AI進擊的巨人 淺談「深度學習」

自從 2016 年 AlphaGo 擊敗棋王李世乭後,AlphaGo 所使用的深度學習技術引起了全球的關注。事實上,早在 AlphaGo 問世以前,深度學習技術即已廣泛應用在各個領域。例如: 當我們對 iPhone 的Siri 說了一句話後,Siri可以變將聲音訊號辨識成文字,其實用的就是深度學習的技術;還有當我們上傳一張相片到 Facebook,Facebook可以自動找出相片中的人臉,當然用的也是深度學習的技術。其實我們早已活在深度學習所帶來的便利上面。

深度學習是機器學習的其中的分支,深度學習是人工智慧中近期成長最快的領域,深度學習透過模擬人類神經網絡的運作方式來學習資料之間看不見的關聯性,常見的深度學習架構有標準的深度神經網路DNN (Deep Neural Network)、卷積神經網路CNN (Convolutional Neural Network) 以及遞迴神經網路RNN (Recurrent Neural Network);深度學習被廣泛運用到不同的專業領域上,從視覺辨識、語音識別、自然語言處理到生物醫學等,都有十分卓越的成效。人腦的重量大約一公斤多,結構非常複雜,預估具有860億個神經元,以及超過100兆條的神經相連,形成的網絡及運算速度,堪比最先進的超級電腦,但為了模仿人類腦中複雜的腦神經結構及方便使用電腦模擬,一般會將神經元以多層次的方式來模擬。神經網路由1個輸入層、1個輸出層及隱藏層所組成,隱藏層的數量可以由淺至深,若使用的神經網路模型,其隱藏層很多,我們就稱之為深度學習(模型)。

為何深度學習獲得很多關注?

深度學習成功的最大關鍵是其在現實資料上的準確性,深度學習模式達到前所未有的精確度,甚至遠超過去人類技術的表現,另外的兩個因素更使得深度學習的技術得到了業界的重點關注:

一、深度學習的訓練需要使用大量的有標記數據。如:無人駕駛汽車的發展需要,以數百萬計的圖像,和數千小時的影像為基礎,然而在科技以及網際網路發達的這個時代,大量的有標記數據可以說是信手捻來。

二、深度學習需要大量的計算能力,透過高性能的 GPU 及多核心的並行架構,與叢集的形式或搭配雲端計算時,深度學習模型的訓練時間,可以從數個月縮短至數天、甚至是幾個小時。

深度學習會是 AI 未來嗎?

從學術上的嚴謹定義,深度學習並不等於人工智慧,但由於Google、Facebook 等龍頭公司在宣傳其開發的人工智慧工具時,主要的核心技術通常是深度學習,因此,大眾誤以為所有的人工智慧都由深度學習來編寫,但真實情況並非如此。

未來人工智慧應探索其它的新方法,或者被忽視的舊方法,而不僅僅只使用深度學習來建立人工智慧;深度學習的其中一個局限性,是將透過挖掘數據中的內容視為真理,並將統計意義上較稀少、或與較常出現的內容相反的東西看作謬論,因此,深度學習的公正性並非完全來自其自身的網路架構或學習方式,而是基於人類篩選並提供給深度學習模型的數據。

總結

當你希望海量翻譯文本,或嘗試開發無人載具時,若使用機器學習,可能會耗費大量時間來探索重要數據中的所有因素,你需要構建各種演算法來將各種問題逐一解決,而深度學習的興起是人工智慧歷史上又一次革命性的大躍進,深度學習加速了過去難以解決的問題發展,甚至是各種新穎的解決方法,這在如何解決問題的思維方式上提供了一個截然不同的思維。

AI的發展在過去數十年以來十分難以捉摸。直至近年深度學習的發展,同時帶動了AI的革命性進展。各種基於深度學習的預測模型已為當代社會及人類節省了大量時間和金錢,例如,醫院正在使用預測技術,透過識別高風險患者並搭配額外服務,如出院後家訪等,來減少再住院的機率。雖然這些應用還處於早期階段,且實際上真正在推動人工智慧的公司並不多,但毫無疑問地,人類社會正緩緩變化中。

一場革命即將到來,未來比我們想像中來的更早。
未來的世界,將有更多的深度學習,等著你一起來開發

深度學習菜鳥救星—讓你一次學會AI深度學習

發表留言

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料