深度學習幫助空氣質量預報更準確
在圍棋人機大戰中，AlphaGo憑什么以4：1戰勝九段棋手李世石？
答案是AlphaGo通過深度學習，以一種偶然的方式必然地贏得了人機大戰。
癌癥、氣候變遷、能源、基因組學、宏觀經濟學、金融系統、物理學等，太多我們想掌握的系統知識正變得極其復雜。如此巨大的信息量讓最聰明的人窮極一生也無法完全掌握。那么，我們如何才能從如此龐大的數據量中篩選出正確的見解呢？而一種通用人工智能思維的方式則是自動將非結構化信息轉換為可使用知識的過程。我們所研究的東西可能是針對任何問題的元解決方法。
——人工智能公司DeepMind
聯合創始人德米斯·哈薩比斯
?深度學習究竟是“何方神圣”？
“人機大戰”使深度學習這一2006年就提出的概念迅速席卷各大網絡平臺。
深度學習是機器學習的一種。機器學習是通過算法，使得機器能從大量歷史數據中學習規律，從而對新的樣本做智能識別或對未來進行預測。深度學習就是構建具有很多隱層的機器學習模型，而隱層模型的關鍵在于，可以建立像人腦一樣分析學習的深度神經網絡。
IBM中國研究院能源與環境資深總監尹文君解釋說，比如，把一張小女孩牽著狗的圖片輸入計算機中，以前機器學習沒有人和狗誰重要誰不重要的概念，圖片就是像素的矩陣，但這些描述的意義并不大。機器經過深度學習后，可以像人一樣思考，分析圖像中的物體、明暗變化、界限等，自動提取圖片有效信息，從而描述出小女孩牽著狗的近景照片這樣有特征的信息。
?深度學習為何在大數據時代備受青睞？
十年前的概念緣何在近幾年迅速躥紅，尹文君解釋說，深度學習的“火爆”與大數據發展密不可分。
深度學習首先需要海量數據作為支撐。上世紀80年代到90年代，由于沒有太多的數字信息可用，計算機要花費很長的時間確定有哪些信息。如今隨著大數據時代的到來，深度學習的優勢凸顯。深度學習需要依靠大量的數據進行訓練，以提高預測的準確性。
而大數據時代也迫切需要深度學習。海量數據的涌入，人處理信息已經心有余而力不足，深度學習則有其他算法無法比擬的優勢，能挖掘大數據背后更多隱含的意義和信息。
以往，算法處理的都是結構化的數據，很難識別空間、視頻、圖像等多維度的、非結構化的數據，而深度學習則在圖像、在語音識別、自然語言理解、機器人、自動駕駛等領域有持續突破性進展，也推動了“大數據+深度模型”時代的來臨。
據尹文君介紹，深度學習在圖像識別領域，性能比以往算法提高了20%~30%，識別率在某些領域已經超過了人類。
?深度學習能解決哪些環保問題？
在生態環境大數據建設步伐日益加快的今天，深度學習究竟能幫上什么忙？哈薩比斯在建造AlphaGo的時候，就已經計劃它能夠應用于解決現實世界的問題，比如建立氣候模型或者進行疾病分析。
尹文君所在的能源與環境開發團隊就正在探索使用深度學習的方法進行空氣質量的預測和污染源追溯。從深度學習擅長處理的數據來看，深度學習首先會在衛星遙感數據上有所運用，可以通過數據識別和判斷污染源和污染的分布狀況，并同時結合地面監測數據，得到一張精確的全國污染分布狀況圖，并實現動態更新，實時服務于環境管理。
針對目前火爆的空氣質量預測預警市場，深度學習也“表現突出”。目前空氣質量預警預報多采用傳統的數值模型方式，僅靠有限站點的空氣質量監測數據、污染源數據和氣象數據進行預測，但由于點位的覆蓋不夠全，加之沒有考慮周邊環境的影響，空氣質量預測預警準確性大打折扣。深度學習擅長多維度數據的處理，如果一個分析對象可以作為一個場，深度學習可以對地面觀測場、氣象場的各類氣象要素及模型參數分別進行學習，對未來的空氣質量進行精細化預測，可以大大提升預測準確率。
“IBM的認知計算建模技術通過將物理、化學、統計、專家系統等多模型與深度學習進行融合，空氣質量預測預警準確率提高20%。”正在從事空氣質量預報預警研究的IBM中國研究院研發經理呂新杰表示。
目前，深度學習基本可以模擬不同減排手段產生的減排效果，未來，深度學習還可以根據減排要求，提出減排措施，比如總量減排要總體降低10%，某地應該采取何種減排措施。但尹文君表示，后者需要更完善的基礎和更強大的運算資源。
谷歌工程師曾表示，人工智能的下一個里程碑就是自然語言理解，包括更好地理解書寫文字以及搜索查詢的功能。這也為環保部門使用社交數據提供了新的工具和手段。據了解，IBM目前已經在嘗試利用深度學習分析互聯網及社交媒體數據，進行污染源的交叉驗證，以實現污染源的動態精準識別。
對深度學習來說，不僅要有大量的數據積累做基礎，還要有均勻、穩定、連貫的數據來支撐。
尹文君表示，目前環保部門雖然已經集成了一些數據，污染源數據、氣象數據、超級站的數據都比較豐富，但數據質量和共享機制有待提高。深度學習要更好地應用到生態環境大數據建設中來，實現精準的預測，就需要環保部門保障數據積累、做好數據共享，讓深度學習在環保領域一展身手。
■相關閱讀
深度學習發展史
2006年，加拿大多倫多大學教授、機器學習領域泰斗——GeoffreyHinton和他的學生在頂尖學術刊物《科學》上發表了一篇具有里程碑意義的文章，重新審視深度學習方法，將深度學習的性能提上一個新臺階。
2009年，辛頓小組獲得了意外的成功，他們的深度學習神經網絡在語音識別應用中取得巨大突破，轉換精度突破世界紀錄，錯誤率比以前減少了25%。有評論說，辛頓小組的研究讓語音識別領域縮短了至少10年的時間，他們的突破也吸引了各大公司的注意，蘋果公司把研究成果應用到了Siri語音識別系統上。從此，深度學習便一發不可收拾。
2010年，美國國防部DARPA計劃首次資助深度學習項目，參與方有斯坦福大學、紐約大學和NEC美國研究院。
2011年，谷歌X實驗室的研究人員從YouTube視頻中抽取了1000萬張靜態圖片，把它“喂”給谷歌大腦，在這些圖片中尋找重復出現的模式。谷歌大腦就是一個采用了深度學習技術的大型神經網絡模型，由1000臺電腦組成。三天后，谷歌大腦在沒有人類幫助的情況下，從這些圖片中發現了貓。這件事在人工智能界引起很大的轟動，被認為是深度學習復興的里程碑。
2012年，深度學習技術在圖像識別領域取得驚人的成果，在ImageNet評測上將錯誤率從26%降低到15%。同年，制藥公司將深度神經網絡應用于藥物活性預測取得世界范圍內的最好結果，2013年4月，麻省理工學院《技術評論》雜志將深度學習列為2013年十大突破性技術之首。
如今，神經網絡研究如日中天，由于擅長處理語音、視覺以及其他復雜的人機交互，可以識別患有自閉癥風險的基因，可以為圖片和視頻自動添加標題，可以用于制造無人駕駛汽車和機器人。神經網絡已經被谷歌、Facebook、微軟、百度等技術先驅欣然采納。
但深度學習也不是萬能的。人工智能包括3個方面，第一是感知，就是知道周圍環境怎么樣，知道與對方交互時對方在說什么，表達什么意思。第二是認知，也就是說在感知的基礎上進行理解。比如機器已經能識別人類的語言，但是聽不懂其中的意思。第三是決策，就是根據理解所作出的行動。
目前，感知和決策智能已經取得巨大進步，甚至在某些方面已經超過人類，但是在認知方面還有很多差距，機器依然聽不懂人的意思。
使用微信“掃一掃”功能添加“谷騰環保網”
