最大的應用恐怕是人臉識別了。

在人工智慧的概念被提出之後62年的今天(1956年約翰·麥卡錫提出人工智慧概念)，誰都無法想象，今天的人工智慧能夠如此火爆。

但無論是人工智慧，還是作為機器學習技術之一的深度學習，都經歷過起起落落，看看深度學習的故事你就知道它的發展有多坎坷了：深度學習是如何引爆人工智慧的——深度學習教父的傳奇故事(https://www.toutiao.com/i6510531441456054798/)

不過對於人工智慧的期待，除了廣大科幻小說及科幻電影中所提到的機器人之外，最大的恐怕就是圖片識別。

最初人們希望人工智慧能夠區別圖片中是一隻貓還是一隻狗，這對於計算機硬體還不是如今天這般成熟，仍然是很困難的。

方法無非是兩類：基於神經網路的機器學習方法和基於向量機的分類器。

(下圖就是一個最簡單的分類示意圖，紅色代表狗，藍色代表貓)

在早期計算機硬體速度還無法滿足多層的神經網路大量計算時，是向量機佔據上風。

但隨著計算機硬體速度的快速發展，尤其是GPU的出現及快速發展，深度學習終於迎來了春天。

就像聞西在前期所有有關深度學習的文章中都或多或少的提到的觀點：一旦我們對於生物的模擬到了一定程度，我們就可以取得巨大進展，比如飛機。

而深度學習，就是對基於神經網路的機器學習方法的最大鼓勵及支援。

一直以來，基於神經網路的機器學習方法(深度學習本質就是人工神經網路)，都是用圖片識別來作為其檢驗的應用。

正因為，如此，才有了有名的ImageNet大賽。

所以，最先大規模落地應用的人工智慧，是人臉識別，人臉識別已經幫助公安抓捕了不少逃犯了。

當然，除了人臉識別，還有不少：比如語言翻譯，最近在翻譯文件的過程中，透過有道詞典翻譯的段落，已經越來越接近人類翻譯的水平，正因為如此，我在翻譯文件的過程中，我會先看看機器翻譯，有時候發現機器翻譯的太好了，直接使用，只是將其中不恰當的專業術語進行更換就好了。

還有語音識別，比如我們的iPhone的Siri功能，以及眾多的Android的語音識別功能，還有越來越多的公司在做的智慧音箱，越來越智慧，透過語音，你就可以讓它幫你算數了。

當然，還有無人駕駛也是熱門領域，還未落地應用，還需要較長的時間，但也是指日可待。

所以你考駕照的時候，似乎已經沒有必要考手動擋的了。

所以，AI的越來越多的應用已經跟我們的生活息息相關了！