被稱為人工智能核心的機器學(xué)習(xí)技術(shù)為什么這么難？

　　人工智能是一門交叉學(xué)科，從被提出到現(xiàn)在也有六十多年的歷史，目前仍處在AI初級階段。之所以發(fā)展緩慢的一個重要原因是人工智能的技術(shù)難度很高，它涉及計算機、心理學(xué)、哲學(xué)等，對從業(yè)者要求很高，目前國內(nèi)從事AI行業(yè)的工程師很多是碩士或以上學(xué)位。

　　人工智能技術(shù)可應(yīng)用于安防、醫(yī)療、家居、交通、智慧城市等各行各業(yè)，其前景是毋庸置疑的，未來絕對是一個萬億級市場。根據(jù)應(yīng)用領(lǐng)域的不同，人工智能研究的技術(shù)也不盡相同，目前以機器學(xué)習(xí)、計算機視覺等成為熱門的AI技術(shù)方向，本文以機器學(xué)習(xí)為例，通過分析其關(guān)鍵技術(shù)與當(dāng)前面臨的難點，一起探索人工智能的發(fā)展與未來。

　　機器學(xué)習(xí)是人工智能的核心

　　機器學(xué)習(xí)也被稱為人工智能的核心，它主要是研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為以獲取新的知識或技能，幫助計算機重新組織已有知識結(jié)構(gòu)使之不斷改善自身的性能。

　　機器學(xué)習(xí)是人工智能研究的一個分支，人們對機器學(xué)習(xí)的研究也有很多年了。它的發(fā)展過程大體上可分為幾個時期，第一是在20世紀(jì)50年代中葉到60年代中葉，屬于熱烈時期;第二是在20世紀(jì)60年代中葉至70年代中葉，被稱為機器學(xué)習(xí)的冷靜時期;第三是從20世紀(jì)70年代中葉至80年代中葉，稱為復(fù)興時期;第四階段的機器學(xué)習(xí)開始于1986年，目前我們?nèi)蕴幵谶@個時期。

　　現(xiàn)在很多應(yīng)用領(lǐng)域都可以看到機器學(xué)習(xí)的身影，如數(shù)據(jù)挖掘、自然語言處理、生物特征識別、搜索引擎、醫(yī)學(xué)診斷、證券、游戲、機器人等。

　　學(xué)習(xí)是一項非常復(fù)雜的過程，學(xué)習(xí)與推理分不開，按照學(xué)習(xí)中使用推理的多少，機器學(xué)習(xí)所采用的策略可分為四種：機械學(xué)習(xí)、傳授學(xué)習(xí)、類比學(xué)習(xí)和通過事例學(xué)習(xí)。學(xué)習(xí)中所用的推理越多，說明系統(tǒng)的能力越強。

　　機器學(xué)習(xí)的難度在哪?

　　對于機器學(xué)習(xí)的開發(fā)者而言，除了需要對數(shù)學(xué)知識掌握得非常熟練之外，選擇什么工具也很重要。一方面，機器學(xué)習(xí)的研究需要創(chuàng)新、實驗和堅持，很多人半途而廢;另一方面，如何將機器學(xué)習(xí)模型應(yīng)用到實際工作中也有難度。

　　除了工程師因素，機器學(xué)習(xí)的系統(tǒng)設(shè)計也有難度。影響學(xué)習(xí)系統(tǒng)設(shè)計的最重要的因素是環(huán)境向系統(tǒng)提供的信息，信息質(zhì)量直接影響系統(tǒng)性能，知識庫里存放的是指導(dǎo)執(zhí)行部分動作的一般原則，但環(huán)境向?qū)W習(xí)系統(tǒng)提供的信息卻是各種各樣的。

　　如果信息質(zhì)量高，與一般原則的差別比較小，則機器學(xué)習(xí)比較容易處理。如果向?qū)W習(xí)系統(tǒng)提供的是無規(guī)律的指令信息，則學(xué)習(xí)系統(tǒng)需要在獲得足夠數(shù)據(jù)之后，刪除不必要的細節(jié)，總結(jié)后才能形成指導(dǎo)動作，并放入知識庫;這樣機器學(xué)習(xí)的任務(wù)就比較繁重，設(shè)計起來也較為困難。

　　對于機器學(xué)習(xí)而言，還有一個技術(shù)難度就是機器學(xué)習(xí)的調(diào)試很復(fù)雜，如在進行常規(guī)軟件設(shè)計時，編寫的問題不能按預(yù)期工作，可能是算法和實現(xiàn)出現(xiàn)問題;但在機器學(xué)習(xí)里面，實際的模型和數(shù)據(jù)是兩個關(guān)鍵因素，這兩個的隨機性非常強，調(diào)試難度倍增。除了復(fù)雜性，機器學(xué)習(xí)的調(diào)試周期一般都很長，因為機器得到指令進行實施修正和改變通常需要十幾個小時甚至幾天。

　　谷歌是機器學(xué)習(xí)的推動者

　　提到機器學(xué)習(xí)，就不得不提到谷歌，2017年，它展示了聚焦人工智能的名為張量處理單元(TPU)的芯片，這是一款谷歌打造的處理器，是專為機器學(xué)習(xí)量身定做的。

　　TPU的特點是執(zhí)行每個操作所需的晶體管數(shù)量更少，自然效率更高，據(jù)谷歌介紹，TPU與同期的CPU和GPU相比，可以提供15-30倍的性能提升及30-80倍的效率提升。谷歌表示，它們專門為這款TPU設(shè)計了MXU作為矩陣處理器，可以在單個時鐘周期內(nèi)處理數(shù)十萬次運算。谷歌提到，TPU的核心是脈動陣列，MXU有著與傳統(tǒng)CPU、GPU截然不同的架構(gòu)，稱為脈動陣列;“脈動”名字的來源是因為在這種結(jié)構(gòu)中，數(shù)據(jù)一波一波地流過芯片，與心臟跳動供血的方式類似。

　　機器學(xué)習(xí)技術(shù)助力人工智能

　　機器學(xué)習(xí)被提出來也有一段時間了，但是發(fā)展并不是非?？焖?，其中有自身的技術(shù)難度等原因。目前盡管機器學(xué)習(xí)面臨著很多技術(shù)問題去解決，但人工智能的發(fā)展和突破是繞不開它的，以谷歌為代表的企業(yè)為行業(yè)樹立了一個榜樣，筆者相信未來會有更多的企業(yè)加入到機器學(xué)習(xí)的研究之中，去推動機器學(xué)習(xí)，助力人工智能。