深入浅出 讲述人工智能及其背后的技术支撑

ZD至顶网服务器频道 11月04日 新闻消息（文/于泽）：“人工智能（Artificial Intelligence，AI）亦称机器智能，是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通电脑实现的智能，该词同时也指研究这样的智能系统是否能够实现，以及如何实现的科学领域。” 

以上是摘自维基百科关于人工智能的解释，或许这样的解释过于抽象，我们再找个较通俗易懂的，看看百度百科是如何定义人工智能的。“人工智能，作为计算机科学的一个分支，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的科学技术，它企图了解智能的实质，并产生出一种新的能以与人类智能相似得到方式做出反应的智能机器，该领域的研究包括机器人、语音识别、图像识别、自然语音处理和专家系统等。”

虽然百度百科的解释同样绕口，但其还是比较清晰的解释了人工智能是什么、能干什么。简单来说，就是让机器尽量去拥有人的能力，包括听懂、看懂，并能够做出应对，比如你让它帮你倒杯水，他收到指令然后倒水再给你送回来，这就是人工智能在日常生活中一个很好的体现（这样的功能现在已经实现了）。 

那问题来了，人工智能很容易实现吗？ 

当然不是，要是很好实现也不至于到现在才被大范围的讨论。其实人工智能的发展史可以追溯至很久以前，可能我们普通人对此没有什么概念，毕竟接触计算机可能也就是几年最多也就是十几年的事，但试想有谁没玩过跟计算机对局象棋、打牌，这其实就是最早的人工智能，即模仿人类的推理能力，只不过限于技术水平一直进展不大（早期的计算机对局能力确实不强），所以言外之意人工智能在此时获得如此大的关注很大程度上是因为技术水平已经可以为人工智能构建起绽放光辉的舞台了（如今，你再去和计算机下一盘试试，没有点真本事还真是够呛能赢）。 

到此，相信你对人工智能已经有了基本的概念，一句话总结，让机器像人一样看、听、思考、行动，帮助我们更好地生活、学习、工作。那如何让它们拥有看、听、思考、行动的能力呢？两个字总结就是让机器学习，就像我们刚出生是一张白纸，逐渐长大，逐渐认识自然、社会，这是一个学习过程，人工智能同样要经历这样一个学习的过程。 

或许你会问了，那让它学习不就行了吗，何必要等到现在呢？这就涉及到背后的技术支撑了，不是它们不想学，而是能力达不到。众所周知，让机器学习必须拥有足够的计算、存储能力，这跟人脑是一个道理，你让一个小学一年级的学生去学高中一年级的课程，想必它是学不会的，知识储备不够、脑容量不够，放在机器身上，举个例子如果它要学习10000个东西才能掌握的话，那每天学习1个，就需要10000天，如果每天学习1万个，那只需要1天就够了，从每天学习1个到1万个就是技术发展所带来的红利。 

所以你应该能理解为什么这两年人工智能被提及的越来越多了，看看计算技术的发展，短短十几、二十年间，计算能力已经提升几千倍（最早的英特尔4004微处理器主频不过0.74MHz，现在的CPU主频都是以GHz为单位），存储能力虽不及计算能力的提升迅猛，但同样为世人所感慨。 

技术的进步无疑会给我们带来新的空间和想象力，人工智能就是在这样的背景下迅速地进入了每个人的视野，小到我们现在常用到的手机功能——语音识别，大到能理解人类情感需求的智能机器人，人工智能可以说给我们的生活带来了很多便捷。 

到这里，你应该对人工智能的概念、为何在此时兴起等问题已经有了答案。 

下面我们来讲讲人工智能究竟是如何实现的？ 

笔者并不想用太多深奥、听不懂的词，像云计算、大数据、深度学习这些词来说明，更想通过一些简单的理解来讲讲其中的道理。 

前文说过，实现人工智能最关键的就是让机器学习，这就涉及大到一个比较难懂的词“深度学习”，其实你可以换个词来理解，叫“深入学习”或者“深层次学习”。 人脑认知事物的过程其实是分层的，每一层都会识别出一定的特征，然后不断地向上汇聚，最终识别出这个事物是什么。当然，整个过程的层级很多，而且识别过程是极其快速的。这跟深度学习是什么关系呢？现在的深度学习就是要计算机模拟人脑对于事物的识别过程。 

一层层所构建起的模型称之为“深度神经网络（DNN，Deep Neural Networks）”，由于每个节点在学习过程中都需要大量的计算、会产生大量的数据，因此其需要更强的计算能力、更快的存储能力、更大的存储空间。显而易见，深度学习与计算、存储、数据处理的能力是分不开的，为追求更高的计算能力，集群、大规模集群、超大规模集群的方式不断涌现，为追求更高的存储、数据处理能力，更快的硬盘、更高的传输能力、更强的数据处理能力不断被挖掘出来，若用当前比较流行的词来形容，深度学习离不开云计算、高性能计算、大数据技术的支撑。

讲到这或许你还是对深度学习所需要的计算、存储能力没什么概念，在此举个例子，在2012年6月，《纽约时报》披露的Google Brain项目中，著名的斯坦福大学的机器学习教授Andrew Ng和大规模计算机系统方面的世界顶尖专家JeffDean用16000个CPU核心的并行计算平台训练一种称为“深度神经网络”（DNN，Deep Neural Networks）的机器学习模型，在语音识别和图像识别等领域获得了巨大的成功。 要做深度学习研究，所需要的计算节点数量由此可见一斑。 

显然，深度学习可以理解为实现人工智能的基础，而深度学习的实现离不开强劲的计算（云计算、高性能计算）、存储（数据存储、数据处理）能力的支撑。所以回到题目本身，讲述人工智能及其背后的技术支撑可以用两句话来概括，人工智能就是让机器像人一样智能，而这背后离不开计算、存储等相关技术的进步、支撑，没有它们，人工智能仅仅是一句口号。