卷积神经网络无处不在 人工智能和深度学习将走向何方

虽然机器学习和深度学习都是人工智能学中构成的要素，但是“深度学习”被人们赋予了家族中的“聪明之星”的称号，改进了长期以来的预测准确性标准。在今年人工智能和深度学习将会如何发展，又会发生什么有趣的事情。

随着我们的日常生活与各种各样的技术越来越紧密地交织在一起，有时候，似乎未来已经到来。然而，技术仍在不断发展，人工智能（AI）已经占据了这一领域的中心地位。在许多前进力量的支持下，人工智能继续激发公众对未来的想象。亚马逊的Alexa、Netflix的推荐系统以及SnapChat滤镜等的创新，进一步推动了这一信念，这些都是人工智能进入个性化领域的优秀范例。

最常见的人工智能构成部分，以及人工智能家族中的“聪明之星”，都是“深度学习”。深度学习是一种数据学习的模式，近年来改进了长期以来的预测准确性标准。除了传统的预测建模之外，它还在语音识别和计算机视觉领域有突出贡献。然而，随着我们迎接新年的到来，事情将变得更加有趣。让我们来看看2018年的深度学习（以及更广泛的人工智能）的情况。

卷积神经网络（几乎）无处不在

卷积神经网络是一种复杂的学习模型，它的优点是需要对数据进行最少的预处理或“清理”。主要被应用于“解决”视觉图像分类和处理，目前开始应用于更多的案例。

其理念是，视觉世界是合成的，因此图像可以被分解成最基本的特征。例如，一个风景的图像由各种各样的物体组成;这些物体由轮廓和线条组成，而这些线条又由像素组成。Covnets能够识别这些成分，并创建分层的抽象世界概念，使各种识别任务变得更容易。

目前，Facebook的照片标签和面部识别功能都使用了Covnets。在2018年，我们可以预计，Covnets将更广泛的应用于自动驾驶领域，特斯拉的ModelX已经在使用Covnets来实现自动驾驶的相关功能。更近的，像Quere.ai这样的公司正在使用Covnets，并且在医学成像的诊断方面取得了显著的成功。预计公司将开始为这些高度精确的学习模式寻找不同的应用。

人工智能将加强数据安全

虽然机器学习和深度学习模型具有前所未有的预测精度，但有些目前仍容易受到质疑。例如，在受监督的机器学习中，模型学习标记数据的某些特征，训练和测试数据被假定来自相同的数据分布。如果数据在这个假设中失真，那么模型的预测精度就会受到很大的影响。以垃圾邮件过滤为例——如果将随机文本和图像添加到消息中，消息可能会绕过垃圾邮件检测系统。这就是为什么你的收件箱里塞满了垃圾邮件，尽管有一个系统可以阻止它。

安全部门巨头McAfee公司认为，将数字安全考虑在内，2018年勒索软件和其他数字威胁（比如对全球社会造成恐慌的“WannaCry”）越来越多地利用机器学习和深度学习技术。具体来说，这些模型将威胁到检测模型，从检测模型的防御反应中学习，并利用发现的漏洞来破坏检测模型，其速度比防御者修补漏洞的速度更快。

为了抵御这些技术，McAfee公司的工程师们一直在研究对抗机器学习，并组建一个先进的防御研究团队来为这些漏洞创建解决方案。要真正抵御这种攻击，唯一的办法是建立一种更为普遍的学习模式，甚至能找出最微小的异常。在这方面，一些有趣的研究正在进行中。

结论

在过去的两三年里，人工智能和深度学习在公共领域出现了爆炸式的增长，推出了一些令人兴奋的产品。在2018年和未来几年，它们将越来越多地出现在我们的日常互动中，尤其是在移动应用领域。

随着移动硬件地快速发展，它将能够支持复杂的深度学习任务。例如，苹果的iOS11支持CoreML，这是一款面向iOS开发者的机器学习工具包。未来，开发者将可以部署支持文本预测和图像识别的应用（比如SnapChat），不需要任何机器学习的知识。很显然，人工智能和深度学习的未来充满活力和前景。我们看到这种变化和进步的速度有多快，只有时间能给予我们答案。因此，随着新的一年的展开，让我们拭目以待，看看这一细分领域的表现吧。