首先我将简单介绍一下人工智能( Artificial Intelligence ),机器学习( Machine Learning )和深度学习( Deep Learning )三者的区别。 然后,我将分析人工智能和物联网为何是不可分割的,技术的不断进步和融合逐渐为为人工智能和物联网爆炸奠定了基础。

人工智能( AI )

“人工智能”这一概念于 1956 年首次被计算机科学家 John McCarthy 提出。指的是在处理任务时具有人类智力特点的机器。包括具有组织和理解语言,识别物体和声音,以及学习和解决问题等能力。

我们可以把人工智能分广义和狭义两方面来理解。 广义上包括上述所有人类智力的特征。 狭义上的指在某些领域具有人工智能,且能在这些领域发挥到极致,但仅局限于此领域。 例如一个极为擅长识别图像的机器,但在其他方面表现欠佳,这就是狭义上的人工智能。

机器学习( ML )

机器学习是一种实现人工智能的方式。

在人工智能这一概念出现后不久, Arthur Samuel 在 1959 年提出“机器学习”这一概念即“(计算机)无需专门编程就能自主学习”。你可以在不使用机器学习的情况实现人工智能,但这意味着需要编写数百万行规则复杂的代码。

因此,和传统编程以明确的指令使计算机完成任务不同的是,机器学习通过“训练”使其学习如何完成任务。 “训练”包括向模型中载入大量数据,并且能够自动调整和改进算法。 

举例来说机器学习已经被用于改进计算机视觉(机器通过图像或视频识别对象的能力)。人们收集数十万甚至数百万张图片,并一一标记。比如,人类可以标记当中有猫的图片,而不标记那些没有猫的。那么,算法尝试建立一个模型,就可以实现像人一样准确地标记包含猫的图片。一旦达到一定的精确度,我们就可以认为机器现在“学会”了识别猫的样子。

深度学习( DL )

深度学习是实现机器学习的途径之一。 其他途径包括策树,归纳逻辑程序设计,聚类,强化学习和贝叶斯网络等。

深度学习这一概念的灵感来自大脑的结构和功能,即众多神经元的相互连接。 人工神经网络( ANNs )即为模拟大脑生物结构的算法。

在 ANNs 中,存在具有独立处理层的“神经元”,且这些“神经元”与其他“神经元”相接。其中每个处理层具有特定的学习特征,如图像识别中的曲线/边缘。 正是这种分层赋予深度学习这一概念的名称,其中的深度是通过使用多个层而不是单个独立层实现的。

人工智能与物联网之间的关系正如人类的大脑和身体。

我们的身体获取感官输入,如视觉,听觉和触觉。 我们的大脑进一步处理这些数据,使其具有意义。如把光转化为可识别的对象,把声音变成可以理解的语言。 然后大脑做出决定,发送信号给身体,发出指令运动,如捡起一个物体或说话。

构成物联网并相互连接的传感器都像我们的身体,它们提供了来自外界的原始数据。人工智能就像我们的大脑,处理这些数据并决定要执行的动作。这些传感器又再次像我们的身体一样,进行物理动作或与他人沟通。

人工智能和物联网由于彼此实现自身的价值和愿景。

机器学习和深度学习已促使人工智能在近年来实现了巨大的飞跃。如上所述,机器学习和深度学习需要大量的数据来工作,这些数据由数十亿在物联网中持续链接的传感器所收集。因此,物联网促进人工智能的发展。

同时,改进人工智能也将促进物联网发展,从而创造一个良性循环,这将大大促进两者的发展。这是由于人工智能使得物联网更实用的内因。

在工业方面,人工智能可以用于预测机器何时需要维护,或者何时需要分析制造进程,从而大幅度提高效率,节省成本。

在消费者方面,不是让人类去适应技术,而是让技术适应人类。摒弃繁琐的点击,输入和搜索,我们可以直接给机器下达指令,实现我们的需求。比如询问天气信息,或者营造更好地入睡环境如发出一系列指令(关闭恒温器,锁上门,关灯等)。

计算机芯片的变小和制造技术的改进意味着带来成本更低,功能更强大的传感器。

迅速改进的电池技术意味着这些传感器可以不需要电源使用很久。

智能手机的出现带来的无线连接,意味着数据可以以更低的成本实现高容量的传送,同时使发送数据到云。

而云计算的出现为我们提供了几乎无限的存储空间和计算能力处理数据。