???????????????????????????????????????????? 百度首席科學(xué)家吳恩達(dá)

吳恩達(dá)認(rèn)為，以深度學(xué)習(xí)為基礎(chǔ)的人工智能的重要性甚至超過了互聯(lián)網(wǎng),?！叭斯ぶ悄苁切聲r代的電力，”他說,?！?00年前，電力改造了所有行業(yè)的面貌,，人工智能也必將如此,。”

深度學(xué)習(xí)實質(zhì)上是一個非常細(xì)分的概念,。 “人工智能”是由大量技術(shù) ——包括基于邏輯和規(guī)則的傳統(tǒng)技術(shù)——所構(gòu)成的一個技術(shù)組合體,，在人工智能的輔助下，計算機和機器人能夠以模擬人類思維的方式解決問題,。作為人工智能的一個分支概念,，機器學(xué)習(xí)是一個由高度復(fù)雜但重要的數(shù)學(xué)技術(shù)構(gòu)建的完整工具包，在此工具包的協(xié)助下,，計算機能夠通過學(xué)習(xí)經(jīng)驗而提高執(zhí)行任務(wù)的質(zhì)量,。而深度學(xué)習(xí)則是機器學(xué)習(xí)下屬的一個更為細(xì)分的概念。

深度學(xué)習(xí)的作用可以簡單用 “輸入A,，輸出B”來概括,，吳恩達(dá)說?！澳爿斎胍纛l文件,，輸出字幕。這就是語音識別,?！奔偃缬脭?shù)據(jù)對軟件不斷進(jìn)行訓(xùn)練，就會得出無窮無盡的可能結(jié)果,，他說,。“你輸入電子郵件,，會輸出：這是一封垃圾郵件嗎,？”輸入貸款應(yīng)用，會輸出客戶償還貸款的可能性,。輸入對一個汽車車隊的使用規(guī)律,，則會輸出把下一輛車派到哪里的建議,。

從這個角度看，深度學(xué)習(xí)擁有改造所有行業(yè)的能力,?！坝嬎銠C視覺技術(shù)繼續(xù)發(fā)展下去就會引發(fā)極其重大的變革，”谷歌大腦項目主管杰夫·迪恩（Jeff Dean）說,。他有些神情不安地加了一句：“現(xiàn)在計算機已經(jīng)有了眼睛,。”

這是不是意味著“奇點”的到來已經(jīng)迫在眉睫了嗎,？ “奇點”是指科學(xué)家設(shè)想的,，超級智能機器無需人類介入就能夠自我改造，從而把低能的人類踩在腳下,，造成可怕后果的那個時刻,。

其實大可不必杞人憂天。盡管神經(jīng)網(wǎng)絡(luò)擅長于圖像識別——在這件事上可能比人做得更好,，但它卻沒有獨立思考的能力,。

點燃這場革命的最早火花出現(xiàn)在2009年。那時,，神經(jīng)網(wǎng)絡(luò)技術(shù)開創(chuàng)者,、多倫多大學(xué)的杰弗里·辛頓（Geoffrey Hinton）受邀走訪了微軟首席研究員鄧力的實驗室。當(dāng)時,，在辛頓研究成果的啟發(fā)下,，鄧力的研究團(tuán)隊正在實驗利用神經(jīng)網(wǎng)絡(luò)進(jìn)行語音識別?！皩嶒灲Y(jié)果讓我們大吃一驚,，” 微軟研究院聯(lián)席院長彼得·李說到?！暗谝粋€版本就把準(zhǔn)確率提高了30%,。”

彼得·李說,，2011年,，微軟將深度學(xué)習(xí)技術(shù)引入其商業(yè)化語音識別產(chǎn)品。谷歌于2012年8月啟動類似研究項目緊追其后,。

真正的轉(zhuǎn)折點發(fā)生在2012年10月,。在一場于意大利佛羅倫薩召開的研討會上，斯坦福大學(xué)人工智能實驗室主任,、知名年度ImageNet計算機視覺大賽的創(chuàng)辦者李飛飛宣布,，辛頓的兩位學(xué)生已經(jīng)發(fā)明了能夠以比最強競爭對手高一倍準(zhǔn)確率識別物體的軟件?！斑@是一項偉大的成就,，”辛頓回憶說,，“讓很多曾經(jīng)對人工智能批評有加的人轉(zhuǎn)變了看法?！保ㄉ夏甓却筚愔?，一個人工智能參賽者的表現(xiàn)超過了人類。）

盡管解決圖像識別問題只是人工智能時代的一個開始,，但卻引發(fā)了一股人才爭奪戰(zhàn)的熱潮,。谷歌把辛頓和他參與大賽的兩個學(xué)生招至麾下,；Facebook招募了曾在1980和1990年代寫出大賽獲勝算法的法籍深度學(xué)習(xí)元老燕樂存（Yann LeCun）,；百度則聘請了原斯坦福人工智能實驗室主任吳恩達(dá)，他曾在2010年領(lǐng)導(dǎo)專注于深度學(xué)習(xí)技術(shù)的谷歌大腦項目,。

今天,，人工智能人才爭奪戰(zhàn)仍在愈演愈烈。微軟的彼得·李說,，“這一領(lǐng)域的人才爭奪到了瘋狂的地步,。”他說,，頂級人工智能專家的薪酬“和國家橄欖球聯(lián)盟球星不相上下,。”

現(xiàn)年68歲的杰弗里·辛頓最早是在愛丁堡大學(xué)研究生院攻讀人工智能相關(guān)學(xué)位時知道神經(jīng)網(wǎng)絡(luò)這個概念的,。由此,，本科在劍橋大學(xué)學(xué)習(xí)實驗心理學(xué)的辛頓對神經(jīng)網(wǎng)絡(luò)產(chǎn)生了極大興趣。神經(jīng)網(wǎng)絡(luò)是一種模仿大腦神經(jīng)元工作原理的軟件結(jié)構(gòu),。當(dāng)時,，幾乎沒人對神經(jīng)網(wǎng)絡(luò)感興趣?！八腥硕颊J(rèn)為這是不可能實現(xiàn)的,，”他回憶說。但是辛頓卻沒有氣餒,，而是迎難而上,。

神經(jīng)網(wǎng)絡(luò)可以讓計算機和兒童一樣通過經(jīng)驗自我學(xué)習(xí)，而不是讓人工編寫的程序告訴它怎么做,?！爱?dāng)時，大多數(shù)人工智能都是由邏輯驅(qū)動的,，”他回憶說,。“但是,，邏輯是人類在很大年齡才具備的東西,。兩三歲的兒童不按邏輯行事,。神經(jīng)網(wǎng)絡(luò)就是智力能夠超越邏輯的一個范例?！保ㄓ腥さ氖?，邏輯曾是辛頓一家長期以來一直遵循的法則。他的家族涌現(xiàn)過大量杰出科學(xué)家,，他是19世紀(jì)數(shù)學(xué)家喬治·布爾[George Boole]的曾孫,，布爾搜索、布爾邏輯和布爾代數(shù)即以他的名字命名,。）

1950和1960年代,，神經(jīng)網(wǎng)絡(luò)曾經(jīng)是計算機科學(xué)中的一個時髦詞匯。1958年,，康奈爾大學(xué)研究心理學(xué)家弗蘭克·羅森布拉特（Frank Rosenblatt）參與美國海軍資助的一項研究計劃,，在布法羅的一家實驗室建成了一個神經(jīng)網(wǎng)絡(luò)原型，他稱之為“Perceptron”,。這個原型使用一臺體積占滿整個房間的穿孔卡片計算機,。50次實驗后，它學(xué)會了識別左側(cè)穿孔和右側(cè)穿孔的卡片,?！都~約時報》當(dāng)時刊登了一篇報道：“海軍近日發(fā)現(xiàn)，一臺原型電子計算機有可能學(xué)會走路,、說話,、觀察、寫作,、自我復(fù)制,、并意識到自身的存在?！?/p>

Perceptron的軟件只有一層類似于神經(jīng)元的節(jié)點,，它的能力十分有限。但是,，研究人員認(rèn)為,，如果具備多層或深層的神經(jīng)網(wǎng)絡(luò)，它就能做更多事情,。

辛頓向我們解釋了神經(jīng)網(wǎng)絡(luò)的基本原理：假設(shè)一個神經(jīng)網(wǎng)絡(luò)正在解析照片圖像,，某些照片上有鳥?！跋袼財?shù)據(jù)輸入后,，第一層神經(jīng)元將會探測各個微小的邊緣: 一側(cè)較暗，另一個較亮?！钡诙由窠?jīng)元將分析來自第一層的數(shù)據(jù),，并學(xué)會探測“兩個側(cè)邊以一定角度交接的邊角，”他說,。例如,，其中一個神經(jīng)元將會識別出鳥喙的角度數(shù)據(jù)。

下一層神經(jīng)元“將會發(fā)現(xiàn)更為復(fù)雜的特征,，例如一個圓內(nèi)的大量邊線,。”一個神經(jīng)元可能會識別出鳥頭,。位于更下一層的神經(jīng)元將會在類似鳥頭的圓附近發(fā)現(xiàn)反復(fù)出現(xiàn)的類似鳥喙的銳角,。“這正是鳥頭的明顯標(biāo)志,，”辛頓說,。以下每一層的神經(jīng)元都會識別出更為復(fù)雜和抽象的結(jié)構(gòu),，直至最后一層得出被識別物體是一只“鳥”的結(jié)論,。

然而，為了達(dá)到學(xué)習(xí)目的,，神經(jīng)網(wǎng)絡(luò)需要做的不只是把信息發(fā)送到每層神經(jīng)元而已,。它必須判斷最后一層是否得出了正確結(jié)果。如果結(jié)果錯誤,，就會逐層反向發(fā)送信號,，讓每層的神經(jīng)元重新調(diào)整其觸發(fā)規(guī)律，從而改善識別質(zhì)量,。這就是為何稱為“學(xué)習(xí)”的原因,。

深度學(xué)習(xí)歷史上的重要時刻

1958年

康奈爾大學(xué)心理學(xué)家弗蘭克·羅森布拉特推出基于占滿整個房間的計算機的單層神經(jīng)網(wǎng)絡(luò)Perceptron。

1969年

人們對神經(jīng)網(wǎng)絡(luò)失去興趣,，麻省理工學(xué)院人工智能權(quán)威馬文·明斯基與他人共同撰寫一本著作,，對神經(jīng)網(wǎng)絡(luò)的現(xiàn)實性提出質(zhì)疑。

1986年

神經(jīng)網(wǎng)絡(luò)開創(chuàng)者杰弗里·辛頓及他人發(fā)現(xiàn)一種訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)糾正錯誤的方法,，催生了很多類似的研究成果,。

1989年

當(dāng)時就職于貝爾實驗室的法國科學(xué)家燕樂存對神經(jīng)網(wǎng)絡(luò)開始進(jìn)行一系列基礎(chǔ)性研究，研究成果成為圖像識別技術(shù)的基石,。

1991年

德國科學(xué)家賽普·霍希雷特和約根·施密德霍伯研制出具有記憶功能的神經(jīng)網(wǎng)絡(luò),，這一技術(shù)在日后的自然語言處理中展現(xiàn)了優(yōu)勢。

1997

IBM深藍(lán)采用傳統(tǒng)人工智能技術(shù)擊敗了國際象棋世界冠軍卡斯帕羅夫,。

1990年代中期

其他機器學(xué)習(xí)技術(shù)快速發(fā)展,，神經(jīng)網(wǎng)絡(luò)再次陷入停滯。

2007年

李飛飛創(chuàng)建ImageNet,，整理了1400萬張帶標(biāo)簽圖片供機器學(xué)習(xí)研究用途,。

2011年

微軟的語音識別產(chǎn)品采用了神經(jīng)網(wǎng)絡(luò),。

IBM沃森采用傳統(tǒng)人工智能技術(shù)在Jeopardy節(jié)目中打敗兩位冠軍。

2012年6月

谷歌大腦公布“貓實驗”：由1000萬張YouTube視頻截圖訓(xùn)練的神經(jīng)網(wǎng)絡(luò)學(xué)會了如何從圖片中找到貓,。

2012年8月

微軟的語音識別產(chǎn)品采用了神經(jīng)網(wǎng)絡(luò),。

2012年10月

辛頓的兩位學(xué)生設(shè)計的神經(jīng)網(wǎng)絡(luò)以幾大優(yōu)勢奪取了年度ImageNet冠軍。

2013年5月

谷歌使用神經(jīng)網(wǎng)絡(luò)技術(shù)改進(jìn)圖片搜索質(zhì)量,。

2014年

谷歌以6億美元收購DeepMind,，一家將深度學(xué)習(xí)和強化學(xué)習(xí)結(jié)合起來的初創(chuàng)企業(yè)。

2015年12月

微軟團(tuán)隊利用神經(jīng)網(wǎng)路在ImageNet挑戰(zhàn)賽中戰(zhàn)勝了人類選手,。

2016年3月

DeepMind的AlphaGo利用深度學(xué)習(xí),，以4比1的比分擊敗了圍棋世界冠軍李世石九段。

1980年代初,，辛頓正在忙著解決多層神經(jīng)元問題,。當(dāng)時做同樣工作的還有剛剛在巴黎上研究生院的法國科學(xué)家燕樂存。燕樂存無意中讀到了辛頓于1983年撰寫的一篇討論多層神經(jīng)網(wǎng)絡(luò)的論文,?！爱?dāng)時使用的不是這些術(shù)語，” 燕樂存回憶說,，“當(dāng)時你要是用‘神經(jīng)元’或者‘神經(jīng)網(wǎng)絡(luò)’這些詞,，論文就很難發(fā)表。所以他當(dāng)時用了一些含混不清的術(shù)語以求通過編輯的篩選,。但我當(dāng)時就感覺這篇論文非常非常有趣,。” 兩人在兩年后會面并一見如故,。

1986年,，辛頓和兩名同事合作撰寫了一篇影響深遠(yuǎn)的論文，為解決糾錯問題提供了算法,?！八倪@篇論文實際上是第二波神經(jīng)網(wǎng)絡(luò)浪潮的奠基石，” 燕樂存說,。果然,，這篇論文引燃了業(yè)內(nèi)人士的巨大興趣。

??????????????????????????????????? Facebook人工智能實驗室主任燕樂存

攻讀完辛頓的博士后學(xué)位后,，燕樂存于1988年加入美國電報電話公司的貝爾實驗室,，在以后的10年里，他做了許多基礎(chǔ)性工作,，其中某些成功至今仍在圖像處理任務(wù)中得到應(yīng)用,。1990年代，當(dāng)時為貝爾實驗室分支機構(gòu)的NCR公司推出了一種可以幫助銀行識別支票上手寫數(shù)字的實用化神經(jīng)網(wǎng)絡(luò)設(shè)備，并大獲成功,，燕樂存表示,。與此同時，兩位德國科學(xué)家——賽普·霍希雷特（Sepp Hochreiter,，目前就職于林茨大學(xué)）和約根·施密德霍伯（Jürgen Schmidhuber,，瑞士盧加諾人工智能實驗室副主任）獨立推出另一種算法。在20年之后的今天,，這種算法成為自然語言處理應(yīng)用的基礎(chǔ),。

盡管取得了上述進(jìn)展，但在1990年代中期,，神經(jīng)網(wǎng)絡(luò)再一次陷入低谷,，取而代之的是更加適合當(dāng)時計算能力的其他機器學(xué)習(xí)技術(shù)。這種情況一直持續(xù)了將近10年,，直到后來計算能力增大了三四個數(shù)量級,，且有科學(xué)家發(fā)現(xiàn)了GPU加速現(xiàn)象才出現(xiàn)改觀。

但是另一個要素仍然不足：數(shù)據(jù),。盡管互聯(lián)網(wǎng)此時已經(jīng)大行其道,，但大多數(shù)數(shù)據(jù) ——尤其是圖像數(shù)據(jù) ——都沒有備注標(biāo)簽，而數(shù)據(jù)標(biāo)簽是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的必需,。此時,，斯坦福人工智能教授李飛飛出現(xiàn)了,?！拔覀兊哪繕?biāo)是，大數(shù)據(jù)將改變機器學(xué)習(xí)的方式,，”她在一次采訪中表示,。“數(shù)據(jù)將推動學(xué)習(xí),?！?/p>

????????????????????????????????????斯坦福大學(xué)人工智能實驗室主任李飛飛

2007年，她創(chuàng)辦了ImageNet ——包含1400萬張有標(biāo)簽圖片的免費數(shù)據(jù)庫,。數(shù)據(jù)庫于2009年實現(xiàn)了實時發(fā)布,。第二年，她創(chuàng)辦了年度圖像識別大賽以激勵并發(fā)布計算機視覺方面的突破,。

2012年10月,，辛頓的兩個學(xué)生摘得大賽桂冠，這是,，所有人都很清楚深度學(xué)習(xí)的時代終于到來了,。

那時公眾已經(jīng)通過別的渠道知道了深度學(xué)習(xí)這一流行詞匯。2012年6月，谷歌大腦公布了一個奇特研究項目（現(xiàn)在人們在非正式場合將其稱為“貓實驗”）的結(jié)果,，結(jié)果十分有趣,，并在社交媒體上引發(fā)轟動。

這一項目專注于研究深度學(xué)習(xí)領(lǐng)域一個重要而未獲解決的問題：“無監(jiān)督學(xué)習(xí)”,。目前市場上幾乎所有深度學(xué)習(xí)產(chǎn)品都采用了“無監(jiān)督學(xué)習(xí)”技術(shù),，其神經(jīng)網(wǎng)絡(luò)系采用標(biāo)簽化數(shù)據(jù)（例如由ImageNet整理的圖像）進(jìn)行訓(xùn)練。有了“無監(jiān)督學(xué)習(xí)”技術(shù),，給神經(jīng)網(wǎng)絡(luò)輸入無標(biāo)簽數(shù)據(jù)后,，就會自動搜索重復(fù)性圖案特征。有朝一日,，研究者將會輕松駕馭無監(jiān)督學(xué)習(xí),。到那時，計算機將會像嬰兒感知世界一樣,，使用今天無法使用的海量數(shù)據(jù)自我認(rèn)識世界,。

在“貓實驗”中，研究者讓安裝在1,000臺計算機上的神經(jīng)網(wǎng)絡(luò)讀取1,000萬張YouTube視頻的隨機截圖,。實驗結(jié)束后,，研究者分析了最上一層神經(jīng)元，然后驚奇地發(fā)現(xiàn)其中一個神經(jīng)元對貓的圖像產(chǎn)生了強烈反應(yīng),?！斑€有神經(jīng)元對人臉有強烈反應(yīng)，”當(dāng)時在谷歌大腦領(lǐng)導(dǎo)這一研究項目的吳恩達(dá)說,。

實驗結(jié)果也令人感到困惑,。比如“我們沒發(fā)現(xiàn)有神經(jīng)元對汽車有強烈反應(yīng)，”,，以及“有很多神經(jīng)元無法識別或很難識別英語單詞,。”

盡管這項實驗引發(fā)了一場轟動,，但是目前人們對無監(jiān)督學(xué)習(xí)仍然了解不多——這是一個需要在未來攻克的堡壘,。

很自然，目前大多數(shù)已實現(xiàn)商業(yè)化的深度學(xué)習(xí)應(yīng)用都和谷歌,、微軟,、Facebook、百度和亞馬遜等互聯(lián)網(wǎng)巨頭的名字聯(lián)系在一起,。這些巨頭擁有深度學(xué)習(xí)運算所需的巨量數(shù)據(jù),。許多企業(yè)正在開發(fā)更具現(xiàn)實性和幫助性的“聊天機器人” ——自動化客戶服務(wù)代表。

IBM和微軟等企業(yè)正在幫助商業(yè)客戶了解并適應(yīng)其業(yè)務(wù)框架下采用了深度學(xué)習(xí)技術(shù)的應(yīng)用 ——例如語音識別界面和翻譯服務(wù),，而亞馬遜Web Service等云服務(wù)則為軟件開發(fā)者提供基于GPU的低成本深度學(xué)習(xí)運算服務(wù),。Caffe,、谷歌TensorFlow、亞馬遜DSSTNE等大量開源軟件讓創(chuàng)新不再困難,，同時建立了開放式出版規(guī)則,，許多研究者能夠無需同儕審核即可立即將研究結(jié)果發(fā)布于數(shù)據(jù)庫內(nèi)。

深度學(xué)習(xí)最令人興奮的應(yīng)用場景是醫(yī)療領(lǐng)域,。我們已經(jīng)知道,，神經(jīng)網(wǎng)絡(luò)十分擅長圖像識別，安德森-霍洛維茨公司生化投資部門主管,、斯坦福大學(xué)教授維杰·潘德（Vijay Pande）說,，“在醫(yī)生每天做的工作中，有很大一部分都是圖像識別,。放射科,、皮膚科、眼科等等很多科室的醫(yī)生都無不如此,?！?/p>

初創(chuàng)公司Enlitic采用深度學(xué)習(xí)技術(shù)分析放射影像和CT、核磁共振掃描圖像,。公司CEO,、前加州大學(xué)舊金山分校腫瘤放射學(xué)教授伊格爾·巴拉尼（Igor Barani）稱，Enlitic的算法在判斷肺部結(jié)節(jié)屬于良性還是惡性時的準(zhǔn)確率超過了四名放射科醫(yī)生,。（這一成果并未得到行業(yè)專家審閱,，這一技術(shù)也未獲得FDA批準(zhǔn)。）

默沙東公司（Merck）正在計劃和舊金山初創(chuàng)公司Atomwise合作,，利用后者提供的深度學(xué)習(xí)技術(shù)加速藥品研發(fā),。神經(jīng)網(wǎng)絡(luò)能夠?qū)彶槌汕先f個藥物候選分子的三維圖像，并預(yù)測其是否能夠有效對抗病原體,。這些公司利用神經(jīng)網(wǎng)絡(luò)強化人類已經(jīng)具備的能力,；而有創(chuàng)業(yè)者則試圖嘗試人類之前從未企及的領(lǐng)域。現(xiàn)年27歲的前計算生物學(xué)博士生加伯里爾·奧特（Gabriel Otte）創(chuàng)辦了Freenome公司試圖通過化驗血樣篩查癌癥,。具體方法是：檢驗細(xì)胞死亡從細(xì)胞內(nèi)部涌出的血液DNA。采用深度學(xué)習(xí)技術(shù)后,，計算機將找出脫細(xì)胞DNA和某些癌癥之間的關(guān)聯(lián),。“我們已經(jīng)發(fā)現(xiàn)了之前從未被癌癥生物學(xué)家注意到的新特征,，”奧特說,。

安德森-霍洛維茨公司正在考慮投資Freenome。AH的潘德給了奧特五個盲樣 ——其中兩個采自正常人,，3個采自癌癥患者,。潘德說,，奧特準(zhǔn)確分析了所有五個盲樣，這讓他們最終敲定了投資Freenome的決定,。

一位放射學(xué)醫(yī)生在他的職業(yè)生涯里會觀看數(shù)以千計的圖像,，而一臺電腦處理的圖像數(shù)量則以百萬級?！昂敛黄婀?，計算機能更好地解決圖像問題，”潘德說,，“原因很簡單,，計算機處理圖像的速度遠(yuǎn)遠(yuǎn)超過人類?！?/p>

新技術(shù)帶來的潛在好處不只包括更高的準(zhǔn)確性和更快的分析速度,，還有服務(wù)的普及化。隨著技術(shù)標(biāo)準(zhǔn)化的形成,，最終所有患者都將從中獲益,。

當(dāng)深度學(xué)習(xí)與其他人工智能技術(shù)以創(chuàng)新方式結(jié)合起來時，就會發(fā)揮最大的威力,。例如,，通過將普通深度學(xué)習(xí)技術(shù)與一種名為“強化學(xué)習(xí)”的特殊深度學(xué)習(xí)技術(shù)相結(jié)合，谷歌附屬公司DeepMind創(chuàng)造了令人稱奇的成就,。將二者結(jié)合起來后,，DeepMind創(chuàng)造了圍棋軟件AlphaGo，并在今年3月?lián)魯×藝骞谲娺x手,，這一成就堪稱是人工智能發(fā)展史上的一座里程碑,。與1997年幾百國際象棋冠軍加里·卡斯帕羅夫（Garry Kasparov）的IBM深藍(lán)軟件不同，AlphaGo沒有采用決策樹構(gòu)架,、用于分析棋盤位置的方程,、或者if-then規(guī)則?！癆lphaGo主要通過自己和自己下棋,，以及觀看職業(yè)高手的比賽學(xué)習(xí)下棋，”DeepMind CEO 德米斯·哈薩比斯（Demis Hassabis）說,。（AlphaGo在訓(xùn)練過程中和自己下了100萬盤棋,。）

一盤棋看起來是一個人工設(shè)定。但是哈薩比斯卻認(rèn)為,，同樣的技術(shù)可以用于解決真實世界的問題,。7月，谷歌發(fā)布報告稱,，通過采用與AlphaGo類似的技術(shù),，DeepMind能夠把谷歌各數(shù)據(jù)中心的用電效率提高15%,。“每個數(shù)據(jù)中心可能有多達(dá)120個不同的變量,，”哈薩比斯說,。“你可以更換風(fēng)扇,、開窗,、更換計算機系統(tǒng)。你從傳感器,、溫度計等等取得數(shù)據(jù),。這就像是一盤圍棋。通過試錯,，你就能學(xué)會下一步該把棋子落在哪里,。”

這一點意義非常重大,，”他接著說,。“你一年能節(jié)約數(shù)億美元資金,，這對于環(huán)保也很有意義,。世界各地的數(shù)據(jù)中心消耗了大量能源。現(xiàn)在我們希望能在更高的層面上做出改進(jìn),，甚至整個國家電網(wǎng)層面,。”

聊天機器人很有趣,，但它只是深度學(xué)習(xí)一個微不足道的應(yīng)用場景而已,。(財富中文網(wǎng))

作者：Roger Parloff

譯者：鄭立飛