巨头转身物联网物联网的下一站是人工智能

巨头转身物联网物联网的下一站是人工智能

ZR-ROBOT子锐机器人维修网讯：当我在1995参加了计算机科学的时候，数据科学并不存在，但我们仍然在使用许多早已存在的算法。这不仅仅是因为神经网络的回归，也可能是从那时起，就已经没有发生太多根本性的变化。至少给我的感觉是这样的。有趣的是，从今年开始，人工智能似乎终于已经成为主流。

在云计算机，智能手机，子锐机器人维修，或聊天机器人出现之前，1995年听起来像是非常痛苦的时期。但在了解过去的几年时，如果你未身处其境，感觉起来就像是很久以前的事一样。就如自我延续一样，它将一切都贴在一起，虽然已经改变很多，但与现在相比，世界没有感觉到根本不同的。

坚持不懈从事计算机科学

计算机科学从未像现在一样未接近主流。后来，随着2000年左右的第一个网络泡沫。有些人甚至质疑我学习计算机科学的选择，因为编程计算机很显然变得非常容易，再也不需要专家了。

事实上，人工智能是我学习电脑科学的主要原因之一。将它作为一种建设性的方法来理解人类思想的想法，对我来说非常耐人寻味。前两年我都在训练，以确保自己有足够的数学水平来解决道路上的阻碍，且最终上了第一堂AI课（由JoachimBuhmann授课），那时波恩大学的教授SebastianThrun正准备离开美国。我得查看我参加了他的哪一个演讲周期，他在计算机视觉中有两个讲座，一个是模式识别（多数是旧版本的Duda&Hart的书中知识），一个是信息理论（类似于Cover和Thomas的书）。材料是非常有趣的，但也有点令人失望。正如我现在所知，人们停止了AI方面象征性的工作，不再坚持用更多的统计方法来学习，工业机器人维修，这种方法学习的本质是，基于有限数量的观察减少选择正确函数的问题。计算机视觉讲座，甚至学习的更少，且更依赖于明确的物理建模，以获得正确的估计，例如，从视频中重建运动。那时的方法比现在更加生理化和物理化。虽然神经网络存在，但每个人都很清楚，他们只是另一种函数逼近。除了RolfEckmiller，和另一个我曾经在其手下工作过的教授之外，每个人都这么想。Eckmiller在神经计算在某种程度上比传统的计算好得多前提下建立了他的整个实验室。这可以追溯到NIPS有着完整的路径致力于研究神经元的生理学和工作机制的日子，甚至有人认为在我们的大脑中有着本质性差异东西发生，也许是在量子水平，这增加了人的心灵，这种差异是研究真正智能机器的一大阻碍。

虽然Eckmiller很善于推销他的观点，但他的大部分工作人员都庆幸脚踏实地。也许这是一件非常德国化的事情，但每个人都很关心这些计算模型到底能不能做到，这也是研究中一直困扰我的问题。我毕业于2000十月，发表了相当牵强的硕士论文，试在学习和努力优化问题之间建立联系，然后开始了我的博士论文，并坚守在该领域进行研究直到2015。

机器学习的研究方法很多，但解决的本质问题基本一样

虽然一直试证明行业的相关性，当它是一个长时间的非常学术性的努力，且社区是相当封闭的。有一些个人成功的故事，例如手写字符识别，但许多公司在机器学习方面的研究失败了。我记得有一个公司叫BeowulfLabs和NIPS，他们用一个视频到处去招聘人才，承诺要成为下一个mathtopia。在本质上，这是DeepMind的故事，招聘一群优秀的研究人员，然后希望它会起飞。

整个社会也会围绕着一个时尚到下一个。有一件奇怪的事情是，机器学习作为一个整体，除了一大堆方法外，只有极少数本质不同的问题，如分类，回归，聚类等。它不像物理（我假设）或数学一样，一些普遍认为没有解决的疑难问题，存在可以推进出最好结果的解决方案。这意味着，进步经常是做横向的，通过用一个新的方法更换现有的方法，仍然以不同的方式解决同一个问题。例如，首先有神经网络。然后支持向量机出现了，声称其效果更好，因为相关的优化问题是凸面的。然后有boosting，randomforests，等等，直到回到神经网络。我记得，中国餐馆进程（ChineseRestaurantProcesses）火了两年，但没有人知道他们现在的意义是什么。

大数据与数据科学

大数据与数据科学的时代已然到来了。当时立身于学术界，我总觉得大数据与数据科学肯定来自于外界，可能来自于像谷歌这样切实处理庞大数据的公司。大规模学习确实是存在的，例如，生物信息学中基因组数据，但是我们应当寻找更为有效的算法或近似算法来解决这些问题，而非蛮干。

诸如谷歌这样的公司最终证实了，我们可以运用庞大的数据完成一些事情，最终将改变人们对人工智能持有的主流观点。有一些技术，如Hadoop和NoSQL，看似非常流行，能够娴熟地在市场上推广并不断革新，这些技术将免于现存体系中技术方面的限制。然而，这将对机器学习的研究者产生什么影响？给我的印象是，这些研究者感到高兴的是，大数据与数据科学时代的到来使他们最终得到认同，不过，他们也为自己得到认同的方式感到悲哀。要理解这一点，我们要意识到，多数ML研究者并不是计算机领域的科学家，或者非常擅长，对编码非常感兴趣。他们中许多人来主攻物理，数学或其他学科，在这些学科领域中，他们卓越的数学训练能力使其能够熟练运用各种算法，并为机器学习构建核心模型。

另一方面，Hadoop分布式系统基础架构偏科技性。用Java编写，这种语言在当时被认为专业性极强，与MatLab和Python两种计算机语言相比，Hadoop的语言不免显得复杂难懂。即使那些C++编程人员也会有相同的感觉，对他们来讲，Java语言也会显得冗杂，特别是在数值计算和模拟方面。但是，当前尚未找到解决这一问题的途径，因而，他们将自己所做的一切都重新命名为大数据，或者开始强调，大数据仅为大规模计算提供基础数据资源，而你需要专业的人才，方能弄懂这些数据信息。

这种解决方法应当是不会出错的。我认为，在一定程度上，这种区分依然是存在的。如果为数据分析选择合适的语言，Python当是最优之选，存在一些技术，如Spark，试通过绑定Python语言来分析数据，不论该种方法在性能方面是否讲得通。

深度学习的回归

甚至在谷歌研发出人工智能技术DeepDream之前，神经网络已经掀起回归热潮了。有一些人，如YannLeCun，一直以来坚持这种方法，但是，大概在10年前，有一些研究显示如何使用分层训练及其他训练方法，训练深层网络，这种类型网络的规模超出人们之前所能设想的。

得根据训练实例进行评估，以训练神经网络，然后，调整所有权值进一步减小误差。倘若沿着权重下降的方向记录梯度值，那么将从最后一层开始把错误传播回来。不管怎样，可以这样理解，错误信息将逐层递减，如此将增加多层次训练网络的难度。就我所知，许多人依然采用背景法，我不确定这种观点是否依然正确。但是，可以肯定的是，可使用的数据量，工具及原始计算能力均发生了变化。因而，最初一些研究文献点燃了人们对神经网络的兴趣，人们随后开始继续使用这些神经网络，并在一些应用领域中取得了卓越的成就，这些神经网络最早成功应用于计算机视觉，随后在言语加工处理等领域。