遠(yuǎn)在古希臘時期，發(fā)明家就夢想著創(chuàng)造能自主思考的機器。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)思可編程計算機時，就已經(jīng)在思考計算機能否變得智能（盡管這距造出第一臺計算機還有一百多年）（Lovelace，1842）。如今，人工智能（artificial intelligence，AI）已經(jīng)成為一個具有眾多實際應(yīng)用和活躍研究課題的領(lǐng)域，并且正在蓬勃發(fā)展。我們期望通過智能軟件自動地處理常規(guī)勞動、理解語音或圖像、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，那些對人類智力來說非常困難、但對計算機來說相對簡單的問題得到迅速解決，比如，那些可以通過一系列形式化的數(shù)學(xué)規(guī)則來描述的問題。人工智能的真正挑戰(zhàn)在于解決那些對人來說很容易執(zhí)行、但很難形式化描述的任務(wù)，如識別人們所說的話或圖像中的臉。對于這些問題，我們?nèi)祟愅梢詰{借直覺輕易地解決。針對這些比較直觀的問題，本書討論一種解決方案。該方案可以讓計算機從經(jīng)驗中學(xué)習(xí)，并根據(jù)層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關(guān)系來定義。讓計算機從經(jīng)驗獲取知識，可以避免由人類來給計算機形式化地指定它需要的所有知識。層次化的概念讓計算機構(gòu)建較簡單的概念來學(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)生在相對樸素且形式化的環(huán)境中，而且不要求計算機具備很多關(guān)于世界的知識。例如，IBM的深藍(lán)（Deep Blue）國際象棋系統(tǒng)在1997年擊敗了世界冠軍Garry Kasparov（Hsu，2002）。顯然國際象棋是一個非常簡單的領(lǐng)域，因為它僅含有64個位置并只能以嚴(yán)格限制的方式移動32個棋子。設(shè)計一種成功的國際象棋策略是巨大的成就，但向計算機描述棋子及其允許的走法并不是這一挑戰(zhàn)的困難所在。國際象棋完全可以由一個非常簡短的、完全形式化的規(guī)則列表來描述，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)對人類而言是最困難的腦力任務(wù)之一，但對計算機而言卻屬于最容易的。計算機早就能夠打敗人類最好的國際象棋選手，但直到最近計算機才在識別對象或語音任務(wù)中達(dá)到人類平均水平。一個人的日常生活需要關(guān)于世界的巨量知識。很多這方面的知識是主觀的、直觀的，因此很難通過形式化的方式表達(dá)清楚。計算機需要獲取同樣的知識才能表現(xiàn)出智能。人工智能的一個關(guān)鍵挑戰(zhàn)就是如何將這些非形式化的知識傳達(dá)給計算機。一些人工智能項目力求將關(guān)于世界的知識用形式化的語言進行硬編碼（hard-code）。計算機可以使用邏輯推理規(guī)則來自動地理解這些形式化語言中的聲明。這就是眾所周知的人工智能的知識庫（knowledge base）方法。然而，這些項目最終都沒有取得重大的成功。其中最著名的項目是Cy c（Lenat and Guha，1989）。Cy c包括一個推斷引擎和一個使用CycL語言描述的聲明數(shù)據(jù)庫。這些聲明是由人類監(jiān)督者輸入的。這是一個笨拙的過程。人們設(shè)法設(shè)計出足夠復(fù)雜的形式化規(guī)則來精確地描述世界。例如，Cy c不能理解一個關(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正拿著一個電動剃須刀，它認(rèn)為實體——“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——Fred在刮胡子的時候是否仍然是一個人。依靠硬編碼的知識體系面臨的困難表明，AI系統(tǒng)需要具備自己獲取知識的能力，即從原始數(shù)據(jù)中提取模式的能力。這種能力稱為機器學(xué)習(xí)（machine learning）。引入機器學(xué)習(xí)使計算機能夠解決涉及現(xiàn)實世界知識的問題，并能做出看似主觀的決策。比如，一個稱為邏輯回歸（logistic regression）的簡單機器學(xué)習(xí)算法可以決定是否建議剖腹產(chǎn)（Mor-Yosef et al.， 1990）。而同樣是簡單機器學(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。這些簡單的機器學(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，AI系統(tǒng)不會直接檢查患者。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)生正式的報告作為邏輯回歸的輸入，它將無法做出有用的預(yù)測。MRI掃描的單一像素與分娩過程中并發(fā)癥之間的相關(guān)性微乎其微。在整個計算機科學(xué)乃至日常生活中，對表示的依賴都是一個普遍現(xiàn)象。在計算機科學(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)級地加快。人們可以很容易地在阿拉伯?dāng)?shù)字的表示下進行算術(shù)運算，但在羅馬數(shù)字的表示下，運算會比較耗時。因此，毫不奇怪，表示的選擇會對機器學(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)都可以通過以下方式解決：先提取一個合適的特征集，然后將這些特征提供給簡單的機器學(xué)習(xí)算法。例如，對于通過聲音鑒別說話者的任務(wù)來說，一個有用的特征是對其聲道大小的估計。這個特征為判斷說話者是男性、女性還是兒童提供了有力線索。然而，對于許多任務(wù)來說，我們很難知道應(yīng)該提取哪些特征。例如，假設(shè)我們想編寫一個程序來檢測照片中的車。我們知道，汽車有輪子，所以我們可能會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)像素值來描述車輪看上去像什么。雖然車輪具有簡單的幾何形狀，但它的圖像可能會因場景而異，如落在車輪上的陰影、太陽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。解決這個問題的途徑之一是使用機器學(xué)習(xí)來發(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設(shè)計的表示表現(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單的任務(wù)發(fā)現(xiàn)一個很好的特征集，對于復(fù)雜任務(wù)則需要幾小時到幾個月。手動為一個復(fù)雜的任務(wù)設(shè)計特征需要耗費大量的人工、時間和精力，甚至需要花費整個社群研究人員幾十年的時間。表示學(xué)習(xí)算法的典型例子是自編碼器（autoencoder）。自編碼器由一個編碼器（encoder）函數(shù)和一個解碼器（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)則將這個新的表示轉(zhuǎn)換回原來的形式。我們期望當(dāng)輸入數(shù)據(jù)經(jīng)過編碼器和解碼器之后盡可能多地保留信息，同時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)。為了實現(xiàn)不同的特性，我們可以設(shè)計不同形式的自編碼器。當(dāng)設(shè)計特征或設(shè)計用于學(xué)習(xí)特征的算法時，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”這個詞僅指代影響的不同來源；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)實世界中觀察不到的物體或者不可觀測的力，但會影響可觀測的量。為了對觀察到的數(shù)據(jù)提供有用的簡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)分析語音記錄時，變差因素包括說話者的年齡、性別、他們的口音和他們正在說的詞語。當(dāng)分析汽車的圖像時，變差因素包括汽車的位置、它的顏色、太陽的角度和亮度。在許多現(xiàn)實的人工智能應(yīng)用中，困難主要源于多個變差因素同時影響著我們能夠觀察到的每一個數(shù)據(jù)。比如，在一張包含紅色汽車的圖片中，其單個像素在夜間可能會非常接近黑色。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。許多諸如說話口音這樣的變差因素，只能通過對數(shù)據(jù)進行復(fù)雜的、接近人類水平的理解來辨識。這幾乎與獲得原問題的表示一樣困難，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）通過其他較簡單的表示來表達(dá)復(fù)雜表示，解決了表示學(xué)習(xí)中的核心問題。深度學(xué)習(xí)讓計算機通過較簡單的概念構(gòu)建復(fù)雜的概念。圖1.2展示了深度學(xué)習(xí)系統(tǒng)如何通過組合較簡單的概念（例如角和輪廓，它們反過來由邊線定義）來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（multilayer perceptron，MLP）。多層感知機僅僅是一個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。