研究与开发
Research & Development 63当前，伴随网络及计算机技术的长足发展，人工智
能随着深度学习技术应用的突破取得极大进展，各种落
地应用及概念产品层出不穷，人们对其在生产生活中的
革命性创新充满期待。捋顺人工智能算法脉络，解析基
本算法应用场景，可使我们对人工智能技术有一个更为
理性深入和全面的理解及思考。1 人工智能技术理解
纵观人工智能技术发展历史，人工智能在实现上可
归类为六种途径，即符号主义、连接主义、学习主义、
行为主义、进化主义和群体主义[1]。六种途径并非泾渭
分明，它们只是从不同的角度提出了解决方案，如学习
主义就用到了人工神经网络来实现。目前流行的机器学
习以及深度学习算法实际上是符号主义、连接主义以及
行为主义理论的进一步拓展。
对于机器学习的理解，笔者认为可以从三个问题
入手，即学什么、怎么学、做什么。首先，机器学习需
要学习的内容是能够表征此项任务的函数，即能够实现
人们需要的输入和输出的映射关系，从信息论的角度
来看，其学习的目标是确定两个状态空间内所有可能取王蕴韬
中国信息通信研究院 北京 100037
摘 要?文章旨在梳理当前人工智能主流算法脉络，简析其原理及应用场景，帮助人们更加理性深入地对人工智能技术有一个比较全面的理解和思考。文章在对人工智能技术背后数学理论及实际应用的分析基础上，对机器学习算法主要任务、深度学习发展动因、深度学习算法应用进行梳理和分析，提取出人工智能算法主要能够完成的三类任务，并在技术层面针对人工智能下一步发展做出了分析和展望。
关键词?人工智能；机器学习；深度学习；回归；分类；聚类人工智能算法梳理及解析
值之间的关系，使得熵尽可能最低[2]。其次，机器怎么学。要实现学习目标，就要教给机器一套评判的方法，而不同于告诉机器每个具体步骤如何操作的传统方法，这需要对机器描述过程演进为对机器描述结果。从数学角度来看，就是为机器定义一个合适的损失函数，能够合理量化真实结果和训练结果的误差，并将之反馈
给机器继续作迭代训练。最后，机器学习究竟要做什
么，其实主要做三件事，即分类(Classification)、回归(Regression)和聚类(Clustering)，其中分类和回归属于监督学习的范畴，而聚类则属于非监督学习的范畴。目前多数人工智能落地应用的背后，都是通过对现实问题抽象成相应的数学模型，分解为这三类基本任务的有机组合，并对其进行建模求解的过程。2 机器学习算法分类这里，我们首先讨论当前的三大最常见的机器学习任务及其常用算法[3]。首先是回归。回归是一种用于连续型数值变量预测和建模的监督学习算法；回归任务的特征是具有数值型目标变量的标注数据集。回归算法有很多种，其中最为