藥明康德/報導
在過去的十年中，人工智慧和機器學習在各個領域都掀起了一陣熱潮，和人工智慧相關的應用也一直在快速發展中。然而，人工智慧對於很多人來講，還是一個比較模糊的概念。究竟什麼是人工智慧和機器學習，二者之間又有什麼區別？人工智慧的熱度近年來為何越來越高，其未來前景將會如何呢？我們將在這篇文章中一一闡明。
什麼是人工智慧和機器學習？
如今人們普遍認為的「人工智慧」的概念，其實自20世紀50年代以來，就一直存在於科學家的腦海之中。當時的人們開始研究人造大腦和「圖靈測試」等實驗。然而，在那之後，人工智慧領域出現了幾次停滯，迎來了所謂的「人工智慧寒冬」。這些停滯現象往往是由於技術、基礎設施或方法的局限性而產生。
隨著深度學習的發展，人工智慧和機器學習領域於2006年迎來了一次大型突破。深度學習是機器學習下的一個分支，以分層神經網絡（NNs）為基礎。如今，在所有人工智慧和機器學習技術的前沿研究和成功應用背後（如圖像識別、搜尋引擎、藥物發現、深度強化學習等），都有深度學習技術的身影。機器學習的新型研究方法，計算能力的巨大進步以及數據數位化需求的急劇增長，使深度學習的高速發展成為可能。
從概念上來講，人工智慧是計算機科學中的一個領域，其重點是創造一個能夠感知環境並做出決策的智能機器，從而最大限度地實現設定的目標。機器學習是人工智慧和數據分析的一個子領域，它致力於使計算機不需要進行複雜的編程過程，就可以反覆學習，改進預測模型，並從數據中獲得洞見。
在所有人工智慧和機器學習技術的前沿研究和成功應用背後，都有深度學習技術的身影
作為個體，我們每天都在和語音助手對話，使用面部識別技術，用手機APP接收電影或餐廳推薦。這些生活中每天都在發生的事情其實都屬於人工智慧和機器學習的實例。根據訓練算法方式的不同，可以將機器學習分成三類：
1.監督學習（Supervised Learning）
在使用監督學習時，機器學習算法會在一組已標記的數據上訓練（例如用標記的圖像訓練圖像識別系統，以準確識別狗的圖像）。
2.無監督學習（Unsupervised Learning）
在無監督學習中，算法會使用未標記的數據進行訓練，並且必須確定數據集的基本結構及分組方法（例如在識別手寫數字時，將這些數字分為10組來識別）。
3.強化學習（Reinforcement Learning）
強化學習最開始是沒有訓練數據的。這意味著機器必須通過經驗和迭代試錯來學習和執行任務，同時使長期收益最大化。
在短期內，人工智慧和機器學習中的監督學習應用程式將繼續發展，從面向用戶的發展為普及自動化任務。然而，最廣闊的市場前景將來自於大量的新企業應用和新行業。
無監督學習和強化學習在垂直行業前沿呈現出了一些令人興奮的突破，其呈現出的可能性正在為越來越多的問題提供解決方案。在強化學習中最重要的早期成就之一，就是起源於Google DeepMind的AlphaZero。這個算法通過和自身的模擬遊戲，徵服了西洋棋和圍棋等各種棋類遊戲。在進一步的應用示例中，強化學習可以改進一些傳統的解決方案，包括資源分配問題、過多的個性化用戶界面(如頭條、廣告等內容)，以及在機器人和自動駕駛汽車中的應用。
人工智慧的前景
作為一種通用技術，人工智慧和機器學習幾乎在每個行業都有應用的可能性，並且能夠重塑人們的生活和工作方式。因此，深度學習領域的先驅吳恩達博士將人工智慧稱為「新型電力」。就像網際網路或資料庫技術一樣，人工智慧有可能使商業和我們的日常生活發生革命性的變化。人工智慧和機器學習相關的公司數量和投資額大幅增長，同時其市場上還存在大量的機會，等待人們去探索。
深度學習領域的先驅，史丹福大學計算機科學系兼任教授吳恩達博士（圖片來源：LinkedIn）
目前，幾乎所有成功打入市場的機器學習相關應用程式使用的都是監督式學習。這種方式雖然面向較為廣闊的市場，但是卻只能局限於那些具有乾淨的標籤數據的領域。初創公司面臨著來自谷歌、亞馬遜、微軟、百度等公司的壓力。這些公司採用雲計算功能，開發出的產品成本較低；同時，它們也擁有著大規模得數據來源及高度發達的銷售渠道。這對於依賴大數據集的蠻力算法應用（例如語音/對象/面部/圖像識別和翻譯）來說尤其重要。
因此，對於人工智慧初創公司而言，專注於邊緣領域、特定領域和數據集可能會在目前擁有著最為良好的發展前景。例如，在醫療記錄和掃描數據數位化方面，最近取得了很多進展，這使得醫療健康在人工智慧和機器學習應用方面獲益非常大。
人工智慧和機器學習還存在著太多的可能性，等待我們去探索和挖掘。我們相信，在不久的未來，人類一定會發現出人工智慧的更多價值，使其更好地為人類健康服務。
參考資料：
[1] Real potential for AI: Analysis of the artificial intelligence & machine learning market