1996年，美國費城舉行了一次特別的國際象棋比賽，其中一位參賽者是名為“深藍”的國際象棋計算機。在決賽中，IBM公司研發的深藍2：4輸給了世界冠軍卡斯帕羅夫。這是人類與計算機的第一次交鋒。當時的深藍並沒有像人類一樣演繹歸納的經驗而只能評價海量的計算和人類抗衡，但最終敗下陣來。然而1年後，對戰雙方又進行了一次對決，這次深藍完成復仇，總比分3.5：2.5戰勝了卡斯帕羅夫，拉開了AI的序幕。

i

(dota2人類冠軍Dendi圖片來自liquipedia)

         20年過去了，在今年的dota國際邀請賽Ti7上，主辦方進行了一次和往常不同的對決：不再是人和人，而是人類VSAI。

(2017年中國烏鎮圍棋峰會上柯潔對陣Alpha Go,第二局比賽以柯潔中盤認輸結束。 圖片來自新華社

        為什麼人工智慧的發展速度如此超乎人類社會的想象？曾經AI似乎僅僅是利用其龐大和快速的計算量來打敗人類。“把下每一步棋的後果都計算一遍”是人類曾經認為的AI的思考方式。然而過去20年中，隨著大資料技術的快速發展，AI已不僅僅是簡單無腦的暴力計算，AI有了自己的學習方法：深度學習。深度學習的概念源於人類神經網路的研究，通過分析低層資料和現象演繹得出更加高階抽象的結論。深度學習的特徵是研究資料的分散式特徵。通過研究大量資料並分析其特性，可以得出資料群體的特性並且預測其發展態勢。早期的計算機專注於處理人類能力很難完成的事，比如在幾秒內計算出2的100次方或者pi小數點後的幾千萬位。然而今天的人工智慧聚焦於那些人類認為“很簡單”的任務。比如人臉識別，字元識別或是人類的情感變化。這些任務並沒有明確的公式幫助計算機完成，人類通常靠所謂的“直覺”來解決這些事情。然而深度學習通過分析面部表情的細微變化或是字元筆畫間固定的間距可以得出異常客觀準確的結論。讓計算機自己從大量的經驗和資料中分析學習可以避免人類下達指令提供計算公式的被動局面。由於人腦在思考時是一層層得出結論，因此深度學習同樣要求足夠的深度。在計算時，從一個輸入到輸出的最長路徑被稱為深度。如果一個深度架構被潛架構表示，那麼深度學習歸納出的結論便並不準確。

        我們會在接下來陸續釋出機器學習有關的教程。ApacheSpark是一款處理大規模資料的計算引擎。相比於Hadoop，Spark更適合進行資料探勘和機器學習。TensorFlow則是谷歌開發的第二代人工智慧學習系統，在語音識別和影象識別領域有廣泛的運用。我們總結了四個部分：常見機器學習演算法，自然語言處理，深度學習以及高階機器學習演算法。常見機器學習演算法主要是介紹一些sparkmllib中已經實現的演算法，通常要求對數學原理、mllib中的程式碼實現，以及如何應用於實際問題的解決等方面都要比較熟練的掌握。深度學習主要是針對一些常見的概念、優化的trick等的介紹，以及在流行深度學習框架上解決實際問題。自然語言處理研究能實現人與計算機之間用自然語言進行有效通訊的各種理論和方法。而高階機器學習演算法，通常對數學原理以及如何使用等做介紹。我們會慢慢分享這些成果。