在人工智能的早期,那些对人类智力来说非常困难、但对计算机来说相对简单
的问题得到迅速解决,比如,那些可以通过一系列形式化的数学规则来描述的问题。
人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务,
如识别人们所说的话或图像中的脸。对于这些问题,我们人类往往可以凭借直觉轻
易地解决。
针对这些比较直观的问题,本书讨论一种解决方案。该方案可以让计算机从经
验中学习,并根据层次化的概念体系来理解世界,而每个概念则通过与某些相对简
单的概念之间的关系来定义。让计算机从经验获取知识,可以避免由人类来给计算
机形式化地指定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学
习复杂概念。如果绘制出这些概念如何建立在彼此之上的图,我们将得到一张‘‘深’’
的问题得到迅速解决,比如,那些可以通过一系列形式化的数学规则来描述的问题。
人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务,
如识别人们所说的话或图像中的脸。对于这些问题,我们人类往往可以凭借直觉轻
易地解决。
针对这些比较直观的问题,本书讨论一种解决方案。该方案可以让计算机从经
验中学习,并根据层次化的概念体系来理解世界,而每个概念则通过与某些相对简
单的概念之间的关系来定义。让计算机从经验获取知识,可以避免由人类来给计算
机形式化地指定它需要的所有知识。层次化的概念让计算机构建较简单的概念来学
习复杂概念。如果绘制出这些概念如何建立在彼此之上的图,我们将得到一张‘‘深’’
(层次很多)的图。基于这个原因,我们称这种方法为AI深度学习(deep learning)
使用机器学习来发掘表示本身,而不仅仅把表示映射到输出。这种方法我们称之为表示学习(representation learning)