AI入门| 微软ATP带你看DNN的现实应用

（本文阅读时间：5分钟）

说到深度神经网络（DNN），今天从颇负盛名的AlphaGo聊起。

AlphaGo是2016年上线的智能机器人，当年挑战了韩国的九段棋手李世石，并以4:1的战绩大获全胜。

其实，像AlphaGo这样和人类对弈的程序出现得很早。在20世纪90年代，媒体和学术界的一些人都认为，计算机程序虽然能在国际象棋上击败人类，却不可能在围棋上击败人类。

因为采取穷举法，可以将国际象棋盘上六十四个格子里所有可能出现的排列全部枚举一遍，然后再计算每一种排列取胜的概率，以此来战胜人类。

但围棋的棋盘上有361个点，如果全部枚举，最终得到的排列情况将会是一个天文数字，可能比整个宇宙中原子的数量还要多，这是根本不可能做到的。

AlphaGo挑战了这一观点，它并没有去穷尽所有可能，只是学习了一百多万盘人类对弈的棋局，然后利用深度神经网络从中提取人类对弈的各种模式，获取有效步骤，忽略无效步骤，这就是它的神奇之处。

AlphaGo虽然神奇，却离我们很远，我们很难有机会接触到它。

离我们最近的一个深度学习应用是智能音箱。

现在智能音箱的种类非常多，不管是哪种，都可以实现通过语音控制执行各种操作，这涉及到语音识别功能。我们还可以和智能音箱进行对话，这是聊天机器人功能，包括了语音识别和语音合成。

音频特征提取可以通过预处理将音频信号转换为可以用于训练的数值特征，然后通过多层神经网络对音频特征进行学习和分类。

这些功能是利用机器学习或深度学习实现的，语音是目前深度学习落地最充分、实战性最强的一个领域。

另一个深度学习的应用领域是自动驾驶，包括特斯拉在内的许多公司都进行了这方面的研究。

自动驾驶非常复杂，是一系列综合技术。研发者除具备汽车工程方面的相关技术外，还应掌握感知技术和驾驶算法。

两种感知方法

一种是利用图像识别，通过对采集来的图像进行分析，另一种是通过激光雷达进行感知。

然后，再利用驾驶算法对感知结果进行计算并决策，判断当前汽车应该进行什么样的操作，到底是加速还是减速，左拐还是右拐，起步还是停车。这种算法相当复杂，也是深度学习研究方向之一。