5 分钟了解 8 个最热门的人工智能词汇
人工智能：人工智能涵盖的领域很广，除了机器学习外，还包括专家系统、进化计算、模糊逻辑、粗糙集、多代理、规划问题等。最近几年，人工智能的发展主要得益于机器学习领域的推动，尤其是深度学习取得的突破，其他领域的进展相对较小。人工智能分为弱人工智能和强人工智能，前者让机器具备观察和感知的能力，可以做到一定程度的理解和推理。目前的科研都集中在弱人工智能这部分，并很有希望在近期取得重大突破。而强人工智能期待让机器获得自适应能力，解决一些之前没有遇到过的问题。电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现。
机器学习：从学习方法上来分，机器可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。按照学习目的来分，机器学习涵盖了回归、分类、聚类、异常监测、量纲学习和因果分析等。
深度学习：最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为隐含层很多的一个神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算单元落后，因此最终的效果不尽如人意。
强化学习:强化学习为一个代理（Agent）在一个环境里设计一系列动作（Actions）以获得最优的未来长期回报（Reward）。走迷宫常被用来作为解释强化学习的例子。因为学习方法复杂，早年间强化学习只能解决一些非常简单（状态空间小、动作选择少）的问题。直到深度学习的出现，使得我们可以用深度神经网络去逼近一个近似的价值和策略函数，强化学习才取得很大的进展（如在AlphaGo里的价值判断网络），人们称其为深度强化学习（DeepReinforcementLearning）。与其说是强化学习的进展，不如说是在强化学习的框架里，深度学习贡献了巨大的力量。
数据挖掘、人工智能、大数据和云计算
如图二所示，数据挖掘是从数据中发掘知识的过程，在这个过程中人工智能和数据库技术可以作为挖掘工具，数据可以被看作是土壤，云平台可以看作是承载数据和挖掘算法的基础设施。
数据挖掘：数据挖掘是从数据中发掘知识的过程，在挖掘数据的过程中需要用到一些挖掘工具和方法（如图二第二个层面所示）。这些工具可以是基于数据库的挖掘方法，比如频发模式发掘（FrequentPatternMining）和关联规则。大家经常听说的啤酒和尿布的例子就是基于数据库技术的频繁模式发掘。数据挖掘也可以用到机器学习的方法，比如各种分类模型（如Decisiontrees和SVM）、概率图模型（ProbabilisticGraphicalModels）以及深度学习的方法。数据挖掘同样也可以用到人工智能里非机器学习的方法，比如遗传算法和粗糙集等。当数量非常大时，数据挖掘需要借助云平台来承载数据，并利用云平台中的分布式计算单元来提高数据挖掘效率。当挖掘完毕后，数据挖掘还需要对知识进行可视化和展现。
云计算：云计算平台一般是由第三方IT公司建立的涵盖基础设施、计算资源和平台操作系统的集成体。云平台解决了传统公司各自搭建机器集群所产生的建设周期长、升级换代慢、维护成本高的痛点，让其他公司可以从搭建计算平台的繁重任务中解脱出来而专注于自己的业务。云平台用户可以高效、灵活的调整自己的资源配置（比如用多少台虚拟机、多少个计算节点等），第三方公司根据用户使用的资源来收取相应的费用。打一个通俗的比喻，就好比不用每家每户弄一个发电机，而是集中建一个发电厂，每家只需要插上插头就可以用电，根据用电的多少来计费。用户不用关心发电厂建在哪里、如何发电，也不用操心如何维护发电厂本身的运转和安全。
云计算平台本身为大数据的存储和分析提供了很好的基础设施（如storage和Hadoop、Spark和Storm等分布式计算环境），但默认的云平台上并没有自带强大的机器学习和人工智能能力，也缺乏高效的索引机制（如时空索引算法）。因此，云平台并不等于大数据平台。近期不少公司在积极地开发基于云平台的机器学习工具（如AzureML）和人工智能平台。图三是我们基于Azure搭建的城市大数据平台，其中时空索引、针对时空数据的机器学习算法和多源数据融合算法都是以前的云平台所不具备的。
大数据：大数据是一种从数据的采集、管理、分析挖掘到服务提供的端到端的、解决行业问题的综合实力，是从数据生命周期这个维度来看的知识获取过程（数据库、机器学习和人工智能技术可以成为其中的一个环节），也是一种基于数据的思维方式。通常讲大数据都会提到4个V，Volume（量大）、Velocity（速度快）、Variety（多样性）、Value（价值）。但实际上，除了Variety（多样性）以外，其他几个属性很难界定，比如多大才叫大，一直很难给出一个严格的定义。而只要是数据就有其价值，关键是如何利用数据。因此，大数据不是指一个体量很大的单一数据，其关键在于多源数据融合（即把来自不同领域的数据的知识相互结合，形成11>2的合力），这是大数据的战略制高点，不是单单在“数据”前加个“大”字那么简单。
多源数据的融合给数据管理、数据挖掘、机器学习和人工智能带来了很多新兴课题。当数据挖掘被用来挖掘和融合多源数据中蕴含的知识时，数据挖掘就跟大数据有了完美的结合。如果数据挖掘还在挖掘单一数据，那就是传统的数据挖掘或者是早年间研究的“海量数据挖掘”。作为数据挖掘的工具，分布式机器学习的重点是解决海量数据挖掘的问题，而不是解决多源数据融合的问题。要想融合多源数据，我们就需要在机器学习中设计新的多源数据融合算法（[1]是一篇关于多源数据融合的机器学习算法的综述），并为云平台设计特别的管理和索引方法。
图四以城市大数据为例，说明了大数据和数据挖掘以及人工智能之间的关系。城市大数据就是从城市数据的感知、管理、分析到服务提供的端到端的、解决行业（如交通、环境等）问题的综合实力。在解决一个问题时，我们通常需要同时用到来自于多个领域的数据（如预测空气质量需要考虑气象、交通和地理信息等），如何融合多源数据中的知识就是一个难点。这需要在数据挖掘过程中设计相应的数据管理算法和机器学习算法。因此，可以大致理解在图四的第二、三（管理和分析）层面是在做数据挖掘的事情，而在第三层里，又需要用到一些改良的机器学习和人工智能算法。更多细节将在《UrbanComputing》[2]一书中介绍。
[1]YuZheng,MethodologiesforCross-DomainDataFusion:AnOverview,inIEEETransactionsonBigData
[2]YuZheng,UrbanComputing,MITPress(预计2018年初出版)
作者介绍
郑宇博士，微软亚洲研究院城市计算领域负责人，上海交通大学讲座教授、博导，香港科技大学客座教授；提出了“城市计算”的理念，以主作者身份在大数据和人工智能领域顶尖国际会议和刊物上发表相关论文50余篇，论文被引用14,000余次，H-Index：56；担任人工智能顶尖国际期刊（SCI一区）ACMTransactionsonIntelligentSystemsandTechnology（ACMTIST）的Editor-in-Chief（TIST近五年影响因子10.47，在所有ACM期刊中排名第一）、ACM数据挖掘中国分会秘书长，以及大数据领域知名国际会议ICDE2014和CIKM2017的工业界主席；2013年，他因在城市计算领域的贡献被《MIT科技评论》评为全球杰出青年创新者（TR35），2016年被评为美国计算机学会杰出科学家(ACMDistinguishedScientist)。
对话|人工智能先驱YoshuaBengio
今年1月份，微软收购深度学习初创公司Maluuba时，Maluuba公司德高望重的顾问、深度学习先驱YoshuaBengio也接手了微软的人工智能研究顾问工作。最近，Bengio以蒙特利尔学习算法研究所负责人的身份访问了微软位于华盛顿州雷德蒙的园区，并与员工们举行了座谈。本文是此次座谈内容的实录。（本文译自AconversationwithAIpioneerYoshuaBengio，请点击网址即可查看。https://blogs.microsoft.com/next/2017/04/06/a-conversation-ai-pioneer-yoshua-bengio/#Fu2Sooc4EsSOMJLH.99）（Bengio获得2018图灵奖）
●让我们从最基础的问题开始：什么是深度学习？
Bengio：深度学习是机器学习方法之一，而机器学习则是让计算机从有关我们周围世界或其中某个特定方面的范例中学习，从而让计算机变得更加智能的一种方式。
在所有的机器学习方法中，深度学习是最独特的，因为它的灵感源自我们对人脑探索与研究。深度学习试图让计算机学会很多不同层次的抽象和表达，这可能是使此类系统如此成功的原因。
●能否给我们举个例子，说明人们是如何运用深度学习的？
Bengio：深度学习最常见的运用方法被称为“监督学习”，我们向计算机提供在多种不同情境下应该如何行事的范例。例如，我们向计算机提供数百万个真人朗读句子的语音数据，当然也包括这每一个句子背后的声音数据对应的文本数据，我们希望计算机能够从这些对应的数据中学会将声音转换成文字。计算机像人类一样获得了在现实世界中的信息输入，它将通过对众多样本数据处理方法的学习来模拟人类完成任务的过程。
●深度学习出现迄今已有数十年。您能否谈谈深度学习是如何从早期的起步阶段努力发展到如今广泛渗透进生活里的各类应用中的？
Bengio：这一切都发端于20世纪50年代末，当时人们真正开始思考人工智能，并且意识到：“嘿，我们应该研究大脑是怎么运转的，并从中获取一些线索，用来打造一些更加智能的机器。”但随后深度学习研究一度沉寂，之后又于20世纪80年代初卷土重来并持续到90年代初，尔后再次淡出——因为它的成效并不能满足当时人们过高的期望。时至今日，深度学习研究已迎来第三波浪潮。大约五年前，深度学习技术开始在各类应用中取得惊人突破：诸如语音识别、图像识别以及近期的机器翻译等自然语言相关的应用。
●作为深度学习的大咖，您认为目前最令人兴奋的研究工作是什么？
Bengio：现在我对所谓“无监督学习”领域中所取得的进步感到非常兴奋。在这一领域内，目前最尖端的机器学习和深度学习系统的表现仍远远逊色于人类。一个两岁的幼童都可以通过观察世界并与之互动来学习新知。例如，她不必专门通过上课，而可以通过玩耍和观察来了解重力和压力等物理学知识。这就是无监督学习。我们（的机器）现在还远远不具备这种强大的能力，但好消息是我们已经在这一方面取得了令人惊叹的进步。这非常重要，因为如果要让机器超越它们目前擅长但有限的解决特定问题的能力，我们一定要掌握无监督学习。
●在微软,我们讨论的更多的是将人工智能视作是帮助人类完成任务、增强人们体验与能力的手段。您认为在人工智能辅助人类上最有潜力的方面都有哪些？
Bengio：谈到我们在人工智能领域，特别是自然语言领域取得进步的第一个重要应用，那就是让计算机能够以更自然的方式与人类交流。眼下，我们与计算机打交道时常常会感到很懊恼，因为我们不知道如何更高效地与计算机进行沟通从而获取我们想要的信息。自然语言处理能力将让很多并非程序员出身的普通人能够更加便利地使用计算机。除此之外，计算机切实理解用户的需要和问题，不仅搜寻信息还可能找出原因，并帮助用户完成工作，这样的创想都是非常有前景的。
●我想回到您前面谈过的话题：深度学习通常被认为是从人脑的运转方式中获得了灵感。为什么说深层神经网络受到了我们对大脑工作方式理解的启发，这又如何影响其研究潜力呢？
Bengio：从神经网络研究的早期开始，人们就有一个想法，大脑中运行的计算可否这样加以抽象化：大脑中的每个神经元都在进行一种非常简单的数学运算。神经网络所做的就是将所有这些小运算组合在一起，但由神经元所执行的每项计算都是可以变化和调整的。这对应于我们大脑中神经元突触的变化——这就是我们人类学习的方式。事实证明，计算机学会如何将许多元素结合在一起，这种机器学习方式是非常强大的。
●我们目前对大脑工作方式的了解程度如何？
Bengio：大脑至今仍然是一个很大的谜。你不妨把它想象成一个大拼图。我们已经手握拼图的所有组件，世界各地成千上万的神经科学家正在研究其中许多不同的组件，但我们却忽略了全局。我和其他一些人相信并且希望的是，我们在深度学习中所取得的进步也将有助于我们发现这一全局。当然，我们不确信，但眼下科学界还有很多令人兴奋的想法，将更多的从机器学习和深度学习中获得的数学理念与神经科学相结合，以便更好地了解大脑。当然，我们也希望反过来也一样有效，因为目前深度学习还根本不能与人类智慧相提并论。人类和人类大脑能够做到机器不能做的事情，所以也许我们也能够通过对大脑工作原理的了解来启发和影响未来的深度学习系统。
●我们常常听到很多对人工智能可以做什么的猜测。您能否给我们大致描述一下，我们距离创造能够实际模仿人类思维和行为的人造智能或深度学习技术还有多远？
Bengio：有很多人向我提出过这个问题，而我的回答总是“我不知道”，而且我相信，没有一个严肃的科学家能给你一个直接的答案，因为还有太多未知数。我的意思是说，从字面上看，我们之所以从事这个领域的研究，就是因为我们不知道如何解决某些问题。但我们知道的是我们正在取得进展。我们也可以猜测，事情正朝着正确的方向发展。但是，比如说，还需要多长时间才能切实地解决一些更难的问题、更复杂的抽象问题？这是不可能有答案的。究竟是5年，15年，还是50年吗？现在我们面临一些障碍，但我们认为自己可以克服。但是，也可能一山更比一山高。
●你能否谈谈深度学习在人们运用人工智能的各种工具中所处的地位？
Bengio：深度学习正在改变过去几十年间人们对于人工智能的观念，将一些理念从相对传统的方式转向人工智能并实现两者的整合，并对其中一些好的想法兼收并蓄。其中最著名的例子就是深度学习与强化学习的融合。
因此，强化学习也是机器学习的一种，其中计算机并不会了解人类在特定情形下会怎么做。学习者这一方只能在一系列行动的实践之后看到行为的结果是好还是坏。在这方面研究的许多最新进展都体现在游戏等方面，但强化学习对于自动驾驶汽车等应用而言仍将是非常重要的。
沈向洋：懂语言者得天下
编者按：10月30日，微软全球执行副总裁沈向洋博士走进清华大学高等研究院杰出学人讲座，发表题为《理解自然语言：描述、对话和意境》的报告。
从机器学习到机器智能，再到机器意识，沈向洋博士带领大家回顾人类在感知研究方向取得的卓越成果，并从语言理解的三个不同层次“表述、对话、意境”分析未来十年中人工智能可能实现的重大突破。
（以下为沈向洋博士分享的精简版文字整理）
今天有机会在这里主要是给大家讲人工智能，以及我个人认为的下一个十年中最重要的研究方向。人工智能近年来的发展近乎神速，这主要是得益于“两大一精”的进步和突破：大计算、大数据、精准模型。人工智能其实是一个非常宽泛的概念，大致上我们可以把它分为两个研究方向，感知和认知。感知中的视觉和语言进展飞速，但认知中的语言理解发展速度有限。
我们在感知研究方向已经取得了非常了不起的成果，其中一项就是语音识别。几个月前，在Switchboard标准测试数据集上，微软基于深度学习的语音识别系统的精度达到了创纪录的5.1%，这是超过专业速记员的误差水平。尽管这项语音识别系统还存在一些应用场景的限制，但是我相信未来五年之内，机器将会完全超越人类的识别水平。
在计算机视觉方面，微软亚洲研究院的研究员们两年前率先提出的152层残差神经网络给图像识别提供了更多的可能性和发展空间，过去的深度学习方法从来没有成功训练过这么深的网络。总体来看，深度学习在图像识别的趋势中是更深更准，随着近年来模型的深度越来越深，误差也会越来越低。尽管目前而言，进一步实现层数的深度突破已经不太容易，但理论上还有很多值得深挖的研究点。我预计在十年左右，人工智能的图像识别率也会全面超越人类，这势必会给人类生活带来诸多方面的影响，也包括一些新兴的商业机遇。
在下一个十年，人工智能的突破在自然语言的理解。我最近经常讲一句话，懂语言者得天下，人工智能对人类影响最为深刻的就是自然语言方面。语言理解分为三个不同的层次：表述、对话、意境。表述在今天看来已经非常成功，我们用机器学习就可以学到很多东西；对话就涉及到机器智能领域，包括对话和提问，这相对会比较困难；机器意识是意境的体现，让机器在有意识思维基础上理解和表达诸如隐喻在内的意境的能力。
首先，我用两个具体的例子说明我们从感知到语言表述方面的进展。第一个就是微软认知服务里面的ImageCaption，计算机系统能够自动给图片生成标题。第二个就是微软应用软件SeeingAI，系统可以自动生成照片画面内容的表述，包括画中人物的动作甚至是表情。大家如果有兴趣可以到微软的网页上了解项目详细信息，同时我们还有很多其他视觉的服务。
我想和大家解释一下图像空间到语义空间之间的关系，我们如何让机器用文字去描述图像。首先，我们要有一个语义空间去把图像与文字联结起来，然后通过深度结构语义模型把图像和文字均表征成语义空间内的向量，在此空间中进行语义相似度计算。近几年来，我们在感知到语言表示方面其实是越做越好的，这很大程度上归功于我们将这项技术做成系统，供大众去尝试。只要大家在CaptionBot这个系统中上传一张图片，就可以轻松得到有关这张图片的语言描述。
我们做系统的原因在于，往往就算我们的想法很好，但如果没有一个能够让用户亲身体验的系统，我们很难发现自身可能存在的问题，毕竟一开始不存在完美的人工智能。我们曾经做了一个分析，对1000万张照片的标题进行机器生成内容和用户态度的对比。在这个项目中，很多用户都积极提供了问题，并且给我们提出了许多非常宝贵的修改建议。
因此，在做大数据的时候一定要去分析数据，分析能够帮助我们认识到接下来应该如何去做。这在以后的好处就是能够不断迭代，让项目可以越做越好。我相信图像描述在现实生活中的应用场景是非常丰富的，单从描述这件事情上就大有可为。
接下来我想讲的就是机器智能。我始终非常相信“对话即智能”，从回答问题到提出问题，从一问一答到连续对话。之前是机器理解，之后是问答对话生成。阅读文本及提问，首先要深度理解语言，不仅能回答问题，还要能提出问题。还有就是如何提出问题，阅读并找出关键点，围绕关键点生成问题。比如说我在读了一段文字以后，如何体现我对它的理解是到位的呢？比较了不起的就是我读完这篇文章我可以自己提问题，并且我自己还可以回答。
我简单解释一下，这里面你需要有一个记忆机制，并且要对话生成模型。同时，要在回复生成的过程中提炼主要的观点，然后综合对话情感，用户画像，以及记忆，一个对话往往会发生多次话题的转换，时间越长的对话，越有机会被自然地引导入期望的话题。
第三点我想分享一些比较新颖的东西，有关自然语言的意境。当我们从机器描述到机器对话，智能到底体现到哪里？图片可以理解和表达意境，能够实现有意识的脑补，以此和用户实现对话和交互。从客观描述到主观评论，再到天马行空的意境，就是只可意会，不可言传的境界。到现在为止，人工智能的研究是人做了一些东西，有一个表征，通过你的输入，机器把这些进来的信息做成机器的语言，再进行深度学习。今天绝大多数的人工智能的科研都是停留在这一步，真正有意义的对人类有贡献的，就是你要把结果反向推理。我们来看一下ImageCaption的进步，它的表述和评论都充满了人情味。
我最后讲讲微软对话式人工智能产品的布局：第一个是智能搜索，第二个是智能助理，第三个是智能客服，第四个是智能聊天。我觉得每一次时代的变迁，都是在重新定义人类和世界的关系。在人类到世界之间，人工智能最了不起的就是对我们人脑的理解，一个叫做IQ，一个叫做EQ，任何一个时代你都要思考什么改变了我们的生活。返回搜狐，查看更多
AI人工智能常见名词
奈何更长远而言，宇宙物理学家霍金曾经多次就人工智能的威胁喊话：“Humans,whoarelimitedbyslowbiologicalevolution,couldn’tcompeteandwouldbesuperseded.”（人类受限于缓慢的生物演化，将不能与人工智能竞争，而且终于会被超越。）
更令人担忧的是，谁控制那股超出人类智慧的力量？我们在恐惧什么？
另一边厢，无哨烟的军事竞赛已经开始。俄罗斯总统普京说：“ThenationthatleadsinA.I.willbetheruleroftheworld.”（人工智能技术领先的国家将会统治全世界）；中国国务院今年7月发表《新一代人工智能发展规划》，强调发展人工智能，除了经济原因，更关乎战略层面；美国高科技公司Tesla行政总裁ElonMusk直指A.I.会引发第三次世界大战，并联同一百一十六位专家联署禁止各国发展人工智能杀人武器……A.I.威胁沸沸扬扬之际，科创如雨后春笋，呈现爆炸性增长。正如霍金所指，人工智能可能是人类遇见最好或者最坏的事。
世界版图剧烈变动，两个重要问题：第一、人工智能究竟是什么一回事?第二、我们人类，或者我们香港人，淮备好了吗?
十九世纪初，有八成人口务农，三次工业革命过去，今日只剩下2%。只是文明之前必须迎来阵痛。李嘉诚早前在汕头大学毕业礼时发表演讲：「高增长机遇，是愚人见石，智者见泉，不思不想因循的人，在人工智能的时代，肯定过不了关。」
阿里巴巴在香港推出创业者基金，价值10亿；麻省理工来港成立海外研究中心，以发明创新为主；未来政府要推动SmartCity、智能生产、5G……更多问题要依赖科技解决，是不争事实。工程师早就习惯五年换一套程式语言：Python、Java、C++……说风就是雨，哪样有效就得学。知名心理学家CarolDweck曾提出，定型心态（Fixedmindset）和成长心态（growthmindset），前者相信聪明天注定，后者相信努力。活得像个工程师，不断学习，或者就是未来生存的不二法门。
人工智能席卷全球，人机合作的时代即将来临，修读医科、法律、金融不再炙手可热，编程正成为必备技能，当更多人修读科研，对人工智能认知更深，就会思想更多：「有什么事是我能而机器不能做的？」
人的个性、独特性、创造力不会消失，败给机器的围棋高手柯洁曾说：「我无法感受到AlphaGo对围棋的热情。」
纵有疾风起，人生不言弃。
自我意识的超人工智能出现前，人类还有好长一段时间。
两个关于人工智能你要懂的词
1.机器学习(MachineLearning)
广义来说，任何可以从事智能活动的程式都是人工智能，但不是所有程式都能自主学习。机器学习，即是包含机器必须超出程式设定，自行调整学习的意思。AlphaGo是自行调整学习的一例子，它透过学习大量棋谱，同时与围棋专家对赛，累积知识，其后更通过几千万次自我对局而自我改进。以前的监督式学习，是指淮备好训练资料，以命令，输入回答而纠错;但目前发展出来的非监督式学习，则是透过整合性环境，自行搜集资料而改进有关表现。
2.深度学习(DeepLearning)
深度学习模拟脑内神经元，连结成网络状单位，在神经网络各层面以至各阶段，都能同时不停学习，而且擅长辨识不能以符号表达的图像资料。三宅阳一郎表示「深度学习」就是「将充分资料输入类神经网络，而能自行抽出特徵」的系统。AlphaGo能胜出围棋，正正因为通过深度学习，可以抽出棋盘资料的特徵，取长补短，以至其分析愈来愈淮确。
Google亦公开TensorFlow平台，让大众利用深度学习工具开发程式，例如开发及早辨识皮肤癌的仪器，建立侦测影评文字是正评还是负评的软件等等。有日本农民利用相关图像分析青瓜成长的形状颜色，从而预判收成情况。深度学习目前已应用于Google的搜寻系统偏好、广告、YouTube的推荐栏、语音辨识和外语翻译等各个领域。
更多机器人、无人机/返回搜狐，查看更多