本文来自微信公众号：经济观察报 （ID：eeo-com-cn），作者：刘志毅，题图来自：视觉中国
在21世纪初，人工智能领域迎来了翻天覆地的变革——深度学习的兴起。它代表了一个时代的转折，从传统的机器学习方法走向了模拟人脑的高度复杂结构，实现了数据驱动的学习和决策过程。我们将从三个维度：技术背景、核心应用与深度学习的现实与未来，来进行全面的探讨。
一、技术基础
通用人工智能一直是学术界和产业界的追求目标。在过去的几十年里，这一目标之所以逐渐变得触手可及，得益于计算能力的飞速进步、大数据的积累以及算法的不断优化。我们可以深入探讨这三大支柱如何共同推进AI领域的飞速发展。
首先，是计算能力的跃进。自从摩尔定律提出，我们就目睹了计算能力指数级的增长。这种增长不仅限于CPU的性能提升。近年来，GPU和TPU的出现为深度学习打开了新的大门。首先，它们具有并行处理能力，这使得深度学习模型的训练时间大大缩短。其次，高性能的计算硬件支持了更为复杂、更多层的神经网络结构。此外，硬件的优化也促进了新算法的创新，例如量子计算等，这些新算法再次放大了计算能力的增长。
其次，数据驱动的学习模式兴起。在大数据时代，数据已经成为了AI的核心动力。首先，大量的数据为模型的训练提供了充足的“食物”，使得模型能够更好地泛化到实际应用中。经济学人曾指出，数据集如ImageNet不仅为计算机视觉带来了革命，更重要的是它标志着大规模数据集对于AI研究的重要性。此外，跨学科的合作也使得非传统领域的数据开始被用于训练，如生物信息学和医学影像等，进一步加速了AI的应用广度。
最后，算法优化带来的深化与创新。尽管数据和计算能力为AI发展提供了基础，但真正的推动力还是算法的不断创新。早期神经网络由于技术限制并不深，但近年来，技术如dropout、激活函数和不同的优化器为深层神经网络的稳定训练铺平了道路。首先，这些技术解决了深层网络容易出现的梯度消失和爆炸问题。其次，优化器如Adam和RMSprop使得网络在训练过程中能更快地收敛。彭博社在一篇文章中更是指出，算法的创新不仅限于神经网络的训练，还涉及模型的结构和组合，为各种任务提供了更加精确的解决方案。
二、核心应用
人工智能研究的深入使我们进入了一个伟大的时代，其中深度学习不仅代表了技术的进步，更是对人类认知的一次深刻挑战。深度学习在各个领域中的重要应用及其对未来的影响都将是巨大的。
首先，可以看到的是计算机视觉所面对的革命与影响。2013年的一项研究展示了深度卷积神经网络在Ima－geNet上的出色表现，但这背后的意义远超过一个纯粹的数值变化。首先，这一技术进步标志着机器已具备与人类相当的图像解读能力。其次，这也为各种应用，如无人机航拍、医疗影像诊断和实时监控等，提供了坚实的技术基石。最后，计算机视觉的进步意味着大量重复性工作将被机器取代，从而释放更多的人力资源去从事高附加值的任务。
其次，游戏与复杂决策的思考。AlphaGo的出现不仅是围棋界的一次突破，它更是人工智能领域的一块里程碑。首先，这一突破证明了深度学习能够处理超出人类认知范围的复杂策略。其次，AlphaGo的技术也被广泛应用于其他领域，如金融投资和天气预测等，进一步提高了决策的精度和效率。最后，这种技术将助力于未来更为复杂的决策场景，例如城市规划和国家治理。
最后，深度学习的现实与未来。无论是自动驾驶汽车还是智能助手，深度学习都正在发挥其不可或缺的作用。首先，其在各个产业中都成为了技术的核心，极大地推动了产业的发展。然而，尽管深度学习取得了显著的成就，其工作原理和理论基础仍不完善，这提示我们未来的研究还需深入。而当AI系统开始展现更多的“智慧”时，如何界定它们的角色以及如何与其共存，将成为一大伦理和哲学挑战。
深度学习的进步不仅代表了计算技术的飞跃，更是一次对人类自身的反思。它让我们重新认识到，人类的认知、思考和创新能力，可以与机器相辅相成，共同开创一个更为宽广的未来。
（本文作者系上海交通大学计算法学与人工智能伦理研究中心执行主任、中国人工智能学会AI伦理工作委员会委员）
本文来自微信公众号：经济观察报 （ID：eeo-com-cn），作者：刘志毅