微软和 IBM 先掌握机器学习技术但 Google 更快

机器学习是 2015 年科技圈一个非常热门的词汇，似乎只要在产品宣传上用这个词就高大上了许多。

“机器学习不是魔术，而是一个工具。”在 Google 亚太媒体会议的演讲中，Google Brain 项目联合创立者 Greg Corrado 要给机器学习去魅。

YouTube 原视频点这里（（Google 官方解释机器学习视频，对英语听力有一定要求）

20 世纪 80、90 年代，机器学习的思想流派之一模式识别曾非常流行，它强调的是如何让一个计算机程序去做一些看起来很“智能”的事情，例如识别“3”这个数字。

（模式识别中，一个字符“3”的图像被划分为 16 个子块）

模式识别需要专家为每一个问题编写出一个专门的程序来解决，效率并不高。90 年代初，人们开始意识到一种可以更有效地构建模式识别算法的方法，那就是用数据去替换专家。Greg 说道：

编写程序让计算机变得更加聪明，要比编写程序让计算机自己学会变聪明难得多。

机器学习这个概念认为，对于待解问题，无需编写任何专门的程序代码，只需要输入数据，算法会在数据之上建立起它自己的逻辑。

机器学习分监督式学习和非监督式学习，Greg 主要介绍了监督式学习：“首先我们有一个模型（带有参数的公式），输入标记好的数据样本，运算公式出来一个结果，然后检验运算结果和正确结果的偏离。为了减小偏离，机器会对其公式的可调参数进行调整（这些可调参数常被称为权重 weight，是实数）。”机器学习的目标是不断尝试不同的权重值，使偏离尽可能的小。

在机器学习发展过程中，出现了一个分支叫深度学习，由我们大脑中的神经网络启发而来。

深度学习强调的是使用的模型，最流行的是被用在大规模图像识别任务中的卷积神经网络（Convolutional Neural Nets，CNN），简称 ConvNets。

将深度学习带入 Google 的第一人是 Geoffrey Hinton，他是全世界研究神经网络系统最早的专家之一。Geoffrey Hinton 曾表示：

微软研究院和 IBM 先掌握了深度学习技术，但 Google 在将技术转变成产品方面比任何企业都迅速。

比如，Gmail 的反垃圾邮件机制、前段时间刚上线的邮件自动回复用的是前向神经网络（Feed-Forward Neural Network），语音识别和 Google 翻译使用的是深层递归神经网络（Deep Recurrent Neural Network），Google Photos 使用的则是上面提到的卷积神经网络。