人工智慧和機器學習概念目前在各種場合被頻頻提到，移動網際網路時代後的未來被預測為人工智慧時代，那麼人工智慧的前世今生是怎樣的，到底會給我們的未來帶來什麼呢？為了弄清這個問題，我們可以簡單回顧一下人工智慧的發展歷史。

![在這裡插入圖片描述](https://img-blog.csdnimg.cn/20201228111746539.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDcwODI0MA==,size_16,color_FFFFFF,t_70)

其實，人工智慧可以追溯到很久以前的年代。在圖靈的時代，科學家就試圖透過模擬人的意識和思維來處理人類才能完成的複雜任務，並提出圖靈測試檢測機器是否具有真正的“智慧”。隨著計算機被發明，資訊儲存和處理問題被解決，人工智慧有了落地的可能。1956年在達特茅斯會議上，人工智慧的概念被明斯基明確提出，使用的正是由神經學家提出的神經網路資料模型， 並在此次完善了匹配的程式語言，將實現推向更具有現實意義的發展方向。

神經網路本質是神經元之間的作用與反饋，是人類思維的基礎，模擬大腦是長時間以來人工智慧的主要思路。兩年後，電腦科學家羅森布拉特提出感知機的概念，即兩層神經元組成的最簡單的神經網路，並用來進行資料二分類。科學界迎來了人工智慧的第一縷曙光，更多人開始關注並投身於此。然而人工智慧並沒有變得大熱，明斯基在1969年在其著作中證明感知器只能處理線性分類問題，連簡單的異或問題都無法正確分類。這個問題因而成為那一代人工智慧領域學者繞不開的噩夢。人工智慧學科隨後一度作為最冷門的學科陷入了長達20年的停滯。

直到1986年，傑弗裡·辛頓提出反向傳播演算法，打破了人工智慧萬古長夜的局面。該方法有效解決了非線性分類問題的侷限性，並廣泛用於多層神經網路結構中，由此帶來了深度學習的熱潮。為了得到高精度的結果，網路結構不斷加深，隨著層數加深，深層結構會逐漸喪失對於前層的有效學習，反向傳播演算法中的梯度消失問題變得不可忽視。不少人開始轉向淺層的機器學習方法來解決實際問題。直到2006年，傑弗裡·辛頓提出了梯度消失的解決方案，才重啟了深度學習的熱潮。同時這股熱潮開始從學術界席捲工業界，越來越多的公司和機構開始將其應用到語音識別和影像分類等領域。正是在這些領域，深度學習方法開始展現出顯著優於傳統淺層機器學習方法的優勢。2012年之後，各種神經網路結構和調優方法的提出使深度學習效能得到了大幅提升，但即使演算法和算力不斷加強，深度學習動輒幾十個小時的訓練和海量的訓練資料要求還是把很多人拒之門外。
![在這裡插入圖片描述](https://img-blog.csdnimg.cn/20201228111753217.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDcwODI0MA==,size_16,color_FFFFFF,t_70)

為了解決向訓練資料少的領域遷移問題，遷移學習應運而生，它解決了將原領域學習到的東西遷移到目標領域的問題，並有效利用已經習得的模型引數，大大縮短了模型訓練時間，被認為是人工智慧演算法的未來 。

人工智慧學科經過長期沉澱和發展，相關的演算法已經具備瞭解決各種複雜問題的能力，以最低的成本使用深度學習神經網路解決各個細分領域的問題成了人工智慧爆發期的關鍵。人工智慧給人類帶來的深刻變革是接下來時間裡大機率發生的事。正如網際網路+的模式改變了我們衣食住行的各個方面，未來AI+的模式一定也會以同樣的方式席捲各個行業的細分領域，車聯網、家電領域、醫療、農業、製造業等行業都需要更加精準的模式幫助人類處理複雜任務。

![在這裡插入圖片描述](https://img-blog.csdnimg.cn/20201228111759531.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDcwODI0MA==,size_16,color_FFFFFF,t_70)

華為機器學習服務基於這樣的理念推出自定義模型服務，它採用遷移學習的方法幫助開發者輕鬆定義自己的模型，只需要準備少量領域資料，就可以獲取領域模型，大大降低了深度學習的門檻。相信未來，人工智慧不再僅僅作為少數人的工具，而是可以應用於各行各業，給人類社會的方方面面帶來更加智慧、更加個性化的體驗。

---
 原文連結：
 [https://developer.huawei.com/consumer/cn/forum/topic/0204428045740460728?fid=18](https://developer.huawei.com/consumer/cn/forum/topic/0204428045740460728?fid=18)
 作者：timer

人工智慧發展與模型定製化趨勢

相關文章