Deep Learning Is Going to Teach Us All the Lesson of Our Lives: Jobs …

…Are for Machines

AI/深度学习将会给我们所有人的生活一个教训：工作是为了机器准备的/README.md

@@ -53,3 +53,16 @@ AlphaGo 的历史性胜利是一个非常清晰地信号，我们从线性走到
 
 想象一下写一个识别椅子的程序，你需要输入大量的指令，但是这个程序仍然会把不是椅子的东西识别成椅子，对于真正的椅子，也会识别失败。那么，我们是怎么学会识别椅子的？我们的父母指着一把椅子说，“这是椅子。” 然后我们就觉得我们已经学会什么是椅子了，所以我们指着一张桌子说，“这是椅子。”这时候我们的父母就会告诉我们说，“这是桌子。”这就是强化学习。“椅子”这个标签就和我们见到的每一把椅子关联了起来，这样一种确定的神经通路就建立了，与此同时，其他的却没有。要想定位到我们大脑里的“椅子”，我们观察到的东西必须和之前遇到的椅子非常接近才可以。本质上来说，我们的生活就是大脑过滤的大数据。
 
+
+
+### 深度学习
+深度学习的魔力就是提供了方法，让机器可以像我们一样使用大量数据，而不需给它们太多指令。不用描述“椅子的特性”，我们只需要把机器连上网，给它灌输数以百万计的椅子照片。机器就可以得到一个整体的“椅子的特性”。接着我们用更多椅子的照片来测试它。如果它错了，我们就纠正它，那么它识别“椅子特性”的能力就会增强。重复这些过程，计算机就能在看到一把椅子的时候认出来，基本上和我们做的一样好。这中间最重要的不同就是不像我们，他们可以在几秒钟内就识别几百万图像。
+
+深度学习和大数据的结合在过去短短几年取得了令人震惊的成就。除了不可思议的 AlphaGo 之外，通过成千上万的标注过的新闻，谷歌的 DeepMind AI 学会了如何去阅读，并且理解它所读到的。DeepMind 同时_自学_了几十个 Atari 2600 的电子游戏，而且玩儿的比人类还好，也仅仅是观察屏幕和分数，然后不停的玩儿而已。一个叫 Griraffe 的 AI 通过 1 亿 7 千 5 百万棋谱学会了国际象棋，在不断和自己下了 72 个小时的棋之后，达到了国际大师的水平。2015 年，一个 AI 经过学习甚至通过了一个视觉图灵测试，测试的方式就是给机器看一个不认识的科幻字母表的字符，然后立刻用和人类一样的方式复述这个字母。这些就是 AI 领域主要的里程碑。
+
+尽管跨越了这些里程碑，当专家们在 Google 宣布 AlphaGo 胜利几个月之前，被问到什么时候计算机可以击败一个卓越的围棋选手，“也许还需要十年。”十年听起来是个正常的猜测，因为围棋十分复杂，我就用危险边缘节目的 Ken Jennings 另一个被 AI 打扮的冠军，来描述它:
+
+    围棋的有名的难，比国际象棋难得多，有更大的棋盘，更长时间的对弈，棋子也多得多。Google 的 DeepMinde 人工智能小组喜欢说围棋的变化比已知宇宙里的原子还多，但这也极大地低估了计算问题。围棋棋盘上有 10¹⁷⁰ 位置可能，可宇宙里只有 10⁸⁰ 个原子。这也就意味着，如果平行宇宙的数量和我们宇宙里原子的数量一样多的话（！），所有宇宙里所有原子加起来也就和一个围棋棋盘上的所有可能性接近。
+
+如此混乱复杂，让任何暴力扫描所有可能行来确定最好的那一个的方法变得不可能。但是深度神经网络绕过了这个障碍，用了和我们大脑一样的方式，去学着评估什么感觉是最佳的一招。我们通过观察和联系来学习，AlphaGo 也是一样的，通过分析几百万的专业对局，并且自我对弈了几百万次。因此什么时候围棋会被机器打败，很有可能不是十年，正确的答案是“在目前的任何时候。
+