在线免费观看成年人视频-在线免费观看国产-在线免费观看国产精品-在线免费观看黄网站-在线免费观看精品

在深度學習的領域里，最重要的是數據和運算。誰的數據更多，誰的運算更快，誰就會占據優勢。因此，在處理器的選擇上，可以用于通用基礎計算且運算速率更快的GPU迅速成為人工智能計算的主流芯片。可以說，在過去的幾年，尤其是2015年以來，人工智能大爆發就是由于英偉達公司的GPU得到廣泛應用……

一、人工智能與深度學習

2016年，AlphaGo與李世石九段的圍棋對決無疑掀起了全世界對人工智能領域的新一輪關注。在與李世石對戰的5個月之前，AlphaGo因擊敗歐洲圍棋冠軍樊麾二段，圍棋等級分上升至3168分，而當時排名世界第二的李世石是3532分。按照這個等級分數對弈，AlphaGo每盤的勝算只有約11％，而結果是3個月之后它在與李世石對戰中以4比1大勝。AlphaGo的學習能力之快，讓人惶恐。

1．人工智能：讓機器像人一樣思考

自AlphaGo之后，“人工智能”成為2016年的熱詞，但早在1956年，幾個計算機科學家就在達特茅斯會議上首次提出了此概念。他們夢想著用當時剛剛出現的計算機來構造復雜的、擁有與人類智慧同樣本質特性的機器，也就是我們今日所說的“強人工智能”。這個無所不能的機器，它有著我們所有的感知、所有的理性，甚至可以像我們一樣思考。

人們在電影里也總是看到這樣的機器：友好的，像星球大戰中的C－3PO；邪惡的，如終結者。強人工智能目前還只存在于電影和科幻小說中，原因不難理解，我們還沒法實現它們，至少目前還不行。

我們目前能實現的，一般被稱為“弱人工智能”。弱人工智能是能夠與人一樣，甚至比人更好地執行特定任務的技術。例如，Pinterest上的圖像分類，或者Facebook的人臉識別。這些人工智能技術實現的方法就是“機器學習”。

2．機器學習：使人工智能真實發生

人工智能的核心就是通過不斷地機器學習，而讓自己變得更加智能。機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。

機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。以識別停止標志牌為例：人們需要手工編寫形狀檢測程序來判斷檢測對象是不是有八條邊；寫分類器來識別字母“S－T－O－P”。使用以上這些手工編寫的分類器與邊緣檢測濾波器，人們總算可以開發算法來識別標志牌從哪里開始、到哪里結束，從而感知圖像，判斷圖像是不是一個停止標志牌。

這個結果還算不錯，但并不是那種能讓人為之一振的成功。特別是遇到霧霾天，標志牌變得不是那么清晰可見，又或者被樹遮擋一部分，算法就難以成功了。這就是為什么很長一段時間，計算機視覺的性能一直無法接近到人的能力。它太僵化，太容易受環境條件的干擾。