什么是机器学习？

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

基本简介：

机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测xyk欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。比如，Langley（1996) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。（Machine learning is a science of the artificial The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience'）Tom Mitchell的机器学习(1997)对信息论中的一些概念有详细的解释,其中定义机器学习是提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through experience）Alpaydin（2004）同时提出自己对机器学习的定义，“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”（Machine learning is programming computers to optimize a performance criterion using example data or past experience）

尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。

机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。

机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。

机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。

第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…>

第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。

第三阶段是从70年代中叶至80年代中叶，称为复兴时期。

机器学习的最新阶段始于1986年。

机器学习进入新阶段的重要表现在下列诸方面：

(1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。

(2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。

(3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

(4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。

(5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。

1、Web后端开发：包括Web服务器编程、Web应用系统、数据库应用等；
2、移动后端开发：包括移动应用服务器编程、移动应用系统、移动应用数据库应用等；
3、云计算后端开发：包括分布式系统、虚拟化技术、大数据处理、云存储、云计算技术等；
4、物联网后端开发：包括物联网协议、物联网平台、物联网数据处理等；
5、智能家居后端开发：包括智能家居服务器编程、智能家居应用系统、智能家居数据库应用等；
6、网络安全后端开发：包括网络安全服务器编程、网络安全应用系统、网络安全数据库应用等；
7、智能语音后端开发：包括智能语音服务器编程、智能语音应用系统、智能语音数据库应用等；
8、机器学习后端开发：包括机器学习服务器编程、机器学习应用系统、机器学习数据库应用等；

作者：朱克力博士 国研新经济研究院创始院长、新经济智库（CiNE）首席研究员、湾区新经济研究院院长

一、新基建位居“两新一重”之首

2020年的政府工作报告中，首次写入“新基建”这一概念。

作为“两新一重”的重要内容，“新基建”与“新型城镇化建设”“交通、水利等重大工程建设”并举，成为政府扩大有效投资的重点。了解并读懂新基建，成为一项富有意义的工作。

(一) 如何理解新基建

首先，新基建不是对传统基建的简单补充，而是国家级统筹安排的新经济运行必需基本建设。新基建的新力量是“新经济基础设施”，具体行业包括但不限于5G、AI、大数据、工业互联网、新能源 汽车 充电桩，以及城际高铁、轨道交通等。

其次，新基建不是应对疫情和复苏经济的权宜之计，而应着眼于高新 科技 进入新阶段的战略性布局。从短期看，新基建的“新”在于，以房地产为代表的传统基础设施转向信息设施为代表的新型基础设施；从中期看，则是为建立高壁垒的 科技 行业矩阵布局打基础，毕竟 科技 才是21世纪的大国竞争主战场；从长期来看，是综合现阶段可持续发展的经济增长方式向未来构建强有力的经济体发展转变，对一带一路和新型全球化衔接作用也应起到不容低估的作用。

再者，新基建不应采取传统基建那种政府主导的投资模式，而应以企业为投资主力。也就是说，新基建的本质不是投资属性而是产业属性，尊重市场的逻辑是其第一要义。

(二) 新基建加速哪些行业迎来需求大爆发

最近几年，信息技术的迭代一直是牵连行业降本增效、消费场景升级、互联网商业模式革新的关键。2020年是中国进入5G正式商用的关键一年，新基建将是5G进入高速发展期的强力支撑，相关5G基站、5G传输设备、5G核心网、5G芯片与其他相关电子元器件的生产制造商有望迎来井喷式增长。

而随着5G的大规模商用，云数据中心及相关产品、边缘数据中心及相关产品也将随之投入市场，到2022年，50%以上的企业数据会在数据中心或云之外产生且处理。

与此同时，已在近几年跑热的AI行业，也将在以上二者的算力、算法和数据的协同之下突破近30年来的瓶颈，目前来看，与此相关的芯片、服务器、云计算基设，机器学习、VR/AR、语义识别、自然语言处理等应用也将驶入快车道，加上AI向下应用化与通用化，将在产业应用和场景应用融合下成为下一个发展期的新风口。

新基建的真正爆发，在于通过新技术重塑传统行业价值链，带动新一轮高质量增长。以金融领域为例，在人工智能、大数据、云计算、区块链等新技术的推动下，金融 科技 行业喷薄发展，如金融壹账通就推出了覆盖银行业前中后台的智能办公、智能营销、智能风控、智能运营、智能产品，即使一季度受疫情影响，其所有线上运营类产品收入同比上升148%，数字化转型成效明显。

(三) 新基建加速为哪类企业带来利好机会

与新经济行业对应，新基建的加速将为芯片研发及制造、云处理服务、边缘计算相关、AI相关等创新企业带来政策机遇与投资利好，对基站建造、轨道交通类企业将带来较大业务涨幅，也为具备创新性、具备完善技术与高商业认知的创业团队带来难得的市场机会。

以医疗行业为例。疫情期间，武汉雷神山医院和武汉协和医院西院区依托5G技术，将病人CT等医疗影像及其他医疗相关治疗信息等实时传回至北京指挥中心，指挥中心再通过云端调取对应专业的专家完成对疑难病例的影像学及其他问题的综合研判，为前线积极救治病人提供了实时协助。5G具备的高带宽、低延时、广联接等优势，有效解决了远程诊疗实时性差、清晰度低和卡顿等问题。因此，通过5G实现大量医疗设备互联，大力推动专家在线会诊，优化医疗资源使用，也被认为是“医学界质的飞跃”。而从医疗阵地，到车联网、无人驾驶、工业互联网、智慧家居、智慧城市等新应用场景，5G开启的“新联接”，正在激荡起人们对未来发展的无尽想象。

(四) 新基建将给城市发展带来什么机会

城市之间的地区差距和数字鸿沟等问题，能否由于新基建的建设而有所改变？

从短期来看，新基建会增大城市群对新设施的投资量，为相关行业带来就业岗位的增长与补充，以市场化方式调节人力资本，并弥补基建与消费人群需求错位的现象，进而为城市的下一步发展提供沃土。

从中长期来看，AI、5G、云计算、轨道交通等一套组合拳，开始布局中国乃至世界城市发展的议题即智慧城市。而城市之间的差距与数字鸿沟，也会由于智慧城市与智慧城市群的推动进程不断缩小乃至成为新型城市生态综合体，可以将构筑这种新型城市生态综合体的数字化、社区化单元称为“新都市产业社区”。

(五) 新基建环境下消费会产生什么变化

对于企业而言，5G直接带来的效用是带宽与传输效率的大幅上升，比如目前很火的直播行业和短视频社交，这类公司成本最高之处，是摊付越来越高的带宽费用，而5G的普及会大幅降低网络延迟，同时相对带宽成本也会大幅下降，为企业减轻成本压力，同时提高效率。

而对于消费者来说，新基建支撑的AI、5G、数据处理等在惠及普通生活服务的同时，会更懂消费者心理，根据消费者需求倒逼生产者生产符合C端需求的产品，然后继续向上游逆向重塑供应链，这也是toB领域下一个十年的消费逻辑起点。

二、新基建为新经济提供运行基础

国研新经济研究院执行院长朱克力曾于2016年创建 “三破三立”新经济法则 ，其中“三破”即重塑边界先“破界”、重构介质先“破介”、重建规则先“破诫”，而“三立”即战略创新需“立志”、战术创新需“立智”、制度创新需“立制”，并以上述法则为底层逻辑提出“ 新基础设施、新生产要素、新市场主体、新协作方式、新治理体系，共同构成了新经济发展的五大动力来源 ”的新论断。

图1 “三破三立”新经济法则 （朱克力，2016）

如何理解新基础设施、新生产要素、新市场主体、新协作方式、新治理体系“五新”多轮驱动？

如果从新经济发展的全生命周期出发，可以定位其中的新基础设施是新经济发展的运行基础，新生产要素是新经济发展的内在源泉，新市场主体是新经济发展的有生力量，新协作方式是新经济发展的组织保障，新治理体系则是新经济发展的长效支撑。综合贯穿新经济全生命周期的以上五大动力来源，对数字时代的公共政策及其效能可以有更新的分析框架和更宽的评价视域。

图2　新经济发展五大动力来源 （朱克力，2020）

以上是新经济发展的五大动力来源，新基建居于其中的基础位置，其主要建设内容就是新经济基础设施，尤其是面向“云、网、端”即以5G、人工智能、工业互联网、物联网等为代表的信息化、数字化、智能化基础设施。

三、新基建引导新消费 助力产业跃迁

(一) 企业在新基建中可以做些什么

民营企业是发展新经济的主体，尤其是领军企业，企业在新基建中可以做些什么？有别于上一轮“铁公基”为代表的老基建往往由政府规划和国企主导，新基建必须遵循市场逻辑，应当鼓励 社会 资本和市场化 科技 公司作为新一轮数字新基建重要力量和新场景运营先锋。

如果通过新基建能够真正构建起中国版新一代“信息高速公路”，那么基于所有制中性的基本原则，对于参与其中的民营企业在此意义上也一样应当视为新国企即“国家企业”，无论作为新基建共同主导力量还是作为供应方和运营方，在这15万亿起的规模中、在整个价值链中的作用都很大。

以5G基建为例，产业链上中下游包括网络规划、器件原材料、基站天线、小微基站、通信模块、网络设备、光纤光缆、光模块、系统集成与服务商、运营商等各细分产业链，可以发现除了运营商为三大央企之外，其他无线主设备、传输设备、终端设备很多都是民企供应商。可以预计的是，仅5G基建，十年内直接和间接的产出就会到达20万亿的量级，而中后期以民营企业为主的互联网企业与5G相关的信息服务收入就是直接产出的主要来源。

此外，从金融 科技 的视角来看，目前产业互联网的成熟度，远远不能满足金融机构发展小微金融对产业互联网要求。而新基建的发展，为金融机构对公业务 科技 化转型带来了新的想象空间。

(二) 新基建与新消费能否形成闭环

“新基建”是新型基础设施建设的简称，根据国家发改委的定义，新型基础设施是以新发展理念为引领，以技术创新为驱动，以信息网络为基础，面向高质量发展需要，提供数字转型、智能升级、融合创新等服务的基础设施体系，主要包括新一代信息基础设施、融合基础设施和创新基础设施三方面。

其中，新一代信息基础设施即数字基础设施，又分成通信网络基础设施、新技术基础设施、算力基础设施，分别覆盖了数据的宽带实时传输与分发、数据存储计算与处理、数据的挖掘与分析决策，以及数据在产业链采集应用以及线上线下的联动，包括了5G、工业互联网、人工智能、云计算、区块链、数据中心等。

新一代信息基础设施有很长的产业链，构成数据从采集到决策以及应用的全过程，既是新基建又是战略性新兴产业，更是新型的信息消费市场，同时也是其它领域新基建的通用支撑技术，还是传统产业数字化的新引擎，助力传统基建领域提质增效。

“新基建”并非疫情下的权宜之计，尽管疫情影响客观上加快了其前进步伐。事实上，十八大以来中国新型基础设施建设已取得了明显成效，对高质量发展的支撑作用正在加快释放。互联网平台以消费者和商户为架构、以数字化为砖瓦，搭建新经济服务大厦。

当前，总需求中出口和制造业投资都在萎缩，房地产依然在调控中，只剩下消费和基建投资可以发力，其中消费正在恢复，基建可以由政府和 社会 资本共同发力，且它短期是需求、长期是供给。短期看，消费和基建是平行的需求端，二者可产生共振，暂时还不构成闭环。但中长期看，新型基础设施建完后产生供给能力，“新消费”和“新基建”就能够形成闭环。“新基建”当中服务生产者的工业互联网等与终端消费者并不直接相关，而5G、人工智能、物联网、数据中心等新型信息消费市场则是服务终端消费者的广阔天地。

(三) 新基建聚合“数据+算法+算力”新要素

新基建背景下，互联网技术与数据已成为经济增长重要驱动力。牛津经济研究院联合研究表明，过去30年间，数字技术投资每增加1美元可撬动GDP增长20美元，而1美元非技术投入只能撬动GDP增长3美元。

2020年4月9日，国家出台要素市场化配置意见，首次把数据纳入要素市场。随着产业结构升级，数据在经济中的地位和作用进一步凸显。作为数字时代不可或缺的新要素，数据尤其是大数据成为引领高质量发展和创新驱动的新兴力量，加速产业数字化、网络化、智能化发展，提高全要素生产率、产品附加值和市场占有率，是产业互联关键生产资料。

1） 对企业而言，大规模运用大数据能够放大生产力乘数，加速流程再造、降低运营成本、提升生产效率；对政府来说，运用大数据构建信息共享和信用体系可改善营商环境，帮助企业进一步实现降本增效和效率提升。

2） 大数据实现供需匹配，在为发展新经济培育新动能提供基础性应用的同时，打通生产与服务全流程，提高产业链协同效率，催生产业组织变革。

3） 随着大数据应用发日益深化，智能化生产、网络协同、个性化定制等多种服务化延伸模式日渐清晰，呈现研发协同化、生产集成化、经营平台化、服务网络化等态势，带动技术进步与效率提升，加快产业迭代兴替。

从大数据的逻辑出发，数字化新基建平台可有效聚合互联网技术以及数据、算法、算力（平台驱动的“三驾马车”）等新要素，通过生产要素的新组合建立一种新的生产函数，引致基于技术与市场的创新演化，促进消费回暖和经济复苏。

图3　数字新基建平台驱动的“三驾马车”

在平台大数据、云计算、AI和区块链技术群中，数据是最宝贵的资产和持续进化的源泉，算法是有效分析和挖掘数据的方法和法则，算力则决定着数据和算法发挥的潜力。可以说，数据、算法、算力三者正在“协奏”出新经济舞台下一个乐章最澎湃的新要素进行曲。

以银行业数据治理带来的成效为例。麦肯锡报告指出，通过对比做数字化转型和不做数字化转型的两类银行，可以发现，做好数字化转型的银行今后ROE的回报比提升40%到49%，不仅提升了效率，而且降低了成本，同时开拓了新的业务。这三个因素相乘就会形成指数级别的增长。

(四) 以市场的逻辑筑就产业跃迁“源动力”

新基建的策略打法沿着整个经济发展格局，尤其是贴合中国超级城市群地理格局和深度城市化展开，未来十年的基建方向是东部的相对降速、城市进入精细化运作阶段，中部加速发展、产业转移和创造新的增长引擎，而西部成为能源和地缘的中心。

新基建与新旧动能转换相契合，将引爆真正的产业革命40。最近两年我们一直唱“赋能与被赋能”的口号，最先收益、被赋能的行业是以“智能”和“互联网”打头的行业，真正地赋能由于行业差异缝隙较慢、较难向下渗透并下沉到其他一些行业，就是在新经济行业被滋养成长后，迟迟得不到养分的传统行业和节点。

新基建作为新产业革命的“打桩机”，在国家布局下动用市场力量把新能源、5G、IoT、芯片、算力等整合形成产业跃迁的“源动力”，将打穿互联网“云层”，直接渗透并夯实能源、服务、消费品和装备行业代表的传统行业“地基”，完成真正的系统性动能转换。这正是避免走传统基建粗放、政府包办、产能过剩等老路最直接有效的战略方案，也是大手笔稳扎稳打地构建国家竞争优势的关键一步。

有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。这些评价可以说都是正确的，就看你指的是哪一种人工智能。

今年早些时候，Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学习（machine learning）和深度学习（deep learning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。

今天我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系和应用。

如上图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。

五十年代，人工智能曾一度被极为看好。之后，人工智能的一些较小的子集发展了起来。先是机器学习，然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。

从概念的提出到走向繁荣

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。

让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头，发展到能够支撑那些每天被数亿用户使用的应用的。

| 人工智能（Artificial Intelligence）——为机器赋予人的智能

早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。

人们在里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能现在还只存在于和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。

我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。

这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，机器学习。

| 机器学习—— 一种实现人工智能的方法

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推进，学习算法的发展改变了一切。

| 深度学习——一种实现机器学习的技术

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。

例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。

每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。

我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。

这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。

即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。

不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。

我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。

只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。

吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。

现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。

| 深度学习，给人工智能以璀璨的未来

深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的推荐，都近在眼前，或者即将实现。

人工智能就在现在，就在明天。有了深度学习，人工智能甚至可以达到我们畅想的科幻小说一般。你的C-3PO我拿走了，你有你的终结者就好了。

您好，基于云开发的应用程序不需要任何服务器和云服务资源的优势在于其无需管理服务器和基础设施，可以大大减少开发人员的工作量和成本。以下是基于云开发不需要任何服务器和云服务资源的一些例子：
1 无服务器计算（Serverless Computing）：无服务器计算是一种新型的云计算模型，它允许开发人员编写代码，而不需要考虑服务器的配置和管理。例如，AWS Lambda、Azure Functions和Google Cloud Functions等云服务提供商提供了无服务器计算服务，开发人员可以在这些服务上编写代码，而无需考虑服务器的配置和管理。
2 基于容器的开发（Container-based Development）：容器技术可以将应用程序打包成一个独立的可执行文件，这样可以在不同的环境中运行。例如，Docker是一种流行的容器技术，开发人员可以使用Docker来打包应用程序，然后将其部署到云上，而无需考虑服务器和基础设施的管理。
3 云存储服务（Cloud Storage Services）：云存储服务可以提供可扩展的、高可用的存储服务，例如AWS S3、Azure Blob Storage和Google Cloud Storage等。开发人员可以将应用程序的数据存储在云存储服务中，而无需考虑服务器和基础设施的管理。
4 云数据库服务（Cloud Database Services）：云数据库服务可以提供可扩展的、高可用的数据库服务，例如AWS DynamoDB、Azure Cosmos DB和Google Cloud Firestore等。开发人员可以将应用程序的数据存储在云数据库服务中，而无需考虑服务器和基础设施的管理。
总之，基于云开发的应用程序可以大大减少开发人员的工作量和成本，而无需考虑服务器和基础设施的管理。

云计算的优势包括：1、敏捷性；2、扩展性和d性；3、节省成本；4、数据安全；5、快速部署；6、促进合作；7、无限存储容量；8、备份和恢复数据。其中，“敏捷性”意味着云计算可以使您可以轻松使用各种技术，根据需要快速启动资源，从云服务器、存储和数据库等基础设施服务。云计算是基于互联网的计算。

允许人们通过互联网访问相同类型的应用程序。云计算的前提是主要计算发生在一台机器上，通常是远程的，而不是当前使用的机器。在此过程中收集的数据由远程服务器（也称为云服务器）存储和处理。这意味着访问云的设备不需要那么辛苦。通过远程托管软件、平台和数据库，云服务器可以释放单个计算机的内存和计算能力。用户可以使用从云计算提供商收到的凭据安全地访问云服务。具体来说，云计算有以下好处：1、敏捷性云计算可以使您可以轻松使用各种技术，从而可以更快地进行创新，并构建几乎任何可以想象的东西。您可以根据需要快速启动资源，从云服务器、存储和数据库等基础设施服务到物联网、机器学习、数据湖和分析等。您可以在几分钟内部署技术服务，并且从构思到实施的速度比以前快了几个数量级。这使您可以自由地进行试验，测试新想法，以打造独特的客户体验并实现业务转型。2、扩展性和d性借助云计算，您无需为日后处理业务活动高峰而预先过度预置资源。相反，您可以根据实际需求预置资源量。您可以根据业务需求的变化立即扩展或缩减这些资源，以扩大或缩小容量。3、节省成本云技

术将您的固定资本支出（如数据中心和本地服务器）转变为可变支出，并且只需按实际用量付费。此外，由于规模经济的效益，可变费用比您自行部署时低得多。4、数据安全云提供了许多高级安全功能，可确保数据得到安全存储和处理。通过联合角色进行精细权限和访问管理等功能可以将敏感数据的访问权限限制在需要访问它的员工，从而减少恶意行为者的攻击面。云存储提供商为其平台及其处理的数据实施基线保护，例如身份验证、访问控制和加密。从那里开始，大多数企业通过自己的附加安全措施来补充这些保护，以加强云数据保护并加强对云中敏感信息的访问。5、快速部署借助云，您可以扩展到新的地理区域，并在几分钟内进行全局部署。例如，AWS 的基础设施遍布全球各地，因此您只需单击几下即可在多个物理位置部署应用程序。将应用程序部署在离最终用户更近的位置可以减少延迟并改善他们的体验。6、促进合作云环境可以实现团队之间更好的协作：开发人员、QA、运营、安全和产品架构师都暴露在相同的基础设施中，并且可以同时 *** 作而不会互相干扰。云角色和权限有助于更好地了解和监控谁在何时做了什么，以避免冲突和混乱。可以为特定目的构建不同的云环境，例如登台、QA、演示或预生产。以透明的方式进行协作要容易得多，并且云鼓励这样做。7、无限存储容量云本质上具有无限容量，可以在各种云数据存储类型中存储任何类型的数据，具体取决于数据的可用性、性能和访问频率。经验法则是，存储成本会随着数据可用性、性能和访问频率的水平而上升。创建和优化云成本结构策略可以显着降低云存储成本，同时保持公司与云中数据存储相关的业务目标。8、备份和恢复数据数据可以在没有容量限制的情况下存储在云中这一事实也有助于备份和恢复目的。由于最终用户数据会随着时间的推移而发生变化，并且出于法规或合规性原因需要对其进行跟踪，因此可以存储较旧的软件版本以供后期使用，以备恢复或回滚时需要。

把 *** 作系统的自动更新全部打开。然后重启一次再重新安装，这样虽然安装得久一点，但是好歹也可以安装成功了。有些安装不成功的可以用自带的安装器重新安装一次就可以，我用的是Win10x64就是这样安装成功的。

---