《成都零基础学习程序员入门AI的简易指南》由会员分享，可在线阅读，更多相关《成都零基础学习程序员入门AI的简易指南（2页珍藏版）》请在金锄头文库上搜索。
1、AI 的发展历史与深度学习的崛起AI 并不是一个新概念，早在上世纪 50 年代就已经被提出。只是期间经历了几次起落，直 到最近深度学习的兴起才又回到了大众的视野。类似的，深度学习也不是一个“新技术”，它底层的技术从人工智能被提出之初就已经有 了，只不过不是叫“深度学习”，而是叫“神经网络”。可以说人工智能的兴衰和神经网络的 兴衰是直接相关的。在上世纪 50 年代人工智能的概念被提出，神经网络的雏形感知机被提出。早在 1966 年， 就有人提出了在38年内人工智能将达到和人类智慧相似的程度。然而，早期的人工智能系 统具有很大的局限性，比如线性不可分的异或问题就无法通过单个神经元来解决。盲目乐观也
2、 给人工智能的发展带来了反作用。政府发现虽然人工智能说得那么厉害，但是在十几年内并没 有带来翻天覆地的变化，所以大幅削减了研究经费。在 1980 年左右，多层神经网络和反向传播算法的提出让神经网络和人工智能的研究又火 了一段，然而因为当时计算能力和数据量的限制，也没能使得人工智能得到广泛的应用。直到最近因为计算能力的提升， GPU 以及大规模分布式集群的出现，深层神经网络，也就 是深度学习，突破了很多学术研究的瓶颈，在计算机视觉、语音、自然语言处理等众多领域都 取得了突破性的进展。像无人车、翻译软件、智能机器人等各种人工智能应用逐渐进入成熟阶 段，再加上 AlphaGo 围棋机器人的推波助澜，
3、使得人工智能又掀起了一个高潮。哪些职业会被 AI 淘汰 ?又有哪些新岗位会出现 ?人工智能的兴起也带来了一些担心，有人觉得自己的工作将会被人工智能所取代，甚至有 人担心人类将会被机器人灭亡。在芒果台一个非常火的节目明星大侦探中就有一期以人类和机 器人之间的矛盾为主题，表达了技术的发展对人类带来的潜在威胁。人工智能技术虽然得到了突破性的进展，但是要达到完全取代人类的地步还为时过早。不 过在某些领域，人工智能的应用已经可以部分取代人类。最早收到波及的行业就是那些存在大量重复劳动的制造业。目前已经有很多生产流水线已 经被机器人取代了，在未来的几年内，我相信会有更多的简单重复劳动将被机器取代。与简单重
4、复劳动相反，目前人工智能已经进军一些度专业知识要求非常高的领域。其中基 于医学图像的诊断、大型设备、厂房的智能调优、金融领域的职能风控、投顾等问题都能够通 过人工智能的算法得到较为满意的结果。不过在这些问题上，机器在短期内要取代人类还是非 常有难度的，需要有新的突破。比如深度学习被诟病得比较多的一个问题就是黑箱问题。深度 学习的模型很难被直观的理解，有研究指出稍微修改一些图片的像素，尽管修改后的图片和原 图对人来说几乎一模一样，但是可以使得机器得到不一样的分析结果。不过我相信这些问题随 着人工智能技术的进一步成熟，很有可能在 10-15 年之后开始慢慢取代人类。普通程序员如何从零入手系统学习
5、AI 提到入门人工智能，特别是深度学习，很多人最大的担心就是我是不是需要先学好数学然 后才能掌握人工智能，特别是深度学习算法”。在网上有人说数学是基础，不学好数学无法掌 握深度学习的精髓。这是对的，但是也不是所有人都需要掌握精髓才能将人工智能运用到具体 的问题中。对于仅仅是想把深度学习用于具体问题的人，我比较推荐在实战中学习。这些人可以不用 对模型背后的数学原理有太深的了解，只要大概知道是怎样做的，如何将自己遇到的问题转化 为一些经典问题就可以。当然，如果我们要更加深入的了解深度学习，并能够在技术上有突破，那么深入数学公式 就是在所难免的了。对于这一类的同学，我推荐大家从 GoodFellow
6、 的 Deep Learning 这 本书开始，扎稳数学根基。同时关注机器学习领域一些比较重要的会议，比如ICML 、 NIPS、AAAI 、CVPR、 ACL、EMNLP 、WWW 等国际顶级会议。AI 在落地过程中会遇到的挑战及解决方案 虽然人工智能这个概念已经非常火了，而且也有了类似 AlphaGo 、无人车等最新的人工智 能研究成果，然而，要将人工智能应用于实际的生产生活中仍然面临很大的挑战。人才方面的挑战。每个公司都有很多场景需要使用到人工智能，然而人工智能方面的人才 有限，而且目前都集中于 BAT 等少数大公司，所以对于很多企业来说，招人成为了一个非常大 的挑战。数据方面的挑战。深度学习需要海量数据，要收集海量有用的数据不容易，也需要时间。 比如在做自动诊断时，很多时候一个医院一年也就只有几百个甚至只有几十个病人，那么这样 样本数太少导致很难使用深度学习。平台方面的挑战。海量的数据与超大的运算量往往会带来平台层的压力。比如从头开始在 ImageNet 数据上训练 Inception-v3 模型，即使在有 GPU 的情况下也需要将近半年的时间才 能达到和传统机器学习方法类似的效果。那么并行化加速成为了必然的需求。虽然目前开源的 深度学习工具不甚枚举，而且支持分布式的也不在少数，但是能支持企业级用户的系统还是空 缺。
