《智能系统与技术丛书 生成对抗网络入门指南》—1.2.3深度学习的应用

1.2.3　深度学习的应用

       目前，深度学习神经网络（见图1-14）在人工智能界占据统治地位，但凡有关人工智能的产业报道必然离不开深度学习。深度学习的引入也确实让使用传统机器学习方法的各个领域都取得了突破性进展。

图1-14　深度学习神经网络

       2000年开始，人们开始用机器学习解决计算机视觉问题，可以很好地实现车牌识别、安防、人脸识别等技术。在深度学习出现以前，大多数识别任务要经过手工特征提取和分类器判断两个基本步骤，而深度学习可以自动地从训练样本中学习特征。深度学习扩大了其应用场景，如无人车、电商等领域。Mobileye及NVIDIA公司把基于深度卷积神经网络的方法用于汽车的视觉系统中，率先将深度学习应用于无人驾驶领域，为无人驾驶提供了硬件基础。2018年2月2日，谷歌宣布将于2018年启动无人驾驶出租车服务，无人驾驶首次开启商业运营（见图1-15）。除此之外，通用、特斯拉、百度、Uber、苹果等公司也进入无人驾驶赛道。

图1-15　Google无人驾驶车

       在语音技术上，2010年后深度学习的广泛应用使语音识别的准确率大幅提升，成熟产品如苹果的Siri、亚马逊的Echo（见图1-16）等，可以很轻松地识别出用户说出的一段话，并可以协助完成一些任务，比如开关应用、搜索甚至帮助预定晚餐座位。与图像相比，语音的识别更加复杂，不同语言有不同口音，甚至充满暗喻，对机器的理解能力提出很高的要求。

图1-16　亚马逊智能音箱Echo

       在自然语言处理上，目前取得最大突破的成熟产品就是机器翻译。Google的翻译系统可以理解原文的连贯语义，给出完整的翻译结果，这是人工智能的一个标杆性事件。2016年，谷歌翻译升级为谷歌神经网络翻译系统（Google neural machine translation），谷歌的翻译系统又一次完成了与人工智能的联合提升。