达到极限：机器学习与人工智能的融合

无论是神经网络还是深度学习，对人工智能的研究注定是“劳民伤财”的事情，短期内的经济回报可能并不显著，只有富有远见且资源丰富的国家、跨国公司和科研机构才能够承担得起。人工智能必定将在未来改变我们的生产和生活，而在这之前需要持续投入和不断尝试。人工智能能够多快和多好地真正服务于人类，在很大程度上取决于实验和试点应用的范围和程度，就如同深度学习自身一样，学习越多、掌握越多、能力也就越强。

我们谁也不知道人工智能商业应用还有多久就会爆发，但发达国家和跨国公司已经在积极准备。2016年，全球200家最大的人工智能公司将获得近15亿美元的融资，日本、美国和德国公司获得融资最多，富士通、IBM、微软、西门子等企业目前掌握了人工智能及相关领域最多的专利技术。

进入21世纪之后（确切地说是在2006年之后）仿生派开始复兴，深度神经网络和深度学习的出现是转折点，但这并不意味着所有的科学家都看好深度学习。就如同在控制派风头正旺时还有一群仿生派科学家默默进行研发一样，目前也还有一大批科学家继续尝试用逻辑推导的方法提高机器的智慧水平。例如，IBM继续保留前文提到的沃森团队，谷歌也组建了一个尝试使用非深度学习技术提高计算机智力水平的小组。当然，现在的科学家已经不像前辈那么具有门户之见了，仿生派和控制派开始合作，大家的目的都是尽快迎接人工智能时代的到来，至于采用什么样的方法，融合各家之长的方法是最好的。(www.xing528.com)

如果你觉得让机器区别苹果和梨，或者找出猫的照片就像一个科学家在实验室玩的把戏，请不要忘记一点，我们通常不会孤立地使用一种科技手段，深度学习在实际中的应用需要与其他技术相结合。“深度模型＋大数据”便是现今非常流行的计算机解决问题的方法。例如，在深度学习系统识别语音和文字后，通过大数据库，计算机能将其翻译成其他国家的语言，谷歌、微软和百度的机器翻译大体上都采用这样的过程，这要比之前通过语法逻辑的翻译手段准确得多。在无人驾驶系统中，计算机也要通过深度学习的方法了解外界环境中哪些是安全的、哪些是需要避让的、哪些是极度危险的，深度学习的结果用以指导计算机设计驾驶速度和路线，这是无人驾驶系统安全性的最基本保障。或者，分析结果将通过AR（增强现实）投射到前挡风玻璃上，用以警惕驾驶人员注意和避让。人工智能与机器人结合会创造真正会思考、能学习和动感情的机器人，这会极大地提高机器人的使用体验，不仅提高工业领域机器人的生产效率和安全性，而且在商业场所和家庭，机器人也能够更好地为人类服务。

最后，再次强调，深度学习是机器学习的新浪潮，也是人工智能发展的里程碑。虽然深度学习已经在语音识别、图像识别、预测分析、机器翻译等领域小试身手，但客观上讲还处于初级阶段，无论是理论研究还是工程化和商业化都面临巨大的难题。谁也不能保障深度学习在未来是否能够成为人工智能最基础的方法，或许会有新的更好的技术替代深度学习，但可以肯定的是，人工智能的梦想不再遥远，机器将在不久的将来像人类一样思考。