雖然機(jī)器學(xué)習(xí)和深度學(xué)習(xí)都是人工智能學(xué)中構(gòu)成的要素，但是“深度學(xué)習(xí)”被人們賦予了家族中的“聰明之星”的稱號(hào)，改進(jìn)了長(zhǎng)期以來(lái)的預(yù)測(cè)準(zhǔn)確性標(biāo)準(zhǔn)。在今年人工智能和深度學(xué)習(xí)將會(huì)如何發(fā)展，又會(huì)發(fā)生什么有趣的事情。

隨著我們的日常生活與各種各樣的技術(shù)越來(lái)越緊密地交織在一起，有時(shí)候，似乎未來(lái)已經(jīng)到來(lái)。然而，技術(shù)仍在不斷發(fā)展，人工智能（AI）已經(jīng)占據(jù)了這一領(lǐng)域的中心地位。在許多前進(jìn)力量的支持下，人工智能繼續(xù)激發(fā)公眾對(duì)未來(lái)的想象。亞馬遜的Alexa、Netflix的推薦系統(tǒng)以及SnapChat濾鏡等的創(chuàng)新，進(jìn)一步推動(dòng)了這一信念，這些都是人工智能進(jìn)入個(gè)性化領(lǐng)域的優(yōu)秀范例。

最常見(jiàn)的人工智能構(gòu)成部分，以及人工智能家族中的“聰明之星”，都是“深度學(xué)習(xí)”。深度學(xué)習(xí)是一種數(shù)據(jù)學(xué)習(xí)的模式，近年來(lái)改進(jìn)了長(zhǎng)期以來(lái)的預(yù)測(cè)準(zhǔn)確性標(biāo)準(zhǔn)。除了傳統(tǒng)的預(yù)測(cè)建模之外，它還在語(yǔ)音識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域有突出貢獻(xiàn)。然而，隨著我們迎接新年的到來(lái)，事情將變得更加有趣。讓我們來(lái)看看2018年的深度學(xué)習(xí)（以及更廣泛的人工智能）的情況。

卷積神經(jīng)網(wǎng)絡(luò)是一種復(fù)雜的學(xué)習(xí)模型，它的優(yōu)點(diǎn)是需要對(duì)數(shù)據(jù)進(jìn)行最少的預(yù)處理或“清理”。主要被應(yīng)用于“解決”視覺(jué)圖像分類和處理，目前開(kāi)始應(yīng)用于更多的案例。

其理念是，視覺(jué)世界是合成的，因此圖像可以被分解成最基本的特征。例如，一個(gè)風(fēng)景的圖像由各種各樣的物體組成;這些物體由輪廓和線條組成，而這些線條又由像素組成。Covnets能夠識(shí)別這些成分，并創(chuàng)建分層的抽象世界概念，使各種識(shí)別任務(wù)變得更容易。

目前，F(xiàn)acebook的照片標(biāo)簽和面部識(shí)別功能都使用了Covnets。在2018年，我們可以預(yù)計(jì)，Covnets將更廣泛的應(yīng)用于自動(dòng)駕駛領(lǐng)域，特斯拉的ModelX已經(jīng)在使用Covnets來(lái)實(shí)現(xiàn)自動(dòng)駕駛的相關(guān)功能。更近的，像Quere.ai這樣的公司正在使用Covnets，并且在醫(yī)學(xué)成像的診斷方面取得了顯著的成功。預(yù)計(jì)公司將開(kāi)始為這些高度精確的學(xué)習(xí)模式尋找不同的應(yīng)用。

雖然機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型具有前所未有的預(yù)測(cè)精度，但有些目前仍容易受到質(zhì)疑。例如，在受監(jiān)督的機(jī)器學(xué)習(xí)中，模型學(xué)習(xí)標(biāo)記數(shù)據(jù)的某些特征，訓(xùn)練和測(cè)試數(shù)據(jù)被假定來(lái)自相同的數(shù)據(jù)分布。如果數(shù)據(jù)在這個(gè)假設(shè)中失真，那么模型的預(yù)測(cè)精度就會(huì)受到很大的影響。以垃圾郵件過(guò)濾為例——如果將隨機(jī)文本和圖像添加到消息中，消息可能會(huì)繞過(guò)垃圾郵件檢測(cè)系統(tǒng)。這就是為什么你的收件箱里塞滿了垃圾郵件，盡管有一個(gè)系統(tǒng)可以阻止它。

安全部門巨頭McAfee公司認(rèn)為，將數(shù)字安全考慮在內(nèi)，2018年勒索軟件和其他數(shù)字威脅（比如對(duì)全球社會(huì)造成恐慌的“WannaCry”）越來(lái)越多地利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)。具體來(lái)說(shuō)，這些模型將威脅到檢測(cè)模型，從檢測(cè)模型的防御反應(yīng)中學(xué)習(xí)，并利用發(fā)現(xiàn)的漏洞來(lái)破壞檢測(cè)模型，其速度比防御者修補(bǔ)漏洞的速度更快。

為了抵御這些技術(shù)，McAfee公司的工程師們一直在研究對(duì)抗機(jī)器學(xué)習(xí)，并組建一個(gè)先進(jìn)的防御研究團(tuán)隊(duì)來(lái)為這些漏洞創(chuàng)建解決方案。要真正抵御這種攻擊，唯一的辦法是建立一種更為普遍的學(xué)習(xí)模式，甚至能找出最微小的異常。在這方面，一些有趣的研究正在進(jìn)行中。

在過(guò)去的兩三年里，人工智能和深度學(xué)習(xí)在公共領(lǐng)域出現(xiàn)了爆炸式的增長(zhǎng)，推出了一些令人興奮的產(chǎn)品。在2018年和未來(lái)幾年，它們將越來(lái)越多地出現(xiàn)在我們的日?；?dòng)中，尤其是在移動(dòng)應(yīng)用領(lǐng)域。

隨著移動(dòng)硬件地快速發(fā)展，它將能夠支持復(fù)雜的深度學(xué)習(xí)任務(wù)。例如，蘋果的iOS11支持CoreML，這是一款面向iOS開(kāi)發(fā)者的機(jī)器學(xué)習(xí)工具包。未來(lái)，開(kāi)發(fā)者將可以部署支持文本預(yù)測(cè)和圖像識(shí)別的應(yīng)用（比如SnapChat），不需要任何機(jī)器學(xué)習(xí)的知識(shí)。很顯然，人工智能和深度學(xué)習(xí)的未來(lái)充滿活力和前景。我們看到這種變化和進(jìn)步的速度有多快，只有時(shí)間能給予我們答案。因此，隨著新的一年的展開(kāi)，讓我們拭目以待，看看這一細(xì)分領(lǐng)域的表現(xiàn)吧。