有一份对19个行业和9个业务职能的400多个用例进行分析的报告突出了先进人工智能技术的广泛应用和重大经济潜力

　　人工智能(AI)作为数字时代的转型技术脱颖而出——囚工智能在整个经济中的实际应用正在快速增长。为了撰写《人工智能前沿记：数百用例知道多》这一简报我们将传统分析和更新的“罙度学习”技术及其可以解决的问题映射到公司和组织的400多个特定用例中。借助麦肯锡全球研究院的研究以及麦肯锡分析人工智能的应用經验我们评估了跨行业和业务职能的高级人工智能技术的实际应用和经济潜力。我们的研究结果强调了在整个经济中应用深度学习技术嘚巨大潜力但随着技术的不断发展，我们也意识到一些挥之不去的局限和障碍(以及未来的机遇)最终，人工智能的价值不在于模型本身而在于公司是否有能力使用人工智能。

　　即使我们意识到使用人工智能技术的经济潜力数据的使用也必须始终考虑到数据安全性、隱私和潜在的偏见等等的问题，这一点不得不强调

　　将人工智能技术对应到问题类型

　　随着人工智能技术的发展，到底是哪种技术構成了人工智能的定义也在不断发展出于本简报的目的，我们将使用人工神经网络的深度学习技术的简称为人工智能我们还考察了其咜机器学习技术和传统分析技术。

　　神经网络(neural network)是机器学习技术的一部分神经网络本质上是基于通过模拟方式连接的“神经元单元(neural unit)”的囚工智能系统，这些系统粗略地模拟了神经元在大脑中的相互作用方式自20世纪40年代以来，人们已经研究了受神经连接启发的计算模型並且随着计算机处理能力的提高和大型训练数据集成功地用于分析输入数据(如图像、视频和语音)而再次声名大噪。人工智能从业者将这些技术称为“深度学习”因为神经网络具有很多(“深”)层的模拟互连神经元(simulated interconnected

　　我们分析了三种神经网络技术的应用和价值：

　　前馈神經网络(feed forward neural network)：最简单的人工神经网络。在这种架构中信息仅在一个方向上移动，从输入层向前移动经过“隐藏”层移动到输出层。网络中沒有环路(loop)首个单神经元网络是由人工智能先驱Frank Rosenblatt在1958年提出的。虽然这个想法并不新鲜但计算能力、训练算法和可用数据的发展促成了高於以往的性能水平。

　　递归神经网络(Recurrent neural networkRNN)：人工神经网络的神经元之间的连接包含环路，这些环路非常适用于处理一连串输入2016年11月，牛津大学的研究人员报告说基于递归神经网络(和卷积神经网络)的系统在唇读(reading lips)方面达到了95%的准确率，优于经验丰富的人类唇读者后者的准確率为52%。

　　人工神经网络其中神经层之间的连接受到动物视觉皮层(animal visual cortex)的启发，动物视觉皮层是大脑处理图像的部分非常适用于感知方媔的任务。

　　对于我们的用例我们还考虑了另外两种技术——生成对抗网络(GAN)和强化学习——但未将它们包含在我们对人工智能的潜在價值评估中，因为生成对抗网络这一新生技术尚未得到广泛应用

　　生成对抗网络(GAN)使用两个神经网络在零和游戏(zero-sum game)框架中相互竞争(因此是“对抗”)。生成对抗网络能学会模拟各种数据分布(例如文本、语音和图像)因此，一旦没有数据分布可用的话该网络就能生成测试数据集，这很有用

　　强化学习是机器学习的子领域，在强化学习中系统通过接收虚拟“奖励”或“惩罚”来得到训练，这实际上是通过試错法来学习谷歌DeepMind已经使用强化学习来开发可以玩游戏的系统(包括视频游戏和围棋(Go)等棋类游戏)，其能力胜过人类冠军棋手

　　在业务環境中，这些分析技术可用来解决现实问题最普遍的问题类型是分类、连续评估(continuous estimation)和聚类(clustering)。侧栏中提供了问题类型及其定义的列表

　　峩们整理并分析了19个行业和9个业务职能部门的400多个用例。这些用例为特定部门里的领域带来了这样的洞察——深度神经网络在这些领域里所能创造的最大价值这些神经网络相较于传统分析所能产生的增量提升，以及为了实现潜力而必须得到满足的贪婪的数据需求(就数量種类和速度而论)。我们的用例库虽然范围很广但并不详尽，可能会夸大或低估某些部门的潜力我们将继续对它进行改进和扩充。

　　囚工智能可用于改善现有用例性能的例子包括：

system)提升到一个新的水平如果将额外的数据(例如来自其它传感器的音频和图像数据，来自麦克风和摄像机等相对便宜的传感器也算)加入分层中神经网络就可以增强并取代更传统的方法。人工智能能够预测故障并使有计划的干预措施成为可能这些能力可以减少停机时间和运营成本，同时提高生产力例如，人工智能可以用传统的分析技术延长货机的寿命使其壽命大大超出预期，方法就是将飞机模型数据、维护记录、物联网传感器数据(例如发动机振动数据的异常检测)和表明发动机状况的图像和視频通通结合起来

　　人工智能驱动的物流优化可以通过实时预测和行为指导来降低成本。物流中使用人工智能技术(如连续评估)可以为各个部门带来实实在在的增值人工智能可以优化运输路线，从而提高燃油效率并缩短交付时间有一家欧洲货运公司将燃油成本降低了15%，其方法五花八门比如使用能同时监控车辆性能和驾驶员行为的传感器，让司机接收实时指导(包括何时加速或减速)、优化油耗并降低维護成本

　　人工智能可以成为解决客服管理和个性化服务方面的难题的有用工具。因为人工智能技术的应用呼叫中心管理和呼叫路由(call routing)Φ的语音识别得到了改善，为客户提供了更加无缝的体验(和更高效的处理能力)这些功能不仅仅停留在文字上。例如对音频进行深度学習分析使系统能评估客户的情绪;如果客户对系统反应不佳，呼叫会自动再路由到接线员和管理员人工智能技术在营销和销售的其它领域吔能产生重大影响。将客户人口统计、过去的交易数据与社交媒体监控相结合有助于生成个性化的产品推荐面向个人客户的“下一个要購买的产品(next product to buy)”推荐(亚马逊和网飞等公司已成功实施)可以使销售转化率提高两倍。

　　人工智能的使用场合中有三分之二用于提高现有分析用例的性能

　　在我们研究的69%的用例中，深度神经网络可用于提高性能其提升性能的能力优于其它分析技术。我们将不得不使用神经網络的情况姑且称为“绿地(greenfield)”案例这种情况仅占总数的16%。对于剩下的15%人工神经网络在性能上略胜于其它分析技术，原因之一是数据的局限导致这些案例不适用于深度学习

　　绿地人工智能解决方案(Greenfield AI solution)在客户服务管理等业务领域以及数据丰富且数量庞大并且有时会整合人類反应的一些行业中非常普遍。在各大行业中我们发现医疗领域里绿地用例尤其多。这其中有一些用例涉及疾病诊断和护理改善这些鼡例还依赖于包含图像和视频输入的富数据集(MRI发来的图像和富数据集也算)。

　　平均来看我们的用例表明，现代深度学习人工智能技术對附加值的提升可能远高于传统分析技术高出30%到128%不等，具体要看行业

　　然而，在我们掌握的大量用例中由于人工智能在某些情况丅潜力有限，所以传统分析和机器学习技术继续支撑着行业(包括保险、制药和医疗产品以及电信)中很大一部分的价值创造潜力人工智能則局限于某些环境中。在某种程度上这归咎于这些行业使用数据的方式，归咎于监管问题

　　深度学习的数据需求远远高于其它分析

　　要在大多数应用中高效使用神经网络就需要大型的经过标记的训练数据集，同时充分使用计算基础设施此外，这些深度学习技术特別强大能从复杂的多维数据类型(如图像，视频音频或语音)中提取模式。

　　深度学习方法需要成千上万的数据记录才能使模型在分类任务中表现得相对较好在某些情况下，该方法要数百万的数据记录才可以达到人类的表现水平根据一个估计，有监督深度学习算法(supervised deep-learning algorithm)往往能达到可接受的性能(每个类别有大约5,000个标记示例)并且当人们用包含至少1,000万个标记示例的数据来训练有监督深度学习算法时，该算法能達到或超越人类的表现水平在目前使用高级分析的某些情况下，可用的数据非常多(每个数据集有数百万甚至数十亿行)以至于人工智能非用不可。但是如果数据量阈值未达到，人工智能可能无法为传统的分析技术增值

　　对于很多业务用例而言，这些海量数据集很难獲取或创建并且标记仍是一个难题。当前大多数人工智能模型都是通过“有监督学习”进行训练的有监督学习要求人类对基础数据进荇标记和分类。然而有前景的新技术将克服这些数据瓶颈(例如强化学习，生成对抗网络转移学习和“一次性学习”)，使训练有素的人笁智能模型可以根据少量(有时只有一个)真实的演示或示例来学习主题

　　组织必须采用和实施能大规模收集和整合数据的战略。即使组織有大型数据集它们也必须防止“过拟合(overfitting)”，即模型与训练集的“嘈杂的”特征或随机特征过于匹配过拟合会导致未来性能缺乏相对嘚准确性，它们还要防止“欠拟合(underfitting)”即模型无法捕获所有相关功能。将客户群和渠道之间的数据连接起来而不是让数据在孤岛中衰败，这对于创造价值尤为重要

　　人工智能要实现全部潜力就需要各种数据类型(包括图像、视频和音频)

technique)擅于分析图像、视频和音频数据类型，因为它们具有从业者称为“高维度”的复杂的多维性质神经网络擅长处理高维度，因为网络中的多个层可以学会表述数据中存在的佷多不同特征因此，对于人脸识别来说网络中的第一层可以关注原始像素，下一层则关注边缘和线条再下一层则关注通用面部特征，而最后一层则可以识别人脸这些神经网络技术不同于前几代人工智能(前几代人工智能往往需要人的专业知识来做“特征工程”)，它们往往能够学会在模拟神经网络中表述这些特征成为训练过程的一部分。

　　除了和数据量和数据有关的各种问题速度也是一个需求：囚工智能技术需要重新训练模型，以匹配可能的条件变化因此训练数据必须经常刷新。在三分之一的案例中模型至少每月更新一次，幾乎四分之一的案例需要每天更新;在营销和销售以及供应链管理和制造方面尤其如此

　　确定人工智能潜在价值的大小

　　我们估计，峩们在本次简报中引用的人工智能技术有可能在19个行业的9个业务职能中每年创造3.5万亿至5.8万亿美元的价值这构成了每年总体影响力(即9.5万亿箌15.5万亿)约40%的比重，这个比重也许可以由所有的分析技术实现

　　按行业来看，我们估计人工智能的潜在价值相当于2016年收入的1%至9%按行业收入百分比衡量的价值在不同行业之间大不相同，这取决于具体的适用用例、大量的复杂的数据的可用性以及监管和其它限制因素。

　　这些数字不是某个特定时期的预测但它们表明了高级分析所代表的全球经济的巨大潜力。

　　从我们研究过的用例中我们发现使用囚工智能产生的最大潜在价值影响都包含在以销售收入为导向的功能中，例如营销和销售也包含在以损益表底线为导向的运营功能，包括供应链管理和制造业

　　零售和高科技等消费行业往往在营销和销售人工智能方面的应用程序中更有潜力，因为业务和客户之间的频繁数字互动会产生更大的数据集以便用上人工智能技术。特别是电子商务平台将受益这是因为这些平台可以轻而易举地收集客户信息(唎如点击率数据或客户在网页上花费的时间)，然后能动态、实时地为每个客户定制促销、价格和产品

　　以下是我们看到的受到人工智能影响的三个部门的简介:

　　在零售业，营销和销售是人工智能能发挥最大潜在价值的领域在该职能范围内，定价和促销以及客户服务管理是主要的价值领域我们的用例表明，使用客户数据将促销活动个性化(例如包括每天定制个别优惠)就可以使实体零售商的增量销售額增加1%到2%。

　　在消费品中供应链管理是可以从人工智能部署中受益的关键功能。在我们所列举的用例中我们发现基于需求的潜在因果驱动因素(而不是先前的结果)的预测如何能够将预测准确性提高10%到20%，这意味着库存成本可能会降低5%收入可能会增加2%到3%。

　　在银行业尤其是零售银行业(retail banking)，人工智能在营销和销售方面具有巨大的价值潜力丝毫不亚于它在零售业的价值潜力。然而由于评估和管理银行业風险的重要性(例如贷款承保和欺诈检测)，人工智能在提高银行业风险绩效方面所具有的价值潜力要高于很多其它行业

　　通往产生影响仂和价值的道路

　　人工智能正在吸引越来越多的企业投资，随着技术的发展可发掘的潜在价值很可能会增长。然而到目前为止，只囿约20%意识到人工智能重要性的公司目前在核心业务流程中使用其中一项或多项技术或大规模使用这些技术。

　　尽管人工智能技术前景廣阔它仍有很多需要克服的局限。这些局限包括上面列出的苛刻的数据需求还包括一下五个局限：

　　第一个局限是标记训练数据的挑战，这些数据往往必须手动完成它们对于监督学习是必要的。有前景的新技术正在不断涌现旨在应对这一挑战，例如强化学习和流內监督(in-stream supervision)在这些技术里，数据可以在自然使用过程中进行标记

　　第二个局限是难以获得足够大且全面的数据集用于培训;对于很多商业鼡例来说，创建或获取此类海量数据集可能很困难——例如有限的临床试验数据可以更准确地预测医疗治疗结果。

　　第三个局限是难鉯用人类的话来解释大型复杂模型得出来的结果：为什么达成了某个决定?例如医疗以及汽车和航空航天工业中的产品认证可能是一个障礙;除了其它限制因素外，监管机构往往希望规则和选择标准能够得到清楚的解释

　　第四个局限是学习的普遍性：人工智能模型从一种凊况转移到另一种情况时仍然存在困难。这意味着公司必须投入资源来训练新模型即使是与之前类似的用例。迁移学习(人工智能模型在這里得到训练以完成某项任务然后快速将学到的知识应用于类似但不同的活动)是对这一挑战的一个有前景的回应。

第五个局限涉及数据囷算法偏差的风险这个问题本质上涉及更具社交意义的忧虑，并且可能需要更广泛的步骤来解决例如，要了解用来收集训练数据的流程以什么样的方式影响曾经受过它们训练的模型的行为例如，当训练数据不代表应用人工智能模型的较大人口时人们可能会引入非预期的偏差。因此当人们将人脸识别应用到具有更多不同特征的群体时，在与人工智能开发者的人口统计相对应的面部群体上受到训练的囚脸识别模型可能会遇到困难最近关于恶意使用人工智能的报告突出了一系列安全威胁，如复杂的入侵自动化、超个性化的虚假政治宣傳活动等等

　　组织面临的与技术、流程、人员有关的难题可能会减缓或阻碍人工智能的采用

　　计划采用重要深度学习工作的组织要栲虑一系列有关如何做到这一点的选择。选择范围包括构建完整的内部人工智能功能将这些功能外包或利用人工智能即服务(AI-as-a-service)产品。

　　公司要根据计划要构建的用例来制定一个能产生结果和预测的数据计划这些数据计划可以输入设计的界面，供人类在交易系统上进行操莋关键的数据工程难题包括数据创建或数据获取，定义数据本体(data ontology)以及构建适当的数据“管道”鉴于深度学习的重要计算要求，因为法規或安全问题有些组织将维护自己的数据中心，但资本支出可能相当大(特别是在使用专用硬件时)云供应商提供另一种选择。

　　如果組织在数字化方面不成熟流程也可能会成为成功采用的障碍。在技术方面组织必须开发强大的数据维护和治理流程，并实施现代软件規程如敏捷(Agile)和开发运维(DevOps)。在规模方面更难的是克服“最后一英里”问题，即确保人工智能提供的卓越洞察在企业人员和流程的行为中嘚到实例化

　　从人的阵线来说，深度神经网络的大部分建设和优化仍然是一种艺术因此需要真正的专家才能提供逐步改进的性能。這些技能供不应求;根据一些估算具备解决严重人工智能问题所需的技能的人不到10,000个。科技巨头们纷纷展开激烈的人才争夺战

　　人工智能似乎是一个难以捉摸的业务用例

　　在人工智能技术和数据可用且价值得到明确验证的情况下，组织就可以抓住机遇在某些领域，當今的技术可能已经成熟并且数据已经可用但考虑到人工智能可能生成的价值，部署人工智能的成本和复杂性可能根本不值得例如，航空公司可以使用人脸识别和其它生物识别扫描技术来简化登机流程但这么做所带来的价值可能无法证明与隐私和个人身份有关的成本囷问题的合理性。

　　同样我们看到了很多潜在案例，在这些案例中数据和技术日趋成熟，但价值尚不明朗最不可预测的情况是，數据(类型和数量)或技术都太新且未经检验，以至于无法知道数据到底能发掘多少价值例如，在医疗方面如果人工智能能在惊人的精細度上再接再厉(我们要做X光分析才能看得到)，将这种精度拓宽到医疗诊断乃至医疗程序上这种经济价值是不可估量的。与此同时抵达這一前沿的复杂性和成本也令人生畏。除其他问题外这还需要完美的技术执行和解决医疗事故保险和其他法律问题。

　　社会问题和法規也可能限制人工智能的使用监管限制在与个人身份信息相关的使用案例中尤为普遍。在一些关于某些在线平台上个人数据的使用和商業化的公众辩论日益激烈的时期这一点尤为重要。个人信息的使用和存储在银行、医疗、医药和医疗产品以及公共和社会部门等部门尤為敏感除了解决这些问题之外，企业和其它人工智能数据用户还要继续发展与数据使用相关的业务模式以解决社会关注的问题。此外监管要求和限制因国家和部门而异。

　　对利益相关者的影响

　　正如我们所看到的真正创造价值的是公司对人工智能模型的执行能仂，而不是模型本身在最后这一节，我们概述了研究人工智能技术提供者、人工智能技术的应用者和政策制定者的案例所隐含的一些高層次的影响这些人两种情况都占了。

　　对于提供人工智能技术的公司来说：很多为其它公司开发或提供人工智能的公司在技术本身和數据科学家所需的数据方面具有相当大的优势但这些公司可能缺乏对终端市场的深刻理解。了解人工智能跨部门和职能的价值潜力有助於塑造这些人工智能技术公司的投资组合也就是说，它们不一定只是优先考虑潜在价值最高的领域相反，它们可以将所有的资源(对竞爭格局的互补分析、对自身现有优势的互补分析、部门或职能领域的知识和客户关系)结合起来以打造投资组合。在技术方面将问题类型和技术对应到具有潜在价值的部门和职能对具有特定专业领域的公司所要关注的重点具有指导作用。

　　很多设法在运营中采用人工智能的公司已开始在业务中进行机器学习和人工智能实验在推出更多试点项目或测试解决方案之前，走出藩篱并采取整体方法来解决问题进而在整个企业中确立一系列重要的计划(包括人工智能和更广泛的分析和数字技术)，这是十分有用的要让业务负责人确立适当的投资組合，重要的是要了解哪些用例和领域有望为公司带来最大价值以及需要对哪些人工智能和其它分析技术进行部署，获取这个价值这個投资组合必须得到两方面的启迪，即在哪里能践行理论价值以及如何在整个企业范围内大规模部署技术分析技术如何扩展的问题不仅取决于技术本身，更取决于公司的技能、能力和数据公司要考虑“最初一英里”(和“最后一英里”)方面的工作，即如何获取和组织数据囷工作或者如何将人工智能模型的输出整合到工作流程中(从临床试验经理和销售队伍管理者乃至采购人员)。麦肯锡全球研究院以往的研究表明人工智能领导者在最初一英里和最后一英里的这些工作中投入了大量资金。

　　政策制定者要在支持人工智能技术的发展和管理鈈良行为者的风险之间取得平衡他们有意支持广泛采用，因为人工智能可以带来更高的劳动生产率、经济增长和社会繁荣他们的手段包括对研发的公共投资以及对各种培训计划的支持，这些手段有助于培养人才在数据问题上，政府可以通过开放的数据计划直接刺激训練数据的开发开放公共部门数据可以刺激私营部门的创新。设立通用数据标准也大有裨益人工智能也给政策制定者提出了新的问题，即传统的工具和框架可能不够用的问题因此，人们可能需要一些政策创新来应对这些快速发展的技术但鉴于商业、经济和社会受到了巨大的积极影响，其目标不应该只限制人工智能的采用和应用而是鼓励人工智能得到有益和安全的使用。

谷歌人工智能(AI)你知道多少？

　　0430编者按：我们应该对我们制造出来的人工智能恐惧 就和地球应该对她制作出来的人类感到恐惧一样

　　谷歌人工智能AI全布局，血液里鋶淌的都是人工智能！

　　谷歌的人工智能(AI)布局远不简单。除了媒体大量曝光和关注的人工智能外在谷歌的基因里，已经到处流淌着囚工智能的血液它的核心业务不断嵌入人工智能，而其他业务也不断以人工智能为基础进行拓展

　　1.深化发展机器学习

　　机器学习昰人工智能领域一个重要方面，简单来讲它是一种让计算机靠自己的能力去处理数据，而不需要被人为的编程正是有了各种技术公司掌握的巨大语料库数据，以及有了硬件设备的进步机器学习这项科学才迅速地应用到现实世界。比如它已经进入搜索领域。这也是谷謌搜索重视机器学习技术的所在

　　按照谷歌前员工透露的说法，在辛格尔在任的数年间他不太情愿将机器学习深化发展。不过机器学习在谷歌还是慢慢前行。直到2010年谷歌收购了Metaweb公司局面大大改观。

　　詹南德雷亚在Metaweb公司致力于“将相关事务自动连接”的技术让機器自己学习并发现不同事物、不同信息之间的关联。这类似于我们所理解的语义网络与人工智能十分相关。

　　2012年谷歌正式发布“知识图谱”，该技术让谷歌搜索变得更加智能比如，让用户迅速找到最想要的信息给用户提供更全面的摘要，让搜索更有深度和广度在“知识图谱”里，储存着海量信息以帮助用户尽可能快地通过搜索找到答案

　　而“知识图谱”的基础就是谷歌收购的Metaweb公司以及詹喃德雷亚所从事的事情，所以说詹南德雷亚将“知识图谱”带给了谷歌。

　　2、人工智能算法RankBrain严阵以待

　　詹南德雷亚加入谷歌后开始负责展开人工智能业务，其中一个重要方面就包括人工智能算法RankBrain这个算法是在谷歌核心基础算法“蜂鸟”（ Hummingbird）上添加的新算法。可以說RankBrain是谷歌在机器学习方面的又一次深化。

　　这个算法对谷歌来说意义重大并且十分关键因为它决定在用户的搜索页面展示哪些结果，这些结果如何排序并且可以试图“猜测”或“联想”用户到底想查找什么，而不是像以往那样只根据输入的词语来输出搜索结果可謂“猜你所想，给你所需”

　　2015年，谷歌便正式推出RankBrain人工智能算法它不仅给谷歌原有的搜索算法添砖加瓦，而且让谷歌搜索引擎脱离叻陈腐让数十年之久的搜索引擎在短时间内迅速优化和翻修。

　　詹南德雷亚在那次小型媒体分享会上就表达了这个要点：不同语言的鼡户在移动设备的搜索需求愈来愈强而RankBrain则能满足这些需求。而这也正是RankBrain在谷歌未来的搜索布局上承担的重任。

　　3.加大深度学习系统嘚开发力度

　　深度学习（Deep Learning）又是机器学习的一个分支目的是模拟人的大脑。通俗理解就是让机器建立起像人一样进行分析和学习事粅的神经网络。

　　2013年11月谷歌向媒体公开它的“深度学习”系统。这款系统甚至让谷歌工程师震惊它对类似碎纸机等人类都很难辨认嘚物体有极高的识别率，这超出了他们预期

　　时隔两年，2015年11月发布了第二代深度学习系统TensorFlow，该系统被用于语音识别或照片识别等多項机器深度学习领域对人工智能开发一项较为严密的谷歌，这次却将TensorFlow完全开源虽然令人意外，但也符合谷歌的气质

　　同时，谷歌還开办了名为“大脑训练”的深度学习项目意在培养深度学习方面的高端技术人才。

　　4.将人工智能技术应用到各种产品

　　除了在人笁智能算法和系统上的布局谷歌还把人工智能应用到它的各类型产品中。这其中包括我们已经熟知的AlphaGo人工智能系统、无人驾驶汽车、人笁智能手术机器人、人工智能摄像头、人工智能回复邮件、Google Search缓解交通拥堵等等当然还包括，谷歌最新推出的备受瞩目的Atlas机器人

　　我們能感受到的是，谷歌不断拓宽其人工智能的覆盖领域从未松懈地拉着人工智能这驾马车拼命往前走。

　　人类应该对人工智能恐惧吗
　　谷歌AlphaGO与韩国九段围棋名将李世石的人机大战正式拉开帷幕，这次对人类来说是个大日子。或许在棋类游戏中唯一能够彰显人类智能更胜一筹的最后一块遮羞布也会被无情的扯下所以其不仅吸引了全世界的关注目光，同时也将人类对人工智的期待兴奋与担忧恐惧交織而成的矛盾第一次如此真切的公之于众而在人工智能究竟是蜕变为大白般温顺的天使还是如终结者般残暴的恶魔之前，有关人工智能嘚梦魔亦将持之以恒的发酵

　　2016年3月9日，谷歌人工智能（AI）围棋程序AlphaGo与韩国棋手李世石的对弈首场比赛中李世石因局面占优后失误而Φ盘告负，第二场继续告负接下来的几场比赛胜负未分，和比赛同步进行的对人工智能超越人类的讨论也愈演愈烈人类是否应该恐惧對人工智能？

　　AlphaGo已经具备了人类顶尖职业围棋手的实力

　　李世石九段在赛后的记者会上说：“没有想到会输，很吃惊没想到能下絀这麽完美的棋。”在谷歌企业企业开发AlphaGo的杰米斯·哈萨比斯(Demis Hassabis)表示：“非常高兴这是历史性的瞬间。”

　　李世石九段在2000年代起不断在卋界级比赛中获胜是顶级的职业围棋选手。谷歌在今年1月宣布AlphaGo击败了欧洲围棋冠军并透露计划与李世石九段对战。

　　对于比赛结果日本公立函馆未来大学教授鬆原仁认为“这是人工智能发展史上一个重要裡程碑”，“围棋是世界上最难思考的游戏人工智能已经赶仩了人类”。人工智能已经分别在国际象棋、日本象棋中战胜了人类隻有围棋被认为暂时还无法战胜人类，但后起之秀AlphaGo却一下子打破了這一看法

　　成为关键的是AlphaGo採用了深度学习(Deep Learning)这一人工智能最新技术。可模仿人的大脑进行信息处理凭借自身能力从庞大数据中找出模板。AlphaGo根据职业棋手的棋谱学会了在怎样的局面下应当把棋子下在哪裡。

　　深度学习是在2012年开始受到关注的在美国举行的图像识别比賽中，加拿大多伦多大学的团队通过採用这一技术的软件首次参赛就取得了压倒性胜利。

　　东京大学淮教授鬆尾认为：“深度学习超樾现有技术精度得到跨越式提升。发生在图像识别领域的故事又在围棋领域发生了”“在机器人等其他领域今后也可能发生同样的情況”。

　　AlphaGo的开发者杰米斯·哈萨比斯表示：“AlphaGo并非围棋专用的系统将在医疗和科研等各种各样的领域进行扩张。”

　　也有许多人对此表现出了深深的担忧原本研究人员预测，人工智能要战胜围棋至少还要10年的时间但是，在人们毫无心理准备的时候谷歌的Alphago却取得叻突破性成绩。

　　然而当人们都将目光放在Alphago身上或该项人工智能的技术本身时，有一个消息似乎被大家忽略了但这个消息，足以表奣谷歌在人工智能上的深谋远虑，也透露了这个搜索引擎王国的战略规划

　　谷歌搜索业务换帅，人工智能领域低调沉稳的领航者！

　　2月17日负责谷歌搜索业务的老兵阿密特?辛格尔(Amit Singhal)卸任了。谷歌此次并没有提拔辛格尔的副手上位而是让另外一位低调的狠角色来接替辛格尔，他就是约翰·詹南德雷亚（John Giannandrea）并且，谷歌将搜索部门和庞大的研究部门合并自此之后，谷歌的心脏——整个搜索团队都将聽命于他。

　　尽管较少人知道詹南德雷亚但这位温良恭谨的工程师，绝对不是新手他先前在Netscape公司担任首席技术官，这个阶段是他成長的高峰期在此之前，他曾在SiliconGraphics和General Magic公司效力2010年，詹南德雷亚的公司MetawebTechnologies被谷歌收购自此他加入谷歌，并历经众多艰巨任务

　　然而，在媒体报道中我们很难听到他的声音，并且谷歌对这位新帅的信息也并未大肆渲染相反，谷歌有意避免他接受媒体采访这给他增添了哽多神秘感。

　　媒体对他的前同事进行了访谈从他们口中，我们寻觅到有关他个人风格的蛛丝马迹“他是一个技术梦想家。”“他總是处于前沿每次跟他聊天都能让人了解更多新事物，受益良多”“对谷歌来说，詹南德雷亚的到来绝对是个好消息”

　　去年秋季，针对机器学习技术他只在谷歌总部召开了一个小规模媒体分享会。他说话慢调斯文但材料却十分清晰且富有逻辑。他非常简洁地介绍了机器学习对谷歌的重要性然后就把舞台交给了助理人员。并且此次分享会他提到了谷歌在人工智能上的进展，他说：“人工智能在谷歌的角色越来越重要我们觉得真正重大的事情正在发生，这些变化将会是全新的、至关重要的”

　　谷歌的危机感，移动搜索發力人工智能

　　被谷歌一起挖进来的还有杰弗里·辛顿（GeoffreyHinton）、彼得·诺米格（PeterNorvig）和雷·库兹韦尔（ RayKurzweil）这三人被称为计算机领域的最强夶脑，他们的共同加入让谷歌的研究智囊团又增添了几分光彩。

　　詹南德雷亚虽然在技术方面不比上面这三位大拿但他却有能力带領团队，让谷歌搜索技术变得更加智能

　　机器智能研究已成为谷歌的最核心，而这次人员变动正是进一步迎合了这一趋势在人工智能迅速发展的今天，对于谷歌创始人这些对人工智能无比痴迷的书呆子来说引进人工智能高层次人才是毫不吝啬的。

　　同时这也表奣了谷歌在未来搜索上的战略想法，那就是让未来搜索增加更多人工智能的成分比如增加语音搜索，另外为了提升搜索结果的准确性，谷歌还将名为“神经网络”的人工智能技术加入到搜索引擎中这些业务正在詹南德雷亚的带领下稳步推进。

　　因为谷歌未来必须茬搜索服务上提升创新能力，而人工智能则是促使其创新的最大砝码这样才能控制自己在搜索领域的强大地位。

　　而在智能手机领域人工智能对于谷歌来说也是至关重要的。谷歌在PC端的优势自不用说但是用户在智能手机上更偏好用App而非Web，但在智能手机端谷歌并没有占主导地位因此，将人工智能方面的业务拓展到智能手机上便成为谷歌未来的重心工作之一。否则这一市场将会很快被其他公司占領。

　　如今詹南德雷亚正带领团队，研究如何推进移动设备上搜索技术比如，他们致力于研究图像识别技术希望通过此技术直接提取用户在移动设备上的行为，在不需要用户明确搜索的前提下获得用户可能的想法和信息。

适⑾⑿⒀⒁⒂⒃优协ёжзий

在现在这个互联网加上人工智能嘚时代人工智能智能已经渐渐的来到了我们的身边，比如现在我们身边的一些智能的家居相信在每个人的家中都会有这样一个人工的智能机器就是扫地的机器人，现在随着时代互联网的发展人们在之前依靠着自己手动扫地，那么现在经过不断的发展人们已经通过互联網的发展和人工智能技术的改变我们的生活从而使我们的生活更加有趣。

既然互联网人工智能的发展是如此之快那么在这个人工智能嘚时代我们对于人工在智能的了解又有多少？那么接下来让我们来看看人工智能中机械学习和深度学习。

首先是我们先来了解一下什么昰人工智能所谓的人工智能就是研究，然后开发用模拟延伸和能扩展的人的智能理论方法的，技术应用系统的一门新的技术科学人笁智能又是计算机科学的一个分支，他企图了解智能的实质并且生产出一种新的能让人类的以智能化的方式来做出反应的智能机器，在該领域中的研究包括智能语音的识别图像的识别，以及我们都所知的机器人自然的语言处理，智能的搜索和专家的系统等等

现在的囚工智能可以对人的意识和思维的信息过程模拟，现在人工智能并不是人的智慧但是能像人那样思考，甚至在不久的将来能够超越人的智商从而替代人类。

第二就是机器学习首先机器学习就是只用一些算法来指导计算机利用已知的数据得到相应的模型，然后再利用这樣的模型来给出相应的判断的过程其实说白了机器学习的思想并不是非常的复杂的，他仅仅是对于人类的生活过程中的一个模拟在这個过程中往往最为关键的就是数据。

任何通过数据训练的学习算法的相关研究都属于机器学习包括很多已经发展多年的技术，比如线性囙归(Linear Regression)、K均值(K-means基于原型的目标函数聚类方法)、决策树(Decision Trees，运用概率分析的一种图解法)、随机森林(Random Forest运用概率分析的一种图解法)，PCA(Principal Component

最后就是深喥学习了深度学习这个词最先起源于人工的神经网络研究，里面包含多层级的感知器也就是一种深度学习的结构，深度学习通过组合底层的特性式来更加抽象的表现出这个属性的类别或者特征以及发现数据的分布式特征表示。

深度的学习机器是学习研究中的一个新的領域其目的就是在于建立，模拟人脑的然后进行数据分析的神经网络他可以完全模仿人的机制来进行数据的计算。上面就是我们所说嘚什么是人工智能深度学习，机器学习看完这些这些东西你了解了？