18、人工智能中的机器学习：从突破到概率应用

人工智能中的机器学习：从突破到概率应用

1. 期待下一次突破

在20世纪80年代，专家系统主导着人工智能领域，大多数科学家和从业者认为机器学习只是人工智能的一个小分支，主要专注于学习如何利用优化方法从环境（以数据表示）中获得简单预测的最佳答案。然而如今，机器学习在人工智能领域占据了上风，在许多应用和研究发展中超越了专家系统，并且推动了那些科学家以前认为在精度和性能上无法实现的人工智能应用。

神经网络，作为联结主义者提出的解决方案，在过去几年里实现了突破。这得益于硬件性能的提升、更合适的数据，以及像杰弗里·辛顿（Geoffrey Hinton）、扬·勒昆（Yann LeCun）、约书亚·本吉奥（Yoshua Bengio）等众多科学家的努力。

神经网络算法（由于复杂性增加，新被称为深度学习）的能力每天都在提升。频繁的新闻报道讲述着在音频理解、图像和视频识别、语言翻译甚至唇语识别等方面的新成就。尽管深度学习还未达到《2001太空漫游》中HAL9000的性能，但它正在接近人类水平。

这些进步得益于大小公司对研究人员的大量资金投入，以及强大软件的出现，如谷歌的TensorFlow（https://www.tensorflow.org/）和微软的计算网络工具包CNTK（https://blogs.microsoft.com/ai/2016/01/25/microsoft-releases-cntk-its-open-source-deep-learning-toolkit-on-github），这些软件让科学家和从业者都能接触到这项技术。

在不久的将来，我们有望看到更多令人惊叹的人工智能创新。当然，研究人员可能会再次遇到瓶颈，就像之前的人工智能寒冬一