共计 1492 个字符，预计需要花费 4 分钟才能阅读完成。
人工智能和机器学习概念目前在各种场合被频频提到，挪动互联网时代后的将来被预测为人工智能时代，那么人工智能的前世今生是怎么的，到底会给咱们的将来带来什么呢？为了弄清这个问题，咱们能够简略回顾一下人工智能的倒退历史。
其实，人工智能能够追溯到很久以前的年代。在图灵的时代，科学家就试图通过模仿人的意识和思维来解决人类能力实现的简单工作，并提出图灵测试检测机器是否具备真正的“智慧”。随着计算机被创造，信息存储和解决问题被解决，人工智能有了落地的可能。1956 年在达特茅斯会议上，人工智能的概念被明斯基明确提出，应用的正是由神经学家提出的神经网络数据模型，并在此次欠缺了匹配的编程语言，将实现推向更具备现实意义的倒退方向。
神经网络实质是神经元之间的作用与反馈，是人类思维的根底，模仿大脑是长时间以来人工智能的次要思路。两年后，计算机科学家罗森布拉特提出感知机的概念，即两层神经元组成的最简略的神经网络，并用来进行数据二分类。科学界迎来了人工智能的第一缕曙光，更多人开始关注并投身于此。然而人工智能并没有变得大热，明斯基在 1969 年在其著述中证实感知器只能解决线性分类问题，连简略的异或问题都无奈正确分类。这个问题因此成为那一代人工智能畛域学者绕不开的噩梦。人工智能学科随后一度作为最冷门的学科陷入了长达 20 年的停滞。
直到 1986 年，杰弗里·辛顿提出反向流传算法，突破了人工智能万古长夜的场面。该办法无效解决了非线性分类问题的局限性，并宽泛用于多层神经网络构造中，由此带来了深度学习的热潮。为了失去高精度的后果，网络结构一直加深，随着层数加深，深层构造会逐步丢失对于前层的无效学习，反向流传算法中的梯度隐没问题变得不可漠视。不少人开始转向浅层的机器学习办法来解决理论问题。直到 2006 年，杰弗里·辛顿提出了梯度隐没的解决方案，才重启了深度学习的热潮。同时这股热潮开始从学术界席卷工业界，越来越多的公司和机构开始将其利用到语音辨认和图像分类等畛域。正是在这些畛域，深度学习办法开始展现出显著优于传统浅层机器学习办法的劣势。2012 年之后，各种神经网络构造和调优办法的提出使深度学习性能失去了大幅晋升，但即便算法和算力不断加强，深度学习动辄几十个小时的训练和海量的训练数据要求还是把很多人拒之门外。
为了解决向训练数据少的畛域迁徙问题，迁徙学习应运而生，它解决了将原畛域学习到的货色迁徙到指标畛域的问题，并无效利用曾经习得的模型参数，大大缩短了模型训练工夫，被认为是人工智能算法的将来。
人工智能学科通过长期积淀和倒退，相干的算法曾经具备了解决各种简单问题的能力，以最低的老本应用深度学习神经网络解决各个细分畛域的问题成了人工智能暴发期的要害。人工智能给人类带来的粗浅改革是接下来工夫里大概率产生的事。正如互联网 + 的模式扭转了咱们衣食住行的各个方面，将来 AI+ 的模式肯定也会以同样的形式席卷各个行业的细分畛域，车联网、家电畛域、医疗、农业、制造业等行业都须要更加精准的模式帮忙人类解决简单工作。
华为机器学习服务基于这样的理念推出自定义模型服务，它采纳迁徙学习的办法帮忙开发者轻松定义本人的模型，只须要筹备大量畛域数据，就能够获取畛域模型，大大降低了深度学习的门槛。置信将来，人工智能不再仅仅作为多数人的工具，而是能够利用于各行各业，给人类社会的方方面面带来更加智能、更加个性化的体验。
—
原文链接：
https://developer.huawei.com/consumer/cn/forum/topic/0204428045740460728?fid=18
作者：timer