曾凡槊

近年來，深度學(xué)習(xí)技術(shù)已成為人工智能最熱門的研究領(lǐng)域之一，其在自然語言處理、語音識別、圖像處理等領(lǐng)域都取得了突破性進(jìn)展。本文首先簡要介紹了深度學(xué)習(xí)技術(shù)的概念，發(fā)展歷史，之后舉例說明了深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)、教育、安防行業(yè)的應(yīng)用，最后分析了當(dāng)前深度學(xué)習(xí)技術(shù)面臨的挑戰(zhàn)以及未來的發(fā)展前景。

1.引言

2016年，谷歌研發(fā)團(tuán)隊(duì)DeepMind設(shè)計的AlphaGo與韓國圍棋世界冠軍李世石進(jìn)行了圍棋人機(jī)大戰(zhàn)，最終以4比1的總比分獲勝，震驚了世界。AlphaGo是一款圍棋人工智能程序，之所以擁有如此高超的圍棋水平，很大程度上得益于其應(yīng)用的深度學(xué)習(xí)技術(shù)。深度學(xué)習(xí)是人工智能的一個研究方向，近年來由于計算機(jī)算力的提高以及算法的進(jìn)步，其在許多領(lǐng)域如計算機(jī)視覺，語音識別，自然語言處理等已經(jīng)顯現(xiàn)出巨大的能量，取得了許多突破性的進(jìn)展[1]。

深度學(xué)習(xí)的概念最初由加拿大多倫多大學(xué)的Hinton教授和他的學(xué)生在2006年提出。深度學(xué)習(xí)通過建立一個與人腦類似的神經(jīng)網(wǎng)絡(luò)來分析、處理數(shù)據(jù)，主要借助人腦的多層抽象機(jī)制，來實(shí)現(xiàn)對大規(guī)模數(shù)據(jù)的建模[2]。深度學(xué)習(xí)同支撐向量機(jī)，Boosting，最大熵方法等淺層學(xué)習(xí)方法不同，其可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)對復(fù)雜函數(shù)逼近（如對多維數(shù)據(jù)的分布進(jìn)行表示），從而為解決復(fù)雜問題提供了可能。

2.深度學(xué)習(xí)技術(shù)概述

深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)的一種變體。人工神經(jīng)網(wǎng)絡(luò)是利用計算機(jī)技術(shù)對大腦的抽象、簡化和模擬，神經(jīng)網(wǎng)絡(luò)一般是由多個人工神經(jīng)元相互連接組成的。神經(jīng)網(wǎng)絡(luò)廣泛使用的一種連接方式包括三層，分別為: 輸入層、隱藏層和輸出層。其中，輸入層的各神經(jīng)元用于接收輸入信號，并傳輸?shù)诫[藏層的各神經(jīng)元，之后隱藏層中的神經(jīng)元通過激活函數(shù)處理后繼續(xù)將信號傳輸?shù)捷敵鰧痈魃窠?jīng)元。人工神經(jīng)網(wǎng)絡(luò)中的輸入以及各層神經(jīng)元的個數(shù)不固定，隱藏層也可以有多層，在通常情況下隱藏層有5層、6層、甚至10多層，這些都需要根據(jù)所要解決問題的復(fù)雜性而定。

計算機(jī)硬件技術(shù)的發(fā)展為多層神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)提供了基礎(chǔ)，研究者可以通過較高配置的計算機(jī)來建立更多層的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)復(fù)雜的網(wǎng)絡(luò)模型，此時，利用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行“深度學(xué)習(xí)”才有了真正意義。

3.深度學(xué)習(xí)的應(yīng)用

3.1 醫(yī)學(xué)影像分析

目前，在醫(yī)學(xué)領(lǐng)域特別是醫(yī)學(xué)影像分析方面，深度學(xué)習(xí)技術(shù)已被廣泛使用[3]。糖尿病性視網(wǎng)膜病變?nèi)绻患痈深A(yù)，繼續(xù)加重可能會導(dǎo)致失明，全世界范圍內(nèi)有超過4億的糖尿病患者存在該病風(fēng)險，假如能在發(fā)病早期進(jìn)行確診，采取相應(yīng)的治療方式將有很大的幾率治愈。谷歌公司的研究團(tuán)隊(duì)采用深度學(xué)習(xí)技術(shù)建立了一個自動識別模型，模型在超過10萬張視網(wǎng)膜眼底圖像數(shù)據(jù)集上進(jìn)行了訓(xùn)練，圖像數(shù)據(jù)都是經(jīng)過眼科專家逐一標(biāo)注的，保證了訓(xùn)練數(shù)據(jù)的準(zhǔn)確性，之后研究者對模型進(jìn)行了驗(yàn)證，最終機(jī)器的識別效能與人類專家相當(dāng)。未來，當(dāng)該技術(shù)更加成熟達(dá)到臨床應(yīng)用條件后，能夠在保證識別準(zhǔn)確性的同時減少患者的等待時間，患者可以在疾病的早期就能就醫(yī)，防止疾病的進(jìn)一步發(fā)展。

皮膚癌是一種惡性腫瘤，由于其存在于皮膚表面，容易被患者忽視。皮膚癌的篩查主要依賴臨床醫(yī)生的視覺判斷同時結(jié)合臨床表現(xiàn)，若還不能明確診斷，則需進(jìn)行皮膚鏡分析、活檢和病理學(xué)分析。通過皮膚鏡進(jìn)行皮膚癌篩查依賴醫(yī)生豐富的臨床經(jīng)驗(yàn)，由于其復(fù)雜的臨床表型，即使是經(jīng)驗(yàn)豐富的醫(yī)生也不能100%確認(rèn)，常常需要借助病理分析，而病理分析耗時且費(fèi)用昂貴，不能滿足篩查的需要。 2017年初，斯坦福大學(xué)研究團(tuán)隊(duì)利用深度學(xué)習(xí)技術(shù)結(jié)合遷移學(xué)習(xí)技術(shù)，通過對近13萬張皮膚表面圖片的訓(xùn)練，得到了一個可以對超過2000種疾病進(jìn)行識別的智能模型。隨后，研究者將此模型和多位皮膚科醫(yī)生進(jìn)行了識別準(zhǔn)確率的競賽，人工智能系統(tǒng)在較量中均表現(xiàn)出與人類專家不相上下的水平，準(zhǔn)確率接近70%，比人類專家高出近4%。

當(dāng)前，基于深度學(xué)習(xí)技術(shù)的醫(yī)學(xué)影像處理技術(shù)在某些領(lǐng)域達(dá)到甚至超過了人類專家的水平，在不久的將來，隨著技術(shù)的進(jìn)一步發(fā)展，越來越多的醫(yī)院將會開始使用人工智能技術(shù)，輔助臨床醫(yī)生，提高疾病診斷的準(zhǔn)確率和效率。

3.2 教育

訊飛聯(lián)合實(shí)驗(yàn)室是致力于語言認(rèn)知計算領(lǐng)域的技術(shù)創(chuàng)新，已在類人答題、語音轉(zhuǎn)寫、作文評閱等方面進(jìn)行了深入研究，其中，對作文進(jìn)行批閱的機(jī)器智能閱卷系統(tǒng)是其中一項(xiàng)重要的研發(fā)成果，已經(jīng)開始部分試用[4]。

作為考試中的主觀題，利用機(jī)器對作文進(jìn)行批閱困難重重。20世紀(jì)60年代以來、國外許多專家和學(xué)者就致力于這方面的研究，比如托?？荚囎魑臏y評系統(tǒng)Erater系統(tǒng)。Erater系統(tǒng)是一種在線測評英語寫作能力的計算機(jī)系統(tǒng)，學(xué)生在線向該系統(tǒng)提交其撰寫的作文后，3秒之內(nèi)系統(tǒng)即可作出評測，向用戶反饋其文章存在的問題，并給出評分結(jié)果。然而這類系統(tǒng)大部分針對的都是非母語作文，作文中的錯誤大多是一些基礎(chǔ)性拼寫錯誤，或者是初級語法錯誤，通過規(guī)則可以比較容易地讓機(jī)器識別從而實(shí)現(xiàn)批閱。而對于母語作文，情況就復(fù)雜得多，需要從文采、篇章銜接、立意等更高層次做出評判。這種智能閱卷系統(tǒng)能減少教師的重復(fù)勞動，可以減少教師的工作壓力。教師可以有更多的精力來做創(chuàng)造性的工作，例如與學(xué)生進(jìn)行思想交流，啟發(fā)學(xué)生智慧等。

3.3 安防

人臉識別技術(shù)在過去幾年進(jìn)展非常大，特別是結(jié)合了深度學(xué)習(xí)技術(shù)的人臉識別算法，相比幾年前，在同一測試集上新的算法的錯誤率下降十分明顯[5]。人臉識別在安防產(chǎn)業(yè)的應(yīng)用十分廣泛，如對視頻圖像進(jìn)行分析、門禁等。安防領(lǐng)域應(yīng)用人臉識別模型時，尤其要注意光照、角度、表情問題，系統(tǒng)的魯棒性、可靠性要求較高。

目前道路上部署的絕大多數(shù)攝像機(jī)裝置采集的圖像分辨率較低，且為了提高采集范圍，視角設(shè)置的較廣，距離行人較遠(yuǎn)，不能滿足人臉識別算法的基本要求，采集的人臉圖像常常比較模糊，只能從圖像中分辨出人的外形。盡管采集的圖像比較模糊，但如果能利用算法提取人物的身高、衣著等信息也十分有價值。例如，公安機(jī)關(guān)常常需要從視頻信息中確定嫌疑人的逃跑路線，如果算法能夠自動追蹤可疑人物的話將大大提高公安機(jī)關(guān)的辦案效率。

4.深度學(xué)習(xí)技術(shù)面臨的問題

雖然深度學(xué)習(xí)模型具有強(qiáng)大的表示能力，但是這種表示是隱式的，且依賴大量的模型參數(shù)；另一方面，深度學(xué)習(xí)是一個“黑箱”模型，可解釋性差，模型的好壞常常依賴參數(shù)的選擇與優(yōu)化，而參數(shù)優(yōu)化很大程度上是經(jīng)驗(yàn)的[1]。

深度學(xué)習(xí)的理論源于對大腦結(jié)構(gòu)的模擬，而現(xiàn)如今人類對大腦的理解也存在局限性，因此以此為基礎(chǔ)的深度學(xué)習(xí)其理論的正確性與否還未可知，盡管目前其在很多任務(wù)的表現(xiàn)十分亮眼，研究者也設(shè)計了許多深度學(xué)習(xí)模型，但其理論問題一直被反對者詬病。

在工程應(yīng)用時，如何解決海量數(shù)據(jù)訓(xùn)練所需的算力是每個深度學(xué)習(xí)應(yīng)用首先要解決的問題。目前深度模型的訓(xùn)練較長，根據(jù)模型的大小從幾天到幾個月的都有，而隨著互聯(lián)網(wǎng)技術(shù)不斷普及，數(shù)據(jù)樣本將不斷增加，訓(xùn)練時間將會是制約互聯(lián)網(wǎng)公司發(fā)布產(chǎn)品的瓶頸。未來，需要進(jìn)一步完善技術(shù)、發(fā)展適合深度模型的專用芯片等硬件設(shè)備，提高模型的訓(xùn)練效率。

5.討論

雖然深度學(xué)習(xí)模型在許多任務(wù)上取得了突破性進(jìn)展，但還存在理論和工程方面的問題。深度學(xué)習(xí)模型往往依賴大規(guī)模的數(shù)據(jù)集，當(dāng)數(shù)據(jù)十分敏感時，數(shù)據(jù)的安全問題也十分突出，例如深度學(xué)習(xí)在處理醫(yī)療數(shù)據(jù)時，病人的隱私包含需要重點(diǎn)考慮。

深度學(xué)習(xí)技術(shù)發(fā)展是人工智能領(lǐng)域的一大進(jìn)步，未來隨著技術(shù)的不斷成熟，將會為人們的生活帶來更多智能化的體驗(yàn)。