日前，2017全国双创活动周在上海拉开帷幕，百度创始人李彦宏作为“双创”领袖代表在启动仪式上致辞。在发言中，“人工智能忠实粉丝”的他除了介绍了AI技术对于创新创业的推动作用外，还提到了一些神秘字符——
技术在人工智能时代起到的作用非常大，而且技术进步的速度也很快……过去几年，深度学习从DNN，到RNN，到CNN，再到GAN，不停地在升级换代，触发新的创新。
掐指一算，这段话里一共出现了7个N。人工智能技术虽然现在已经不是新概念，但这些N究竟是怎么意思？DNN（深度神经网络）、RNN（循环神经网络）、CNN（卷积神经网络）、GAN（生成式对抗网络）究竟代表了什么技术，为何最近人工智能技术会飞速发展，结合到人工智能的未来又将会如何呢？
一、李彦宏说的几组N是啥意思
李彦宏说到DNN（深度神经网络），RNN（循环神经网络），CNN（卷积神经网络），GAN（生成式对抗网络）其实都是深度学习的内容。这些名词听上去高深莫测。其实道理并不复杂。
（一）DNN是啥
所谓神经网络其实这个词是后来的，最早这个东西叫感知机，就是有一个输入层，一个隐含层，一个输出层。通过算法迭代完成一个解。
但是只有一层是处理不了复杂函数的，于是后来就发明了多层感知机，有多个隐含层，然后有算法让各个层的各个节点互相联通。
这种联通很像人体中的神经，于是这种多层的感知机就有了名字叫神经网络。
理论上，隐含层当然是越多越好，但是科学家在使用中发现层数多了往往是局部最优。
就好比你下象棋，多层数的神经网络，算了很多步，计算怎么把对方的马吃了，然后选了最佳一步棋。但是下棋是杀死对方的帅啊，吃掉马能占据子力优势，但是并不一定赢啊。
为了吃掉对方马的最优步，不一定是赢棋的最优步，这个问题不解决，层数多了反而不好用。
同时层数多了，训练数据的有效性就弱了，整体学习的效率也就不行了。
这个难题一直到2006年才解决，然后DNN（深度神经网络）就流行了。
（二）DNN引出的CNN
DNN已经可以实用，但是DNN的问题是参数太多，每个点连接产生的数据量太大，虽然有算法改良还是容易陷入局部最优，而现实中有些东西是固定，不需要一层层地去学习计算。
于是，科学家就提出一个叫“卷积核”的东西，用这个东西来降低参数量，参数量少了，计算效率就提升了，而且陷入局部最优解的概率也就下来了，深度计算就好用了。
（三）时间问题引出的RNN
全部连接的DNN存在一个问题，就是没法按照时间序列的变化建立模型。但是人工智能深度学习的东西可不是静态的。
语音识别是动态的，手写也是动态的，需要解决时间序列的问题，于是就有了RNN（循环神经网络）。在DNN的基础上发展出时间戳，发展出长短时记忆单元，可以有解决时间序列的应用，这就是RNN。
（四）以假乱真的GAN
GAN（生成式对抗网络）是给生成模型用的，机器出来的语言，图像能够以假乱真，需要一个标准，需要一个判定模型。譬如要模拟生成一张画，就有一个生成画的模型，有一张事实存在的画，有一个判定生成的画，与事实存在的画差异的模型。
首先固定生成模型，反复训练判断模型，让判断模型学会判断，判断模型学习好了，就可以训练生成模型，最终让生成模型生成的东西能以假乱真。
我们听到百度度秘能模仿人说话，就是这种技术在起作用。
二、人工智能会如何改变我们的未来
最近几年，人工智能发展实际上是计算能力，算法，数据的发展。
算法进步第一部分已经说明，不在此重复。
计算能力进步是最近这些年云计算兴起，异构计算兴起，计算能力廉价，能够让深度学习实用化。
而数据要感谢互联网和移动互联网，以及各种传感器和电子技术的进步，人类掌握了空前的大数据，使得深度学习有了充分的学习资料，从而变得越来越实用化。
在人工智能实际应用中，李彦宏说的DNN、CNN、RNN、GAN是混在一起用的。度秘看到你，识别你的面孔需要CNN，听取你的语音需要RNN，回答你生成语言需要GAN。
而在人工智能技术发展起来之后，现代社会中简单的劳动都可以让人工智能来做。
农业采摘可以让机器视觉替代人类，结合机械来完成。采矿可以让人工智能替代人类来自动完成，运输可以由无人驾驶技术完成，销售与客服可以由人工智能的语音识别和多轮对话来替代……
人工智能的应用将大幅度提升劳动生产率，加快物质财富的制造速度。
无乐趣的艰苦体力劳动将被人工智能替代，我们将有更多的时间娱乐，创造，每个人都将从人工智能时代中受益。我们将有更美好的未来。
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
