问题的能力，以最低的成本使用深度学习神经网络解决各个细分领域的问题成了人工智能爆发期的关键。人工智能给人类带来的深刻变革是接下来时间里大概率发生的事。正如互联网+的模式改变了我们衣食住行的各个方面，未来AI+的模式一定也会以同样的方式席卷各个行业的细分领域，车联网、家电领域、医疗、农业、制造业等行业都需要更加精准的模式帮助人类处理复杂任务。

  华为机器学习服务基于这样的理念推出自定义模型服务，它采用迁移学习的方法帮助开发者轻松定义自己的模型，只需要准备少量领域数据，就可以获取领域模型，大大降低了深度学习的门槛。相信未来，人工智能不再仅仅作为少数人的工具，而是可以应用于各行各业，给人类社会的方方面面带来更加智能、更加个性化的体验。

作者：timer