人工智能时代：破解人机共存密码（套装共10册）

人工神经网络和卷积神经网络在深度学习领域都占有一席之地，但它们识别的都是独立的事件，比如卷积神经网络非常擅长识别独立的图像，如果让它识别100张照片，输出的结果互相不受任何影响，但是让它识别或者预测一句连续的话，比如一个寓言故事或者翻译一段英文，可能就没有这么好的效果了。可是在现实生活中，我们会遇到很多连续的事件，比如“小明每次去超市都会买很多苹果，因为他最喜欢吃（ ）”，联系上下文，我们可以很容易推测出括号里应该是“苹果”这个词，因为括号前的“吃”字是一个动词，动词后面经常跟着的是名词，而这个句子中的名词只有“苹果”最合适。为了能够识别这些连续性很强的事件，弥补人工神经网络和卷积神经网络的不足，RNN模型诞生了。

RNN全称是Recurrent Neural Network，也就是循环神经网络。对于循环神经网络的研究最早出现于20世纪80年代，由约翰·霍普菲尔德（John Hopfi eld）、迈克尔·乔丹（Michael Jordan）以及杰弗里·埃尔曼（Jeffrey Elman）等人提出，该模型经常用于时序信号（如语音）的识别和理解。

循环就是重复的意思，循环神经网络模型在运行时会对同一个序列进行循环操作。序列是被排成一列的对象，序列中的元素相互依赖，排列顺序非常重要，比如时序数据、对话等，一旦顺序错乱，含义和作用都会发生巨大改变。循环神经网络解决了卷积神经网络不能很好地识别连续性事件的问题，在深度学习领域发挥着不可替代的作用。

循环神经网络之所以能对连续性事件进行识别，是因为它不仅将当前的输入数据作为网络输入，还将之前感知到的一并作为输入。根据记忆的长短，从第一层开始，将激活传递到下一层，以此类推，最后得到输出。图3-8就是一个循环神经网络的示意图，它由输入层、隐藏层和输出层三部分组成。循环就发生在隐藏层。隐藏层里一般会设置一个特定的预测函数，当我们向循环神经网络模型输入一个连续性事件后，在隐藏层的这个函数就会进行运算，这个运算结果又可以作为输入进入隐藏层再一次进行运算。如此这般，就形成了一个不断循环的预测，这个预测与新输入的数据有关，也取决于每一次循环的输入。

连续性数据在日常生活中出现的频率之高决定了循环神经网络有着广泛的应用空间。例如，我们可以依靠循环神经网络预测一句话中的下一个词语或一篇文章中下一句话是什么，以此来生成文本，现在很多写稿机器人就是基于循环神经网络来进行运作的。循环神经网络模型还可以将文本翻译成其他的语言，所以它也广泛用于机器翻译。循环神经网络另一个常见的应用是语音识别，我们现在使用的很多智能语音助手都应用了循环神经网络。

股票的价格波动也存在一定的规律，根据前一段时间的股票波动情况可以大致预测出之后股票的走势。因此，循环神经网络在股票预测方面有先天的优势。随着经济的发展，股票市场的规模不断扩大，大量股票历史数据的积累使得循环神经网络可以学习股票的走势规律。比如，当循环神经网络发现，某只股票价格不断下跌超过七天，之后就会缓慢上升，并且在很长一段时间内这只股票都呈现出这个规律时，如果这只股票价格再一次持续下跌，那么下跌的第七天就是股民买入的最好时机。实践证明，循环神经网络对股票的预测能够较好地拟合真实数据，具有很高的应用价值。

循环神经网络可以有效地进行文本识别，而在商业世界中，最重要的一种文本数据就是商品评论。随着生活节奏的加快、电子商务的兴起，人们越来越倾向于网络购物。网购时，用户没有见过真实的商品，只能通过商家的描述进行了解，而商家的描述又不能保证用户了解到的信息完全属实，此时，用户的商品评论就成为反映商品质量和商家信用的一个重要参考标准。但是，用户的评论也有很大的主观性，如何结合用户的主观评价正确评估商品质量及商家信用成为一个亟须解决的问题。在循环神经网络强大的文本识别功能的帮助下，我们可以很好地解决这个问题。循环神经网络在分析评论的过程中，最重要的一个步骤是对用户的主观评价进行处理，即通过循环神经网络分析用户的商品评论，再将其转化为对商家的等级评价。比如，循环神经网络识别出不同的商家同时在售卖同一种商品，但在商品质量方面，商家甲好评数远远高于商家乙，那么在这一方面，商家甲的等级评价就会高于商家乙的等级评价。影响商家等级评价的因素还有很多，比如服务态度、发货速度，以及商品与描述相符度等，将这些因素全部考虑在内，就会形成一个全面的商家等级评价。循环神经网络在商家评价方面的应用使用户不会被海量商品信息以及其他用户的主观评价所混淆，直接找到符合自身需求并且质量上乘的商品，提升了用户的网上购物体验。

深度学习商业网络

数据是商业发展的基础，也是商业竞争的关键。现在越来越多的公司都在通过数据的深度分析来了解用户的需求，把握市场的发展方向，提高自己的竞争力，以此达到在激烈的商业竞争中获胜的最终目标。深度学习作为人工智能的关键能力，其对数据的理解能力也超过了之前的相关模型。对数据的深度理解能够挖掘出数据背后隐含的知识，能更加快速准确地掌握用户需求，所以深度学习在商业场景中具有非常重要的应用价值。下面我们来介绍两个在商业领域应用的深度学习网络：潜在客户转化率深度学习模型和客户购买力深度学习模型。

如图3-9所示，这是专门用于房地产行业的潜在客户转化率的预测模型。这个模型可以通过线上、线下数据以及在App上对不同房产的浏览数据等，推测出一个潜在的购房客户转化为真正的购房客户的概率有多大。

在这个模型中，输入的数据包括：类别特征数据，如客户的房产数量、从事行业、家庭结构、渠道来源等；连续特征数据，如客户的年龄、预算金额、月供金额等；序列特征数据，如客户的关注楼盘、浏览记录、分享记录等。我们对不同分类的数据需要进行不同的操作，例如类别特征数据需要经过嵌入、池化以及全连接等操作，序列特征数据需要经过嵌入、卷积后才能进行池化以及全连接等操作。当这些操作都进行完之后，数据就可以进入拼接层，然后输出每个客户在接下来的一段时间内买房的概率。

如图3-10所示，这是一个专门用于预测房地产公司客户购买力的深度学习模型。这个模型可以通过一系列复杂的深度学习，最终预测出一个客户是高价值的买房客户还是相对低价值的买房客户。

在这个模型中，输入的数据包括客户的基本信息，如职业、收入、偿还能力、来源、意向、家庭结构、购房用途等；客户行为数据，如关注、点击、浏览、分享等；房屋描述信息，如建造年份、户型、位置、交通、物业等；还需要一些房屋、小区等周边环境的图像信息。不同类别的数据也需要进行不同的操作，例如客户基本信息中的类别特征数据需要进行嵌入操作，将稀疏的数据变成连续向量；客户基本信息中的连续特征数据就可以直接进行处理；客户行为数据要经过嵌入、卷积、池化以及全连接等一系列的操作；房屋描述信息数据要经过词向量化、嵌入、LSTM（长短期记忆网络）、堆叠特征处理。其中，LSTM适用于处理和预测时间序列中，间隔和延迟相对较长的重要事件，堆叠特征处理可以将不同的特征拼接在一起。图像数据要经过图像预处理、基于预训练的VGG模型以及全连接操作。当这些操作都完成之后，所有的数据要一起进行决策树处理。最后，我们就可以看出这个客户到底是高购买力客户还是低购买力客户了。

深度学习的出现为人工智能带来的是一种全新的思维方式和思考方式，它赋予了人工智能新的活力，为人工智能带来了无限的可能性。万物皆可智能正是因为人工智能有了深度学习的支持，是深度学习为人工智能插上了飞翔的翅膀。更有人提出，深度学习甚至决定了人工智能的未来，所以现在深度学习越来越成为机器学习和人工智能不可或缺的一部分。以小博大，见微知著，AI思维强调要抓住事物的本质特征才能做出最好的决策。掌握了深度学习，就算是掌握了人工智能的核心，所以，深度学习是我们构建AI思维不可或缺的重要一环。

AI炼金术的应用生态

中世纪的时候，人们十分相信占星术，认为天上的星体可以带来幸运；并且将地上的一些贵重金属视作天体的代表，比如黄金代表金黄色的太阳、白银代表银白色的月亮等，这些贵金属因为稀少并且被赋予了幸运的含义，价格昂贵。地中海附近的国家希望能有一种将贱金属转变为贵金属的法术，这种法术被称为炼金术。人工智能拥有的就是这种将看似没有价值的数据转变为价值难以估量的决策的“法术”。

我们先来回顾一下AI炼金术全过程：首先，我们要通过对历史数据的特征处理产生特征数据，然后通过机器学习产生预测模型。模型产生之后，需要通过回测对其进行模型评估，在评估中合格的模型才可以投入生产。生产过程中如果有新的样本数据输入，就可以通过模型来产生预测分数，根据分数的高低和其他因素来进行业务优化，产生针对个体的业务决策。决策指导产生针对个体的具体行动，行动作用在个体上产生结果，虽然各自的结果可能会有差异，但人工智能总体上能够优化业务，从而实现价值。AI炼金术就是这样一步一步，对数据千锤万凿，百炼成金。

人工智能赋能架构

AI炼金术所创造的价值是不可估量的，对于企业，它是大赚1 000亿美元的秘密武器，对于个人，它是安居乐业人生美满的秘诀。但人工智能炼金术不是一座飘浮起来的空中花园，它需要建立在真正落地的实际系统上，需要系统给各个参与者赋能，否则再神奇的炼金术也只能是一场美好的空谈。那么人工智能炼金术最终要落地在一个什么样的系统上呢？

基于人工智能赋能架构的系统，能够为企业和消费者赋能。如图3-11所示，它分为左右两边，左边是C端，也就是用户端，通常涉及企业的用户或消费者，他可能在企业经营的门店里购买过商品，在企业运营的网站上注册过会员，或者是使用过企业提供的手机 $\mathrm { \Delta L A p p }$ ，总之他和企业有过一些交互和接触。右边是B端，也就是服务端，服务端就是要在企业的后台为用户提供优质的服务，确保用户端得到最佳的体验。

服务端的系统分为两部分，一部分是数据中台^[1]，另一部分是AI中台。数据中台会对海量数据进行采集、计算、存储、加工，形成统一的标准数据，形成大数据集合，进而通过AI中台为用户提供个性化服务。从数据到价值的AI炼金术，是AI思维的具象表现形式，AI中台则是AI思维的实现载体。在服务端，既需要数据、需要人工智能，也需要数据中台和AI中台的连通。只有数据中台和AI中台融为一体，人工智能才能知道瞬息万变的市场变化、用户的需求，才能给用户提供优质的服务。另外，数据中台和AI中台打通了，就会有源源不断的数据输入AI中台，人工智能训练的数据越多，训练的次数越多，它的智能程度就会越高，做出来的决策就会越准确，其所创造出来的价值就越高。

然后我们再来看用户端，用户端主要有两个模块，一个是设备端，另一个是应用层。现在的用户无论是线上还是线下跟企业交互，都要通过一些设备来实现，比如说在PC（个人电脑）端看视频、在手机端玩游戏、通过VR头显（虚拟现实头戴式显示设备）感受虚拟现实，或者说与在实景中摆放的机器人交流互动。所以说PC端、手机端、VR头显端或者是机器人端都是一个用户的触达点，都是一个企业的触角。通过这些触角，企业可以实时了解用户的需求并为其提供服务，比如说现在很多酒店都配备了智能机器人，如果酒店的房客半夜想要喝水，发现房间里的纯净水都喝光了，而酒店的工作人员都已经休息了，就可以让机器人为房客送纯净水。

在这些设备端里面可能会有AI芯片。在人工智能中，AI芯片是专门用于模型运算任务的一个模块，它可以在手机里做大量快速的计算，比如说现在很多年轻人喜欢通过各种美图App给自己上妆或者为自己的照片换背景，这些特效的实现都是实时的，呈现效果也非常好，所以需要很大的人工智能运算量。面对越来越高的用户的体验要求和越来越高的运算量，传统的硬件已经不足以解决问题了，因此现在手机上都安装了专门用来处理这些问题的AI芯片。手机AI芯片发展迅速，比如说三星最新研发的手机AI芯片有了独立的神经网络处理单元，运算速度提升了7倍；华为研发的AI芯片NPU（Neural NetworkProcessing Unit，嵌入式神经网络处理器）使图形处理性能提升了20%，能效提升了50%，图像识别速度可达到每分钟2 000张；OPPO、vivo使用的是科技公司联发科研发的手机AI芯片，有低能耗、高性能的特点。