人工智能(Artificial Intelligence)是一個最廣泛的概念，人工智能的目的就是讓計算機這臺機器能夠象人一樣思考，而機器學(xué)習(xí)(Machine Learning)是人工智能的分支，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，使之不斷改善自身的性能。

　　深度學(xué)習(xí)(Deep Learning)是一種機器學(xué)習(xí)的方法，它試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個處理層（神經(jīng)網(wǎng)絡(luò)）對數(shù)據(jù)進行高層抽象的算法。

　　神經(jīng)網(wǎng)絡(luò)是一組大致模仿人類大腦構(gòu)造設(shè)計的算法，用于識別模式。神經(jīng)網(wǎng)絡(luò)通過機器感知系統(tǒng)解釋傳感器數(shù)據(jù)，能夠?qū)υ驾斎脒M行標記或聚類等操作。神經(jīng)網(wǎng)絡(luò)所能識別的模式是數(shù)值形式，因此圖像、聲音、文本、時間序列等一切現(xiàn)實世界的數(shù)據(jù)必須轉(zhuǎn)換為數(shù)值。

　　在深度學(xué)習(xí)網(wǎng)絡(luò)中，每一個節(jié)點層在前一層輸出的基礎(chǔ)上學(xué)習(xí)識別一組特定的特征。隨著神經(jīng)網(wǎng)絡(luò)深度增加，節(jié)點所能識別的特征也就越來越復(fù)雜，因為每一層會整合并重組前一層的特征。

　　上圖顯示了一個神經(jīng)網(wǎng)絡(luò)用于判定一個圖片是不是一條狗的過程，輸入是圖片，通過深層神經(jīng)網(wǎng)絡(luò)對狗的低層特征進行抽象，最后輸出是圖片是狗的概率。

　　深度學(xué)習(xí)的過程同樣是分為訓(xùn)練和推理（既“評估”）兩個過程，通過訓(xùn)練過程來獲得數(shù)據(jù)模型，然后用于評估新的數(shù)據(jù)。

　　數(shù)據(jù)模型分為兩種，一種是所謂判別模型(Discriminative Model)，也就是說模型可以直接用來判別事物的。這里所說的判別事物，最典型的就是做分類。既然直接可以用來分類，也就是說我們可以在已知屬性的條件下，對該記錄進行判斷。所以，判別模型是對條件概率進行的建模，也就是p(Y|X)。這里X就是屬性集合，實際上就是一個向量；而Y則可能是一個值（此時對應(yīng)分類問題）， 可能是一個向量（此時對應(yīng)序列標注問題）。判別模型常用于處理分類問題（比如鑒定垃圾郵件）、圖像識別等等。

　　再說一說生成模型(Generative Model)。生成模型可以描述數(shù)據(jù)的生成過程。換句話說，已知了這個模型，我們就可以產(chǎn)生該模型描述的數(shù)據(jù)。而數(shù)據(jù)由兩部分組成，也就是(X,Y)，前者是特征，后者則是類別(Y是標量)或者序列類別(Y是向量)。要描述整個數(shù)據(jù)，也就是要對p(X,Y)進行建模，所以是對聯(lián)合概率進行建模。生成模型本身不是做分類或者序列標注的，但是可以用來解決這些問題，也可以用于生成式問題，比如聊天機器人、比如AI譜曲等問題。

　　而機器學(xué)習(xí)可以分成下面幾種類別：

　　·         監(jiān)督學(xué)習(xí)從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個函數(shù)，當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是包括輸入和輸出，也可以說是特征和目標。訓(xùn)練數(shù)據(jù)中的目標是由人標注的。常見的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計分類。

　　·         無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)相比，訓(xùn)練集沒有人為標注的結(jié)果。常見的無監(jiān)督學(xué)習(xí)算法有聚類。

　　·         半監(jiān)督學(xué)習(xí)介于監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間。它主要考慮如何利用少量的標注樣本和大量的未標注樣本進行訓(xùn)練和分類的問題。。

　　·         增強學(xué)習(xí)通過觀察來學(xué)習(xí)做成如何的動作。每個動作都會對環(huán)境有所影響，學(xué)習(xí)對象根據(jù)觀察到的周圍環(huán)境的反饋來做出判斷。

　　在傳統(tǒng)的機器學(xué)習(xí)領(lǐng)域，監(jiān)督學(xué)習(xí)最大的問題是訓(xùn)練數(shù)據(jù)標注成本比較高，而無監(jiān)督學(xué)習(xí)應(yīng)用范圍有限。利用少量的訓(xùn)練樣本和大量無標注數(shù)據(jù)的半監(jiān)督學(xué)習(xí)一直是機器學(xué)習(xí)的研究重點。

　　當前非常流行的深度學(xué)習(xí)GAN模型和半監(jiān)督學(xué)習(xí)的思路有相通之處，GAN是“生成對抗網(wǎng)絡(luò)”（Generative Adversarial Networks）的簡稱，包括了一個生成模型G和一個判別模型D，GAN的目標函數(shù)是關(guān)于D與G的一個零和游戲，也是一個最小-最大化問題。

　　GAN實際上就是生成模型和判別模型之間的一個模仿游戲。生成模型的目的，就是要盡量去模仿、建模和學(xué)習(xí)真實數(shù)據(jù)的分布規(guī)律；而判別模型則是要判別自己所得到的一個輸入數(shù)據(jù)，究竟是來自于真實的數(shù)據(jù)分布還是來自于一個生成模型。通過這兩個內(nèi)部模型之間不斷的競爭，從而提高兩個模型的生成能力和判別能力。

　　目前主流的深度學(xué)習(xí)框架:

　　·         Caffe 由Berkeley提出

　　·         TensorFlow 由Google提出 (Apache 2.0)

　　·         Torch (BSD License), facebook是主要使用者

　　·         MXNet 一個相對中立的機器學(xué)習(xí)框架(Apache 2.0), 被Amazon AWS使用

　　·         CNTK2 由Microsoft提出 (MIT License)

　　人工智能在各個行業(yè)的公司分布

　　目前人工智能在各個領(lǐng)域的初創(chuàng)公司數(shù)量（2016年的數(shù)據(jù)）：

　　·         Deep learning/機器學(xué)習(xí)（通用）(123家公司)

　　·         Deep learning/機器學(xué)習(xí) (應(yīng)用) (260家公司)

　　·         NLP (通用) (154家公司)

　　·         NLP (語音識別) (78家公司)

　　·         計算機視覺/圖像識別 (通用) (106家公司)

　　·         計算機視覺/圖像識別 (應(yīng)用) (83 家公司)

　　·         手勢控制 (33 家公司)

　　·         虛擬個人助理 (92 家公司)

　　·         智能機器人 (65 家公司)

　　·         推薦系統(tǒng) (60 家公司)

　　·         Context aware computing (28 家公司)

　　·         語音即時翻譯 (15 家公司)

　　·         視頻識別 (14 家公司)

　　Sentient Technologies：使用先進的人工智能技術(shù)，大規(guī)模分布式計算和科學(xué)的方法來驗證新發(fā)現(xiàn)的策略，Sentient Technologies為各種領(lǐng)域中的復(fù)雜問題提供了新的解決方案。

　　Ayasdi：機器學(xué)習(xí)平臺，數(shù)據(jù)可視化，分析，金融技術(shù)，醫(yī)療保健代理系統(tǒng)：

　　Vicarious: 這是一家神秘的人工智能公司,Vicarious的目標定位于“建立下一代的人工智能算法”。并且聲稱要構(gòu)建“像人類一樣思考的軟件”，實現(xiàn)“人腦級別的視覺、語言和自動控制系統(tǒng)”，致力于研究通用人工智能，目前他們的研究重點是實現(xiàn)人工視覺識別系統(tǒng)。

　　Context Relevant：Context Relevant通過使用機器學(xué)習(xí)驅(qū)動的自動化數(shù)據(jù)科學(xué)平臺，來解決一些世界上最棘手的大數(shù)據(jù)，預(yù)測和行為挑戰(zhàn) - 比任何其他解決方案更快更有效。

　　Cortia：Cortica的技術(shù)模擬人類皮層，以便以最高的精度理解和識別圖像。

　　Workfusion：WorkFusion是全球運營的完整自動化解決方案，將您需要的復(fù)雜業(yè)務(wù)流程數(shù)字化所需的核心功能整合到一個平臺中：業(yè)務(wù)流程管理（BPM），機器人過程自動化（RPA），勞動力編排和機器學(xué)習(xí)提供的認知自動化。

　　RapidMiner：開源預(yù)測分析平臺，使企業(yè)能夠在業(yè)務(wù)流程中包括預(yù)測分析

　　Digital Reasoning Systems：確保合規(guī)性，保持安全性，并快速準確地分析信息。

　　H2O.ai：H2O是世界領(lǐng)先的開源深度學(xué)習(xí)平臺。 H2O被超過80,000個數(shù)據(jù)科學(xué)家和超過9,000個組織使用。

　　Viv Labs：Viv在開發(fā)語音智能助理，已被三星收購。

　　參考文獻：

　　http://fortune.com/ai-artificial-intelligence-deep-machine-learning/

　　https://en.wikipedia.org/wiki/Artificial_neural_network

　　http://fortune.com/2017/02/23/artificial-intelligence-companies/

　　https://www.amazon.com/b?ie=UTF8&node=16008589011#

　　http://techemergence.com/artificial-intelligence-industry-an-overview-by-segment/

　　Nvidia Deep Learning Training Workshop

　　Crunchbase

　　CB Insights