简介
深度学习正在迅速改变人工智能 (AI) 和机器学习 (ML) 领域的格局。它使计算机能够以前所未有的准确性执行复杂的任务，例如图像识别、自然语言处理和预测分析。云服务器在深度学习的采用中发挥着至关重要的作用，为开发人员和研究人员提供了强大的计算能力和可扩展性。
云服务器在深度学习中的优势
可扩展性： 云服务器允许用户根据需要轻松扩展其计算能力。这对于处理大型数据集和训练复杂模型至关重要。高性能： 云服务器提供高性能的计算资源，包括处理器、显卡和内存。这些资源优化了深度学习算法的训练和执行。灵活性： 云服务器提供按需计费模型，允许用户仅为他们使用的资源付费。这对于短期项目或偶尔使用深度学习来说非常灵活。预置基础设施： 云服务器提供预先配置的深度学习环境，包括流行的框架和工具。这简化了开发和部署过程。协作： 云服务器允许多个用户访问和处理同一个深度学习项目。这促进团队协作和知识共享。
云服务器深度学习的应用
云服务器深度学习的应用范围广泛，包括：计算机视觉： 图像识别、对象检测、人脸识别自然语言处理： 机器翻译、文本摘要、情感分析语音识别和合成： 语音转文本、文本转语音、语音生物识别预测分析： 异常检测、时间序列预测、欺诈检测医疗保健： 疾病诊断、药物开发、个性化治疗金融服务
如何区分人工智能，机器学习和深度学习
一、人工智能
人工智能有三个层次，分别是：
（1）计算智能：高效快速地求解出结果，包括遗传算法、群体智能（蚁群、粒子群）、模拟退火等；
（2）感知智能：让计算机看得见，听得到，包括图像识别、语音识别等；
（3）认知智能：最高一个层次的人工智能，包括自然语言处理和机器人等。
二、机器学习是实现人工智能的一种重要方法。
1、机器学习按照方法来分，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。
2、监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
3、无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。
通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。
常见的聚类算法有K-means、高斯混合模型和LDA。
三、深度学习是机器学习的一个分支，说白了就是深层神经网络（DNN），计算机视觉中常用的深度学习模型是卷积神经网络（CNN），自然语言处理中常用的神经网络是RNN和LSTM。
超级人工智能2025年人工智能要达到的目标
到 2025 年，人工智能 (AI) 将通过高效处理当今的一些复杂任务来显着改善我们的日常生活。
领先的人工智能研究人员 Geoff Hinton 表示，很难预测人工智能将在五年后带来什么进步，并指出指数级的进步使得不确定性太大。
因此，本文将考虑我们在不同经济部门的发展过程中将面临的机遇和挑战。
因此，它并非详尽无遗。
-
到 2025 年将是为 5G 和所有经济部门的组织推出必要的基础设施，转变为数据驱动的组织的时期；到 2020 年代后期，5G 将在主要经济体中大量推广，覆盖范围将扩展到大城市之外，并通过人工智能和机器人技术进入农村地区，从而影响农业；随着 5G 的普及和全息技术的频繁使用，增强现实和虚拟现实 (AR/VR) 技术将获得关注；随着深度学习，特别是深度强化学习在整个经济领域取得重大进展，人工智能将成为所有组织和经济各个部门的核心；正如 Moven 的首席执行官兼 Augmented 的作者 Brett King 指出的那样：“……社会将受到技术的影响，这些技术将在未来 20 年比过去 250 年更能改变世界。
”这是本文的中心主题。
MIT CSAIL 的一个部分阐述了我们未来旅程的路径；这是一个系列的一部分，将简要介绍通用人工智能 (AGI)，因为在本系列的第 3 部分中将概述获得 AGI 的挑战，以及量子计算和有关医疗保健的更多细节；一小部分将讨论人类通过与脑机接口 (BCI) 相关的 AI 增强自己的能力；需要对世界各地的教育系统进行重大培训和改革，以便在我们过渡到新的数据驱动型经济时最大化收益。
人工智能的简短回顾
人工智能
人工智能涉及开发计算系统的领域，这些系统能够执行人类非常擅长的任务，例如识别物体、识别和理解语音以及在受限环境中进行决策。
人工智能的一些经典方法包括（非详尽列表）搜索算法，如宽度优先、深度优先、迭代深化搜索、A* 算法，以及逻辑领域，包括谓词演算和命题演算。
还开发了局部搜索方法，例如模拟退火、爬山、波束搜索和遗传算法。
机器学习
机器学习被定义为应用统计方法使计算机系统能够从数据中学习以实现最终目标的人工智能领域。
该术语由 Arthur Samuel 于 1959 年引入。
技术示例的非详尽列表包括线性回归、逻辑回归、K-均值、k-最近邻 (kNN)、朴素贝叶斯、支持向量机 (SVM)、决策树, 随机森林, XG Boost, Light Gradient Boosting Machine (LightGBM), CatBoost。
深度学习
深度学习是指具有多个隐藏层的神经网络领域。
这种神经网络通常被称为深度神经网络。
神经网络是受生物学启发的网络，它以分层方式从数据中提取抽象特征。
将在未来十年发挥作用的关键技术包括生成对抗网络 (GAN)、循环神经网络，包括长短期记忆网络 (LSTM)、自注意力(self-attention)（NLP 和可能的时间序列）和胶囊网络（一个正在进行的研究领域）。
本系列的后续部分将更详细地讨论深度强化学习。
进化遗传算法和神经进化领域也将在本系列的未来部分进行更详细的考虑。
联邦学习和差异化隐私的作用也将在以后的文章中考虑。
出于本文的目的，我将考虑人工智能涵盖机器学习和深度学习。
狭义人工智能：机器被设计为执行单个任务并且机器非常擅长执行该特定任务的人工智能领域。
然而，一旦机器经过训练，它就不会泛化到看不见的领域。
这就是我们今天拥有的人工智能形式，例如谷歌翻译。
通用人工智能 (AGI)：一种人工智能形式，可以完成人类可以完成的任何智力任务。
它更有意识，做出的决定类似于人类做出决定的方式。
AGI 在这一刻仍然是一个愿望，对它的到来有各种预测。
它可能会在未来 20 年左右出现，但它面临着与硬件、当今强大机器所需的能源消耗以及解决灾难性记忆损失相关的挑战，即使是当今最先进的深度学习算法也可能会受到影响。
超级智能：是一种在所有领域都超过人类表现的智能形式（由 Nick Bostrom 定义）。
这指的是一般智慧、解决问题和创造力等方面。
人工智能将成为所有组织的核心
麦肯锡出版了一份名为“人工智能前沿的笔记：深度学习的应用和价值（Notes from the AI frontier: Applications and value of Deep Learning，）”的详细而有用的出版物，观察到“我们整理和分析了 19 个行业和 9 个业务职能的 400 多个用例。
他们提供了对特定领域的洞察力深度神经网络可能创造最大价值的领域，这些神经网络与传统分析相比可以产生的增量提升（图 2），以及必须满足的大量数据需求——在数量、种类和速度方面——以实现这一潜力。
”麦肯锡还明确表示，他们的用例库虽然广泛，但并非详尽无遗，并且可能会导致对特定行业潜力的高估或低估，而麦肯锡将继续对其进行完善和补充。
虽然麦肯锡的研究提供了全面而有用的概述，但我相信深度学习的影响将比麦肯锡预测的要大，因为卷积神经网络 (CNN) 等技术将对医疗保健等领域产生重大影响。
仅举几个例子，如保险行业具有零售行业的自动化视觉搜索，以及无需在收银员处付款直到店内使用 Amazon Go 和在银行业务中使用 KYC 进行身份验。
此外，一些用于成功训练具有较小数据集的深度神经网络的技术预计将在未来十年内投入生产，从而使深度学习能够在整个经济中进一步扩展。
这在下面提供的一些新技术的简短回顾部分中进行了处理。
我相信在 2019 年至 2029 年期间，值得重新审视 Andrew Ng 的评论，他说：
“我们需要一个适用于 AI 的金凤花姑娘规则（恰到好处）：”
“太乐观了：深度学习为我们提供了一条通往 AGI 的清晰道路！”
“太悲观了：深度学习有局限性，所以人工智能冬天来了！”
“恰到好处：深度学习不能做所有事情，但会改善无数人的生活并创造巨大的经济增长。”
正如Jason Brownlee在《Deep Learning & Artificial Neural Networks（）》中引用Andrew Ng的工作所述，“随着我们构建更大的神经网络并使用越来越多的数据来训练它们，它们的性能将继续提高。
”这与其他性能趋于稳定的机器学习技术通常是不同的。
”
Source for image above Andrew Ng
如前所述，正在进行大量研究以允许深度学习也成功地训练和扩展较小的数据集。
允许深度神经网络准确训练较小数据的新技术将投入生产
较早的文章“更智能的 AI 和深度学习（Smarter AI & Deep Learning，）”中提供了一个示例，该文章考虑了简化和改进深度神经网络训练的潜力。
它考虑了 MIT CSAIL 的 Jonathan Frankle Michael Carbin 发表的 The Lottery Ticket Hypothesis:Finding Sparse, Trainable Neural Networks 以及 Adam Conner-Simons 在更智能的神经网络训练中提供的有见地的总结。
文章指出，麻省理工学院 CSAIL 项目表明，神经网络包含小 10 倍的“子网络”，它们可以同样好地学习——而且通常更快。
如今，我们生活中几乎所有基于人工智能的产品都依赖于自动学习处理标记数据的“深度神经网络”。
“不过，对于大多数组织和个人来说，深度学习很难进入。
要学习好，神经网络通常必须非常大，并且需要大量数据集。
这个训练过程通常需要多天的训练和昂贵的图形处理单元 (GPU) ) – 有时甚至是定制设计的硬件。
”
但是，如果它们实际上根本不必那么大怎么办？
在一篇新论文中，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 的研究人员表明，神经网络包含的子网络最多可缩小 10 倍，但能够通过训练做出同样准确的预测——有时可以学会这样做甚至比原版还快。
Will Knight 在 MIT Technology Review 上的一篇文章报道说，“两种相互竞争的 AI 方法结合起来，让机器像孩子一样了解世界”。
该文章与题为 The Neuro-Symbolic Learner: Interpreting Scenes, Words, and Sentences form Natural Supervision 的论文相关，是 MIT CSAIL、MIT Brain Computer Science、MIT-IBM Watson AI Lab 和 Google DeepMind 的联合论文。
《技术评论》中的 Will Knight 观察到：
“更实际的是，它还可以开启人工智能的新应用，因为新技术需要的训练数据要少得多。
例如，机器人系统最终可以即时学习，而不是花费大量时间为它们所处的每个独特环境进行训练。
”
“这真的令人兴奋，因为它将让我们摆脱对大量标记数据的依赖，”领导 MIT-IBM Watson AI 实验室的科学家 David Cox 说。
也许 Capsule Networks 也将投入生产。
此外，这将是深度强化学习将对机器人和其他自主系统等领域产生重大影响的时期。
例如，Seth Adler 撰写了“强化学习快速指南”并提供了对制造业影响的示例，其中日本制造商Fanuc “机器人使用深度强化学习从一个盒子中挑选一个设备并将其放入一个容器中。
是否无论成功或失败，它都会记住对象并获得知识并训练自己以极快的速度和精确度完成这项工作。
”未来十年，此类技术将在制造业中变得普遍，并且 GAN 和深度强化学习将更频繁地应用于运输（自动驾驶汽车）和制药行业（药物发现）。
数据科学和机器学习职能将直接向 CEO 汇报
在伦敦 CogX 期间，我参加了麦肯锡公司 Quantum Black (@quantumblack) 的一次演讲，其中指出机器学习/数据科学负责人在企业中的角色正在从统计和编码之外演变为一个数据科学负责人将负责做出与业务相关的判断，在 2020 年代期间，人工智能和数据科学职能将直接归组织首席执行官。
到 2025 年，智能自动化将经历巨大的增长
毕马威的一份报告预测，涵盖人工智能和机器人过程自动化 (RPA) 技术的智能增强业务支出将从 2018 年的 124 亿美元增加到 2025 年的 2320 亿美元。
到 2030 年，人工智能将推动全球经济增长。
普华永道预测，到 2030 年，人工智能对全球经济的潜在贡献将达到 15.7万亿美元，到 2030 年，人工智能对当地经济的 GDP 贡献高达 26%。
AI 无处不在
在边缘处理 AI 工作负载的一个主要优势是，相对于等待来自远程基于云的服务器的查询响应，延迟大大减少。
因此，未来的摄像机、机器人和计算机将能够做出改进和更明智的判断，而不是不断地查询远程云服务器并在做出决定之前等待。
例如，自动驾驶汽车需要实时决定是左转还是右转，而不是等待服务器做出响应。
此外，使用计算机视觉的无人机将通过在设备上使用人工智能来调整自己的飞行路径来提高可靠性。
Jason Compton 在一篇题为“边缘人工智能及其范式改变效应（Edge AI And Its Paradigm-Changing Effects）”的文章中指出，随着传感器在智慧城市中的广泛应用，边缘计算的增长在其中他观察到“设备上的人工智能可以通过使用嵌入式传感器来改善第一响应者的通知时间“在路灯等城市基础设施中，评估背景噪音并确定是否存在紧急情况。
人工智能还可以让交通摄像头通过车牌的光学识别以及图案和颜色匹配来立即识别车辆。
”
这将为急救人员在到达现场之前了解情况节省宝贵的时间。
此外，在边缘采用 AI 将能够立即识别制造设施中业务流程的中断，从而向工厂中的人员提出有关导致问题的原因（例如组件故障）以及如何产生的建议以最好的方式对事件做出反应，以将损失降到最低，并在最快的时间内恢复正常运营。
在此期间，深度强化学习将频繁部署到我们周围的日常活动中。
例如Zhu等人 “无人机辅助车辆网络的深度强化学习（Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks”，）提出部署无人机（UAV）以补充未来智慧城市的 5G 通信基础设施。
热点容易出现在道路交叉口，车辆之间的有效通信具有挑战性。
无人机可以作为中继器，具有价格低廉、部署方便、视距链接、机动灵活等优点。
Source for Figure above: Zhu et al. Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks
未完待续
人工智能、机器学习和深度学习之间的关系
人工智能、机器学习和深度学习之间的关系1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。
其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。
之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。
坦白说，直到2012年之前，这两种声音还在同时存在。
过去几年，尤其是2015年以来，人工智能开始大爆发。
很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。
当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发人工智能（Artificial Intelligence）——为机器赋予人的智能早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。
这就是我们现在所说的“强人工智能”（General AI）。
这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。
人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。
强人工智能现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。
我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。
弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。
例如，Pinterest上的图像分类；或者Facebook的人脸识别。
这些是弱人工智能在实践中的例子。
这些技术实现的是人类智能的一些具体的局部。
但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，机器学习。
机器学习—— 一种实现人工智能的方法机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域。
传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。
众所周知，我们还没有实现强人工智能。
早期机器学习方法甚至都无法实现弱人工智能。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。
人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。
使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
这个结果还算不错，但并不是那种能让人为之一振的成功。
特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。
这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。
它太僵化，太容易受环境条件的干扰。
深度学习——一种实现机器学习的技术人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。
神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。
但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。
例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。
在第一层的每一个神经元都把数据传递到第二层。
第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。
最终的输出由这些权重加总来决定。
我们仍以停止（Stop）标志牌为例。
将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。
神经网络的任务就是给出结论，它到底是不是一个停止标志牌。
神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。
然后网络结构告知神经网络，它的结论是否正确。
即使是这个例子，也算是比较超前了。
直到前不久，神经网络也还是为人工智能圈所淡忘。
其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。
主要问题是，即使是最基本的神经网络，也需要大量的运算。
神经网络算法的运算需求难以得到满足。
不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。
但也直到GPU得到广泛应用，这些努力才见到成效。
我们回过头来看这个停止标志识别的例子。
神经网络是调制、训练出来的，时不时还是很容易出错的。
它最需要的，就是训练。
需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。
吴教授的突破在于，把这些神经网络从基础上显著地增大了。
层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。
在吴教授这里，数据是一千万YouTube视频中的图像。
吴教授为深度学习（deep learning）加入了“深度”（deep）。
这里的“深度”就是说神经网络中众多的层。
现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。
Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。
它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
深度学习，给人工智能以璀璨的未来深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。
深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。
无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
人工智能就在现在，就在明天。
有了深度学习，人工智能甚至可以达到我们畅想的科幻小说一般。
你的C-3PO我拿走了，你有你的终结者就好了。
【注】机器视觉（Machine Vision, MV） & 计算机视觉(Computer Vision, CV)从学科分类上， 二者都被认为是 Artificial Intelligence 下属科目。
计算机视觉是采用图像处理、模式识别、人工智能技术相结合的手段，着重于一幅或多幅图像的计算机分析。
图像可以由单个或多个传感器获取，也可以在单个传感器在不同时刻获取的图像序列，分析是对目标物体的识别，确定目标物体的位置和姿态，对三维景物进行符号描述和解释。
在计算机视觉中，经常使用几何模型、复杂的知识表达，采用基于模型的匹配和搜索技术，搜索的策略常使用自底向上、自顶向下、分层和启发式控制策略。
机器视觉则偏重于计算机技术工程化，你问哪个够自动获取和分析特定的图像和场景，以控制相应的行为。
具体的说，计算机视觉为机器视觉提供图像和精武分析的理论及算法基础，机器视觉为计算机视觉的实现提供了传感器模型、系统构造和实现手段。
因此可以认为，一个机器视觉系统就是一个自动获取一幅或多幅目标物体图像，对所获取图像的各种特征量进行处理、分析和测量，并对测量结果做出定性的分析和定量解释，从而得到有关目标物体的某种认识并做出下相应决策的系统。
机器视觉系统的功能包括：物体定位、特征检测、缺陷判断、目标识别、计数和运动跟踪。
