雷鋒網(wǎng) AI 科技評論按：自去年 3 月 AlphaGo 戰(zhàn)勝李世乭后，人工智能「突如一夜春風來」地步入人們視線，業(yè)已成為家喻戶曉的一個名詞。目前，以深度卷積神經(jīng)網(wǎng)絡為核心，以計算機視覺、語音識別與自然語言處理為代表的人工智能產(chǎn)品已經(jīng)步入全面開發(fā)與大規(guī)模產(chǎn)業(yè)化應用階段。這一趨勢實際上與人類的視聽覺感知能力息息相關(guān)，但不少初涉這一領域的從業(yè)者或是對此感興趣的學生們卻依然是霧里看花，原因不外有二，一是在學習理論的過程中，自學往往缺乏系統(tǒng)的歸納和整理；二是教科書跟不上產(chǎn)業(yè)界的技術(shù)變化，而網(wǎng)上信息良莠不齊，自學者也缺少及時且實用的教程。

為了推動 AI 人才全面化，AI 科技評論將為大家提供一個業(yè)界頂級的專業(yè) AI 技術(shù)培訓平臺：1024MOOC，作為長期站在研究第一線的學者，清華大學計算機系教授、博士生導師鄧志東也見證了近年來人工智能從冷門到大火的歷程。

在雷鋒網(wǎng) AI 科技評論的邀請下，本周末（3 月 4 日），鄧教授將于 1024MOOC 平臺開展長達 20 小時、持續(xù)兩個周末的「人工智能之神經(jīng)網(wǎng)絡特訓班」課程，系統(tǒng)地為報名課程的同學們介紹人工智能中的神經(jīng)網(wǎng)絡，特別是深度學習的發(fā)展現(xiàn)狀、基本原理和主要方法，并結(jié)合具體應用案例，進行編程實操剖析。課程將強調(diào)各種理論方法在解決實際問題中的綜合應用，也將補充介紹最新的科研成果與前沿領域，可點擊此處了解報名詳情。

目前我們所了解的人工智能，最起初是 1956 年 McCarthy、Minsky、Shannon 和 Rochester 等在 Dartmouth 學院發(fā)起的夏季研討會上提出的概念，人工智能被界定為「研究與設計智能體」的工作，而其中智能體的定義就是「能夠感知環(huán)境，并采取行動使成功機會最大化的系統(tǒng)?！?/p>

人工神經(jīng)網(wǎng)絡最開始是基于 MP 人工神經(jīng)元模型和 Rosenbaltt 的感知機發(fā)展起來的。而現(xiàn)在非常流行的深度卷積神經(jīng)網(wǎng)絡則經(jīng)由 1974-82 年日本學者 Fukushima 提出的認知機 (cognitron) 和神經(jīng)認知機 (neocognitron) 模型演化而成，它的原理正是模擬人的視覺皮層通路而構(gòu)造的。如果要將深度神經(jīng)網(wǎng)絡與人腦生理構(gòu)造做類比，鄧教授認為這就相當于飛機與鳥的關(guān)系?！革w機并沒有像鳥一樣有兩個撲翼式翅膀，用純生物的內(nèi)部機理去模仿，這樣的飛機肯定是沒有多大實用價值的。我們現(xiàn)在設計的飛機，利用的是空氣動力學、引擎和固定機翼等，但人造的飛機不論是飛行的續(xù)航里程、高度或是載客量，都要遠遠超過生物鳥?！?/p>

因此，如果現(xiàn)代腦科學或是神經(jīng)生物學領域有任何的進步，對人類在深度神經(jīng)網(wǎng)絡的研究與探索，都會有很大的啟發(fā)，也是極其重要的創(chuàng)新源泉。而自然地，由于人類最重要的兩個感官就是視覺和聽覺，因此計算機視覺、語音識別與自然語言處理就成為了目前應用領域最廣，發(fā)展最快的三個分支。

包括人臉識別、視覺物體識別、交通標志識別在內(nèi)的計算機視覺特定應用場景，其識別性能目前已經(jīng)達到了人類水平，基于深度學習的語音識別、自然語言處理的性能也比傳統(tǒng)方法好了很多。而這些在鄧教授看來也是此類弱人工智能技術(shù)能迅速受到產(chǎn)業(yè)界關(guān)注的根本原因。技術(shù)的進步同樣會催生應用開發(fā)的商業(yè)落地，因此與人類水平的性能比較距離自然就成為了分水嶺。「以往的人工神經(jīng)網(wǎng)絡性能與人類相比還是差得太遠，產(chǎn)業(yè)界鮮有人關(guān)注，也沒有什么商業(yè)價值?！?/p>

而語音識別及機器翻譯等方面的內(nèi)容，雖然還沒有達到人類水平，但相比之前也已經(jīng)有了很大的技術(shù)突破。目前，文本分類利用深度神經(jīng)網(wǎng)絡，其研究的門檻也已經(jīng)降低了不少，系統(tǒng)可以通過深度監(jiān)督學習獲取文本與類別的映射關(guān)系，識別正確率也已經(jīng)有了很大的提升，超過了傳統(tǒng)的 n-gram 方法。

但在鄧教授看來，這方面神經(jīng)網(wǎng)絡識別能力尚未達到人類水平的根本原因在于，神經(jīng)網(wǎng)絡對語義還不能實現(xiàn)理解。

「一個正常人一睜開眼睛，在無意識的過程中就能夠?qū)⒁磺形矬w進行分類或已有了真實物體對應的概念，之后就可利用已存儲在頭腦中的常識了。我們都知道杯子一定要放在桌子上，而不可能反過來，這種概念之間的相互關(guān)系實際上就是人類的常識。原來的符號主義走了很長時間也無法進行下去，而我們也不能再走老路。從深度卷積神經(jīng)網(wǎng)絡獲得分層特征的表達學習，從概念到知識，再到更高層次的概念和知識，如此形成不同粒度的知識圖譜，這樣才有可能實現(xiàn)人類在人工智能上的突破?！挂虼肃嚱淌趶娬{(diào)，人工智能研究的關(guān)鍵在于一定要建立在已有的感知智能的成果基礎之上。

在理論層面的前沿探索上，以無監(jiān)督或半監(jiān)督學習為研究導向的生成式對抗網(wǎng)絡（GAN），帶注意力（attention）、記憶（memory）和捷徑 (shortcut) 的 LSTM 等，都是目前進展比較快的一些研究。而為了發(fā)展通用人工智能與實現(xiàn)語義理解，鄧教授認為需要結(jié)合自上而下的知識驅(qū)動與自下而上的數(shù)據(jù)驅(qū)動，以便利用小樣本也能完成深度神經(jīng)網(wǎng)絡的訓練。

隨著學術(shù)界頻傳佳音，產(chǎn)業(yè)界自然也在尋求著變化。鄧教授認為，要實現(xiàn)產(chǎn)業(yè)化最重要的是選擇一個落地的垂直細分領域，以適應帶標簽大數(shù)據(jù)的獲取。而很明顯，高校比起市場嗅覺靈敏的企業(yè)來說并不擅長這樣的工作。高校主要專于前沿交叉技術(shù)的研究與探索，對行業(yè)情況與用戶需求則缺乏深透的了解。但對產(chǎn)業(yè)界而言，人工智能技術(shù)在行業(yè)應用時一定要選擇好特定的應用場景，算法則反而不是最重要的。

這是一個新興領域的產(chǎn)業(yè)鏈，而企業(yè)在大數(shù)據(jù)來源和計算平臺資源兩個方面都完全碾壓高校。

高校研究通常采用的是像 ImageNet 這樣的公開數(shù)據(jù)集，主要目的是為了對算法進行性能測試，自然也沒有什么商業(yè)價值。而企業(yè)并不會對外公開與公司利益相關(guān)的數(shù)據(jù)，除非合作，高校自然也拿不到手。

而在計算資源上，一塊 K80 的 GPU 可能就是四到五萬元，而百度這樣的企業(yè)可能會買 2000 塊來搭建超大型集群服務器，大概就是 8000 萬到 1 個億的價格。而 GPU 跑起來功耗特別大，可能高校連付電費都會覺得很吃力。

「高校的優(yōu)勢其實在于能夠看得更長遠，在國家的支持下可以做更長遠的前沿研究與布局。我們一直認為，如果某領域企業(yè)開始強力介入了，高校最好就放棄吧，應該去做一些企業(yè)目前不太關(guān)注的，更具前瞻性的研究，比如量子計算，甚至是自主飛行的機器人。我自己感到的是一種強烈的危機感：全世界的頂級跨國企業(yè)都進入人工智能領域來了，其實國內(nèi)高校并沒有什么優(yōu)勢。我認為，除非高校自己在體制機制上有了更大的創(chuàng)新（比如通過建立國家實驗室），否則與谷歌、Facebook 等跨國企業(yè)的差距會越來越大。如果能有類似谷歌、 Facebook 這樣量級的大公司牽頭中國人工智能的發(fā)展，我覺得中國的人工智能才能看到引領世界的明天?！?/p>

這種境況也催生了學術(shù)圈的兩種主流去向：一種是直接跨入產(chǎn)業(yè)界，如多在互聯(lián)網(wǎng)公司研究院同時涉足產(chǎn)業(yè)與學術(shù)研究，以 NYU 大學教授 Yann LeCun 加入 Facebook 為代表；另一種則是學術(shù)界，產(chǎn)業(yè)界雙棲的代表，比如山世光去年創(chuàng)辦中科視拓。在鄧教授的想法中，他個人比較看好第一條道路，畢竟注意力的集中有利于研究的專注性?！改阆胧裁炊嫉玫降脑挘瑢嶋H上可能什么都得不到?！?/p>

但他也指出，目前包括谷歌、Facebook、微軟及百度等在內(nèi)的一些跨國企業(yè)同樣提供了非常良好的學術(shù)研究環(huán)境，早已成為國際頂級人工智能會議的主角，這可以算得上是產(chǎn)業(yè)界通過學術(shù)研究回報與影響世界的典范。國內(nèi)企業(yè)的優(yōu)勢在于更大規(guī)模的應用場景和可能擁有的大數(shù)據(jù)，特別是目前商業(yè)模式的創(chuàng)新與落地速度很快，再加上政府的支持力度很大。但人工智能原創(chuàng)性的算法在國內(nèi)一向非常鮮見，按鄧教授的理解，現(xiàn)在國內(nèi)大部分的學術(shù)研究都熱衷于對原創(chuàng)模型進行修修補補，「刷紀錄」或稱「刷數(shù)據(jù)」。目前的研究氛圍總體上還是比較急功近利和浮躁，缺少大的理論與方法創(chuàng)新。

現(xiàn)在人工智能雖然很火，但還是處于剛剛起步的階段，有很多問題需要解決。但學生是否愿意耐得住寂寞坐冷板凳，即使在幾年內(nèi)沒有研究成果還會堅持下去？鄧老師認為，最重要的還是學生的興趣。「科學研究本身就是一種興趣，所以同學們?nèi)绻娴膶θ斯ぶ悄芨信d趣，那么可能真的是廢寢忘食，而不是別人拿錢催著你走?！怪劣趯ψ鲅芯康耐瑢W有何建議，鄧老師覺得可以盡早跟著老師去做一些科研類的項目，「站在前行者的肩膀上」，趁著年輕多出創(chuàng)新性強的論文。

但對于你我這樣的普通人而言，需要怎樣擁抱變化？「我們生活在三元空間里，一個是物理空間，一個是信息空間，再一個是人類社會。天天涌現(xiàn)那么大的數(shù)據(jù)量，肯定是要進行數(shù)據(jù)自動化的，而目前剛好出現(xiàn)了（弱）人工智能技術(shù)對它的支撐。人類文明不斷進步，很大程度上也是因為環(huán)境發(fā)生了變化。人類已具有自動適應環(huán)境變化的能力。人工智能的進一步發(fā)展勢必優(yōu)化、補充和取代許多僅需簡單腦力勞動的職業(yè)，但一定會產(chǎn)生新的工種出來。馬車時代對汽車問世的擔憂，沒有必要，同時也不以人的意志為轉(zhuǎn)移，那我們就順勢而為吧?！?/p>

而如果你不想被動地接受這樣的變化，想在人工智能浪潮里有所作為的話，一起和雷鋒網(wǎng)從鄧教授本周末開始的深度神經(jīng)網(wǎng)絡課程開始學習，或許是一個不錯的選擇。

卷積神經(jīng)網(wǎng)絡早在1975年就被提出，而在1995年被正式命名，又在2012年因Hinton團隊ImageNet大賽奪冠而聞名，2016年的阿爾法狗更是將人工智能推上了高潮。鄧志東教授從事包括深度神經(jīng)網(wǎng)絡在內(nèi)的人工神經(jīng)網(wǎng)絡研究25年，在清華授課20余年，他在一線教育上感受到的人工智能發(fā)展比我們更加洶涌。

在本次課程中，除了基礎課程理論：生物神經(jīng)系統(tǒng)，人工神經(jīng)元模型，BP網(wǎng)絡，Hopfield網(wǎng)絡，更為寶貴的是，你還將聆聽鄧教授25年專研背后所經(jīng)歷的AI洪流和他自身的經(jīng)驗分享，教你讀懂人工智能發(fā)展歷史，教你如何上手編程實操，教你避開哪些AI的坑。如果你足夠勤奮，你還能聽到深度卷積神經(jīng)網(wǎng)絡如何在無人駕駛領域應用。鄧教授做了8年無人駕駛研究，難道我會告訴你？

如果你對人工智能有興趣想轉(zhuǎn)型，如果你有一定的數(shù)學和編程基礎，或者對自身的學習能力有信心但需要一個引領入門神經(jīng)網(wǎng)絡的導師，又或是想一窺人工智能究竟如何落地的？歡迎來報名。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。