遠(yuǎn)在古希臘時(shí)期，發(fā)明家就夢(mèng)想著創(chuàng)造能自主思考的機(jī)器。神話人物皮格馬利翁（Pygmalion）、代達(dá)羅斯（Daedalus）和赫淮斯托斯（Hephaestus）可以被看作傳說(shuō)中的發(fā)明家，而加拉蒂亞（Galatea）、塔洛斯（Talos）和潘多拉（Pandora）則可以被視為人造生命（Ovid and Martin，2004；Sparkes，1996；Tandy，1997）。當(dāng)人類第一次構(gòu)思可編程計(jì)算機(jī)時(shí)，就已經(jīng)在思考計(jì)算機(jī)能否變得智能（盡管這距造出第一臺(tái)計(jì)算機(jī)還有一百多年）（Lovelace，1842）。如今，人工智能（artificial intelligence，AI）已經(jīng)成為一個(gè)具有眾多實(shí)際應(yīng)用和活躍研究課題的領(lǐng)域，并且正在蓬勃發(fā)展。我們期望通過(guò)智能軟件自動(dòng)地處理常規(guī)勞動(dòng)、理解語(yǔ)音或圖像、幫助醫(yī)學(xué)診斷和支持基礎(chǔ)科學(xué)研究。在人工智能的早期，那些對(duì)人類智力來(lái)說(shuō)非常困難、但對(duì)計(jì)算機(jī)來(lái)說(shuō)相對(duì)簡(jiǎn)單的問(wèn)題得到迅速解決，比如，那些可以通過(guò)一系列形式化的數(shù)學(xué)規(guī)則來(lái)描述的問(wèn)題。人工智能的真正挑戰(zhàn)在于解決那些對(duì)人來(lái)說(shuō)很容易執(zhí)行、但很難形式化描述的任務(wù)，如識(shí)別人們所說(shuō)的話或圖像中的臉。對(duì)于這些問(wèn)題，我們?nèi)祟愅梢詰{借直覺(jué)輕易地解決。針對(duì)這些比較直觀的問(wèn)題，本書(shū)討論一種解決方案。該方案可以讓計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)，并根據(jù)層次化的概念體系來(lái)理解世界，而每個(gè)概念則通過(guò)與某些相對(duì)簡(jiǎn)單的概念之間的關(guān)系來(lái)定義。讓計(jì)算機(jī)從經(jīng)驗(yàn)獲取知識(shí)，可以避免由人類來(lái)給計(jì)算機(jī)形式化地指定它需要的所有知識(shí)。層次化的概念讓計(jì)算機(jī)構(gòu)建較簡(jiǎn)單的概念來(lái)學(xué)習(xí)復(fù)雜概念。如果繪制出表示這些概念如何建立在彼此之上的圖，我們將得到一張“深”（層次很多）的圖。基于這個(gè)原因，我們稱這種方法為AI深度學(xué)習(xí)（deep learning）。 AI許多早期的成功發(fā)生在相對(duì)樸素且形式化的環(huán)境中，而且不要求計(jì)算機(jī)具備很多關(guān)于世界的知識(shí)。例如，IBM的深藍(lán)（Deep Blue）國(guó)際象棋系統(tǒng)在1997年擊敗了世界冠軍Garry Kasparov（Hsu，2002）。顯然國(guó)際象棋是一個(gè)非常簡(jiǎn)單的領(lǐng)域，因?yàn)樗鼉H含有64個(gè)位置并只能以嚴(yán)格限制的方式移動(dòng)32個(gè)棋子。設(shè)計(jì)一種成功的國(guó)際象棋策略是巨大的成就，但向計(jì)算機(jī)描述棋子及其允許的走法并不是這一挑戰(zhàn)的困難所在。國(guó)際象棋完全可以由一個(gè)非常簡(jiǎn)短的、完全形式化的規(guī)則列表來(lái)描述，并可以容易地由程序員事先準(zhǔn)備好。具有諷刺意義的是，抽象和形式化的任務(wù)對(duì)人類而言是最困難的腦力任務(wù)之一，但對(duì)計(jì)算機(jī)而言卻屬于最容易的。計(jì)算機(jī)早就能夠打敗人類最好的國(guó)際象棋選手，但直到最近計(jì)算機(jī)才在識(shí)別對(duì)象或語(yǔ)音任務(wù)中達(dá)到人類平均水平。一個(gè)人的日常生活需要關(guān)于世界的巨量知識(shí)。很多這方面的知識(shí)是主觀的、直觀的，因此很難通過(guò)形式化的方式表達(dá)清楚。計(jì)算機(jī)需要獲取同樣的知識(shí)才能表現(xiàn)出智能。人工智能的一個(gè)關(guān)鍵挑戰(zhàn)就是如何將這些非形式化的知識(shí)傳達(dá)給計(jì)算機(jī)。一些人工智能項(xiàng)目力求將關(guān)于世界的知識(shí)用形式化的語(yǔ)言進(jìn)行硬編碼（hard-code）。計(jì)算機(jī)可以使用邏輯推理規(guī)則來(lái)自動(dòng)地理解這些形式化語(yǔ)言中的聲明。這就是眾所周知的人工智能的知識(shí)庫(kù)（knowledge base）方法。然而，這些項(xiàng)目最終都沒(méi)有取得重大的成功。其中最著名的項(xiàng)目是Cy c（Lenat and Guha，1989）。Cy c包括一個(gè)推斷引擎和一個(gè)使用CycL語(yǔ)言描述的聲明數(shù)據(jù)庫(kù)。這些聲明是由人類監(jiān)督者輸入的。這是一個(gè)笨拙的過(guò)程。人們?cè)O(shè)法設(shè)計(jì)出足夠復(fù)雜的形式化規(guī)則來(lái)精確地描述世界。例如，Cy c不能理解一個(gè)關(guān)于名為Fred的人在早上剃須的故事（Linde，1992）。它的推理引擎檢測(cè)到故事中的不一致性：它知道人體的構(gòu)成不包含電氣零件，但由于Fred正拿著一個(gè)電動(dòng)剃須刀，它認(rèn)為實(shí)體——“正在剃須的 Fred”（“FredWhileShaving”）含有電氣部件。因此，它產(chǎn)生了這樣的疑問(wèn)——Fred在刮胡子的時(shí)候是否仍然是一個(gè)人。依靠硬編碼的知識(shí)體系面臨的困難表明，AI系統(tǒng)需要具備自己獲取知識(shí)的能力，即從原始數(shù)據(jù)中提取模式的能力。這種能力稱為機(jī)器學(xué)習(xí)（machine learning）。引入機(jī)器學(xué)習(xí)使計(jì)算機(jī)能夠解決涉及現(xiàn)實(shí)世界知識(shí)的問(wèn)題，并能做出看似主觀的決策。比如，一個(gè)稱為邏輯回歸（logistic regression）的簡(jiǎn)單機(jī)器學(xué)習(xí)算法可以決定是否建議剖腹產(chǎn)（Mor-Yosef et al.， 1990）。而同樣是簡(jiǎn)單機(jī)器學(xué)習(xí)算法的樸素貝葉斯（naive Bay es）則可以區(qū)分垃圾電子郵件和合法電子郵件。這些簡(jiǎn)單的機(jī)器學(xué)習(xí)算法的性能在很大程度上依賴于給定數(shù)據(jù)的表示（representation）。例如，當(dāng)邏輯回歸用于判斷產(chǎn)婦是否適合剖腹產(chǎn)時(shí)，AI系統(tǒng)不會(huì)直接檢查患者。相反，醫(yī)生需要告訴系統(tǒng)幾條相關(guān)的信息，諸如是否存在子宮疤痕。表示患者的每條信息稱為一個(gè)特征。邏輯回歸學(xué)習(xí)病人的這些特征如何與各種結(jié)果相關(guān)聯(lián)。然而，它絲毫不能影響該特征定義的方式。如果將病人的MRI（核磁共振）掃描而不是醫(yī)生正式的報(bào)告作為邏輯回歸的輸入，它將無(wú)法做出有用的預(yù)測(cè)。MRI掃描的單一像素與分娩過(guò)程中并發(fā)癥之間的相關(guān)性微乎其微。在整個(gè)計(jì)算機(jī)科學(xué)乃至日常生活中，對(duì)表示的依賴都是一個(gè)普遍現(xiàn)象。在計(jì)算機(jī)科學(xué)中，如果數(shù)據(jù)集合被精巧地結(jié)構(gòu)化并被智能地索引，那么諸如搜索之類的操作的處理速度就可以成指數(shù)級(jí)地加快。人們可以很容易地在阿拉伯?dāng)?shù)字的表示下進(jìn)行算術(shù)運(yùn)算，但在羅馬數(shù)字的表示下，運(yùn)算會(huì)比較耗時(shí)。因此，毫不奇怪，表示的選擇會(huì)對(duì)機(jī)器學(xué)習(xí)算法的性能產(chǎn)生巨大的影響。

　　許多人工智能任務(wù)都可以通過(guò)以下方式解決：先提取一個(gè)合適的特征集，然后將這些特征提供給簡(jiǎn)單的機(jī)器學(xué)習(xí)算法。例如，對(duì)于通過(guò)聲音鑒別說(shuō)話者的任務(wù)來(lái)說(shuō)，一個(gè)有用的特征是對(duì)其聲道大小的估計(jì)。這個(gè)特征為判斷說(shuō)話者是男性、女性還是兒童提供了有力線索。然而，對(duì)于許多任務(wù)來(lái)說(shuō)，我們很難知道應(yīng)該提取哪些特征。例如，假設(shè)我們想編寫一個(gè)程序來(lái)檢測(cè)照片中的車。我們知道，汽車有輪子，所以我們可能會(huì)想用車輪的存在與否作為特征。遺憾的是，我們難以準(zhǔn)確地根據(jù)像素值來(lái)描述車輪看上去像什么。雖然車輪具有簡(jiǎn)單的幾何形狀，但它的圖像可能會(huì)因場(chǎng)景而異，如落在車輪上的陰影、太陽(yáng)照亮的車輪的金屬零件、汽車的擋泥板或者遮擋的車輪一部分的前景物體等。解決這個(gè)問(wèn)題的途徑之一是使用機(jī)器學(xué)習(xí)來(lái)發(fā)掘表示本身，而不僅僅把表示映射到輸出。這種方法我們稱之為表示學(xué)習(xí)（representation learning）。學(xué)習(xí)到的表示往往比手動(dòng)設(shè)計(jì)的表示表現(xiàn)得更好。并且它們只需最少的人工干預(yù)，就能讓AI系統(tǒng)迅速適應(yīng)新的任務(wù)。表示學(xué)習(xí)算法只需幾分鐘就可以為簡(jiǎn)單的任務(wù)發(fā)現(xiàn)一個(gè)很好的特征集，對(duì)于復(fù)雜任務(wù)則需要幾小時(shí)到幾個(gè)月。手動(dòng)為一個(gè)復(fù)雜的任務(wù)設(shè)計(jì)特征需要耗費(fèi)大量的人工、時(shí)間和精力，甚至需要花費(fèi)整個(gè)社群研究人員幾十年的時(shí)間。表示學(xué)習(xí)算法的典型例子是自編碼器（autoencoder）。自編碼器由一個(gè)編碼器（encoder）函數(shù)和一個(gè)解碼器（decoder）函數(shù)組合而成。編碼器函數(shù)將輸入數(shù)據(jù)轉(zhuǎn)換為一種不同的表示，而解碼器函數(shù)則將這個(gè)新的表示轉(zhuǎn)換回原來(lái)的形式。我們期望當(dāng)輸入數(shù)據(jù)經(jīng)過(guò)編碼器和解碼器之后盡可能多地保留信息，同時(shí)希望新的表示有各種好的特性，這也是自編碼器的訓(xùn)練目標(biāo)。為了實(shí)現(xiàn)不同的特性，我們可以設(shè)計(jì)不同形式的自編碼器。當(dāng)設(shè)計(jì)特征或設(shè)計(jì)用于學(xué)習(xí)特征的算法時(shí)，我們的目標(biāo)通常是分離出能解釋觀察數(shù)據(jù)的變差因素（factors of variation）。在此背景下，“因素”這個(gè)詞僅指代影響的不同來(lái)源；因素通常不是乘性組合。這些因素通常是不能被直接觀察到的量。相反，它們可能是現(xiàn)實(shí)世界中觀察不到的物體或者不可觀測(cè)的力，但會(huì)影響可觀測(cè)的量。為了對(duì)觀察到的數(shù)據(jù)提供有用的簡(jiǎn)化解釋或推斷其原因，它們還可能以概念的形式存在于人類的思維中。它們可以被看作數(shù)據(jù)的概念或者抽象，幫助我們了解這些數(shù)據(jù)的豐富多樣性。當(dāng)分析語(yǔ)音記錄時(shí)，變差因素包括說(shuō)話者的年齡、性別、他們的口音和他們正在說(shuō)的詞語(yǔ)。當(dāng)分析汽車的圖像時(shí)，變差因素包括汽車的位置、它的顏色、太陽(yáng)的角度和亮度。在許多現(xiàn)實(shí)的人工智能應(yīng)用中，困難主要源于多個(gè)變差因素同時(shí)影響著我們能夠觀察到的每一個(gè)數(shù)據(jù)。比如，在一張包含紅色汽車的圖片中，其單個(gè)像素在夜間可能會(huì)非常接近黑色。汽車輪廓的形狀取決于視角。大多數(shù)應(yīng)用需要我們理清變差因素并忽略我們不關(guān)心的因素。顯然，從原始數(shù)據(jù)中提取如此高層次、抽象的特征是非常困難的。許多諸如說(shuō)話口音這樣的變差因素，只能通過(guò)對(duì)數(shù)據(jù)進(jìn)行復(fù)雜的、接近人類水平的理解來(lái)辨識(shí)。這幾乎與獲得原問(wèn)題的表示一樣困難，因此，乍一看，表示學(xué)習(xí)似乎并不能幫助我們。深度學(xué)習(xí)（deep learning）通過(guò)其他較簡(jiǎn)單的表示來(lái)表達(dá)復(fù)雜表示，解決了表示學(xué)習(xí)中的核心問(wèn)題。深度學(xué)習(xí)讓計(jì)算機(jī)通過(guò)較簡(jiǎn)單的概念構(gòu)建復(fù)雜的概念。圖1.2展示了深度學(xué)習(xí)系統(tǒng)如何通過(guò)組合較簡(jiǎn)單的概念（例如角和輪廓，它們反過(guò)來(lái)由邊線定義）來(lái)表示圖像中人的概念。深度學(xué)習(xí)模型的典型例子是前饋深度網(wǎng)絡(luò)或或多層感知機(jī)（multilayer perceptron，MLP）。多層感知機(jī)僅僅是一個(gè)將一組輸入值映射到輸出值的數(shù)學(xué)函數(shù)。該函數(shù)由許多較簡(jiǎn)單的函數(shù)復(fù)合而成。我們可以認(rèn)為不同數(shù)學(xué)函數(shù)的每一次應(yīng)用都為輸入提供了新的表示。