深度学习详解：现代 AI 的核心钥匙

1990 年阿诺·施瓦辛格主演《全面回忆》描绘 2084 年——近百年后的未来：有自动驾驶汽车。1990 年这是科幻，如今成现实。Apple、Alphabet、Nissan、Uber 等众多公司研发自动驾驶。特斯拉向消费者销售功能性自动驾驶汽车，表现不错。三十年科幻成真，关键推手是深度学习。

从人工智能到深度学习

希腊神话火神兼冶金神赫菲斯托斯造黄金机器人。早在 1770 年代“土耳其机械人”，人类就致力于造模仿人脑的装置。虽机械人是骗局，但 20 世纪末能击败人类的计算机诞生了。一切努力皆为创造模仿人脑的系统。人工智能 (AI) 指任何试图模仿人脑的计算系统。阿兰·图灵的图灵机用逻辑求解，属原始 AI 系统。机器学习 (ML) 是 AI 子集，用模型执行任务，模型经海量数据训练。1997 年击败国际象棋世界冠军卡斯帕罗夫的“深蓝”是 ML 例证。深度学习又是 ML 子集：模型从数据自学习、无需人工监督。深度学习系统因此具备非结构化数据无监督学习能力。

深度学习：如何工作？

深度学习受人脑神经元传递处理信息结构启发。深度学习使用的结构叫人工神经网络 (ANN)。ANN 无需人工监督即可识别分类信息，被认为具备无监督学习能力。这比传统监督学习 ML 需大得多的数据量。ANN 含输入层到输出层的多层，数据穿行其间。除输入输出层外的层称隐藏层。输入层由神经元组成。ANN 神经元是紧贴人类神经元的数学函数。

层间信息传递通过连接通道。每层每节点与下一层每节点全连接。每通道有数值称权重，故称加权通道。隐藏层所有神经元有唯一数值称偏置。信息经通道传递至下层神经元时带上通道权重。到达下层神经元时，将偏置加到输入加权和上。此数学运算结果喂给激活函数。激活函数决定神经元是否激活：对加权和加偏置结果施用非线性激活函数。激活函数给神经元输出引入非线性。仅激活后的神经元能向下层传信息。此过程持续至输出层。神经元通道权重与隐藏层偏置持续调整以获得训练良好的模型。主流深度学习框架：Google TensorFlow、Facebook PyTorch、UC Berkeley Caffe、Microsoft Cognitive Toolkit、OpenAI。

深度学习的数据

数据是深度学习原料。理论上数据越多模型越好。但考虑采集成本、训练时间、算力，数据量不能无限。太少数据不可靠。无绝对规则定训练成功模型所需数据量。主要看训练模型结果：模型不够可靠则需更多数据。有两类常见应用的经验法则：回归分析预测至少 20 数据点；计算机视觉分类至少 1000 图像。这些是启发式规则，非完美，需随具体应用调整。

深度学习的工业应用

自动驾驶车辆

自动驾驶汽车已面向消费者销售，亦有大量工业应用。自动驾驶可融入工厂运输设备：自动导引车 (AGV) 可全自主化。消除此类任务人工，提升安全与效率。

计算机视觉

计算机从图像分类识别物体。有时是自动驾驶一部分，但工业应用更广：自动化物体分类；计算机视觉辅助系统执行质检；自动化厂区监控与工业过程监控。

供应链管理

企业供应链跨多供应商、供货商、地域、法规的复杂系统。手工管理巨额货物流量不可能。深度学习结合物联网 (IoT) 设备生成的海量数据，可维护健康供应链。

医疗应用

深度学习在医疗领域应用众多：从 X 光、MRI 等医学影像识别异常；全天候监测患者健康；辅助药物发现给出最可能分子组合。深度学习在航空航天、太空探索、采矿、导航、国防、网络安全等更多工业领域有应用。深度学习正快速渗透所有行业垂直领域，即将成为工业 4.0 关键不可或缺要素。