人工智能學(xué)家

科技導(dǎo)報(bào)

戰(zhàn)略前沿技術(shù)整理

作者：萬(wàn)赟，美國(guó)休斯敦大學(xué)維多利亞分校

　　人工智能誕生

　　2014 年英美合作的電影《模仿游戲》講述了英國(guó)數(shù)學(xué)家艾倫·圖靈60年前在二戰(zhàn)期間幫助設(shè)計(jì)電子計(jì)算機(jī)破譯納粹德國(guó)軍事密碼的真實(shí)故事。不過影片的名字與圖靈在電影中的事跡并沒有直接關(guān)系，而是來自當(dāng)時(shí)英國(guó)流行的游戲。游戲中一男一女分別躲在幕后，參加游戲的人向他們兩個(gè)人不斷提問題，他們通過無法識(shí)別筆跡的筆答方式來回答，提問題的人根據(jù)回答來判斷這兩個(gè)人的性別。1950 年圖靈在《計(jì)算機(jī)與智能》[1]一文中借用這個(gè)游戲做為判斷計(jì)算機(jī)是否具有人類智能的標(biāo)準(zhǔn)，也就是把一個(gè)人和一臺(tái)計(jì)算機(jī)放在幕后，讓測(cè)試人員通過提問來判斷哪一個(gè)是計(jì)算機(jī)，如果判斷錯(cuò)誤的話，就認(rèn)為計(jì)算機(jī)通過了圖靈測(cè)試，具有人的智能。后來人工智能學(xué)者將圖靈這篇論文中描述的計(jì)算機(jī)稱為圖靈機(jī)，這一測(cè)試方式稱為圖靈測(cè)試（注：圖靈本人曾經(jīng)預(yù)測(cè)隨著足夠多內(nèi)存的出現(xiàn)，50年內(nèi)（也就是到2000年）計(jì)算機(jī)能夠達(dá)到圖靈機(jī)的標(biāo)準(zhǔn)）。40年后的1990年英國(guó)劍橋大學(xué)為了推動(dòng)圖靈機(jī)的實(shí)現(xiàn)設(shè)立了總額為10萬(wàn)美元的圖靈測(cè)試比賽（The Leobner Prize），每年舉辦一次，直到有人能夠設(shè)計(jì)出達(dá)到標(biāo)準(zhǔn)的圖靈機(jī)為止，結(jié)果16年后的今天比賽仍在繼續(xù)。盡管如此，圖靈測(cè)試為人工智能領(lǐng)域的發(fā)展豎立起一個(gè)目標(biāo)。隨著幾代人工智能學(xué)者的不斷研究，逐漸認(rèn)識(shí)到人腦的高度復(fù)雜性和計(jì)算機(jī)的局限性。這些發(fā)現(xiàn)幫助我們不斷把人工智能技術(shù)應(yīng)用到生產(chǎn)和生活的諸多方面。

　　第二次世界大戰(zhàn)期間，英國(guó)軍方需要盡快破譯納粹德國(guó)軍事密碼，圖靈參與并主導(dǎo)了英國(guó)電子計(jì)算機(jī)的研制。同時(shí)期美國(guó)科學(xué)家也投入到計(jì)算機(jī)的研制工作。戰(zhàn)后電子計(jì)算機(jī)開始從純軍事領(lǐng)域轉(zhuǎn)向民用，很多具有不同學(xué)術(shù)背景的專家聚攏到計(jì)算機(jī)的應(yīng)用領(lǐng)域，其中不乏青年才俊。1956 年夏天，一批學(xué)者聚集在達(dá)特茅斯學(xué)院召開了一次關(guān)于人工智能的研討會(huì)，該會(huì)議成為人工智能領(lǐng)域正式創(chuàng)立的標(biāo)志。會(huì)議的召集人是達(dá)特茅斯學(xué)院的數(shù)學(xué)系助理教授麥卡錫（John McCarthy），參與人包括明斯基（Marvin Minsky），西蒙（Herbert Simon）以及西蒙的合作伙伴紐厄爾（Allen Newell）。由于不同的學(xué)術(shù)背景和對(duì)智能以及實(shí)現(xiàn)智能的不同看法，人工智能從一開始就形成兩類不同的流派和方法。

　　第一類是以西蒙和紐厄爾代表的理性學(xué)派。這一學(xué)派認(rèn)為人腦與計(jì)算機(jī)可以看成信息處理器。計(jì)算機(jī)的智能和人腦的智能主要表現(xiàn)在對(duì)抽象化問題的解決上。任何能夠以一定的邏輯規(guī)則描述的問題都可以通過人工智能程序來計(jì)算解決，尤其是對(duì)人腦來說過于復(fù)雜的邏輯問題。西蒙有一段時(shí)間專門研究公司里人們的行為決策，他發(fā)現(xiàn)由于認(rèn)知能力的限制，人在做決策時(shí)并不像經(jīng)濟(jì)學(xué)里的理性人描述地那樣，能夠總是去尋求最優(yōu)解，大多數(shù)情況下是尋找能夠滿足最低要求的解決方案。他將這一現(xiàn)象稱為“滿意解（satisficing）”，用來區(qū)別對(duì)理性人所假設(shè)的“最優(yōu)解（optimizing）”。他認(rèn)為這一現(xiàn)象產(chǎn)生的原因是人理性的有限性或者說是有邊界的理性（bounded rationality）。在這一觀念的影響下，他認(rèn)為計(jì)算機(jī)帶來的人工智能可以大大延伸人類理性。按照這一思路，西蒙和紐厄爾在人工智能領(lǐng)域取得了不少成果。1955年他們?cè)O(shè)計(jì)的邏輯機(jī)程序成功證明了羅素和懷特海所著的《數(shù)學(xué)原理》一書提出的52個(gè)定理中的38個(gè)，其中不少證明比原書中的更加精彩。根據(jù)對(duì)邏輯機(jī)的研究，1957 年他們又設(shè)（general problem solver），希望以此來解決任何可以形式化的符號(hào)問題（定理證明、幾何問題及國(guó)際象棋對(duì)抗等）。

　　西蒙所代表的理性流派雖然在機(jī)器定理證明和簡(jiǎn)單邏輯問題解決（比如漢諾塔問題）上取得了顯著的成就，但一旦面對(duì)復(fù)雜的問題，有限的計(jì)算機(jī)內(nèi)存空間很快就因?yàn)樘剿鲉栴}解決空間時(shí)考慮不同路徑帶來的組合爆炸而無法進(jìn)行下去。由于同樣的原因，很多人工智能專家認(rèn)為計(jì)算機(jī)程序雖然可以擊敗人類國(guó)際象棋冠軍，但可能永遠(yuǎn)無法擊敗人類圍棋冠軍，因?yàn)楹笳叩奶剿骺臻g太大（圖1）。

圖1 無論是國(guó)際象棋還是圍棋，目前都是通過對(duì)樹結(jié)構(gòu)空間的廣度b（每一步可能的下法）與深度d（總回合）搜索相結(jié)合進(jìn)行判斷（bd），國(guó)際象棋的搜索維度（廣度35；深度80）遠(yuǎn)遠(yuǎn)少于圍棋（廣度250；深度150）

　　與西蒙他們的理性學(xué)派在方法上形成對(duì)比的是感性學(xué)派。感性學(xué)派簡(jiǎn)單說就是通過對(duì)腦神經(jīng)的模擬來獲得人工智能。

　　人腦神經(jīng)元一般由細(xì)胞體、樹突和軸突組成。樹突用來接收其他神經(jīng)元傳遞過來的信息，軸突及其頂端的突觸則用來傳遞信息給其他神經(jīng)元。1949年加拿大神經(jīng)心理學(xué)家赫布提出理論，解釋了人腦在學(xué)習(xí)過程中腦神經(jīng)元發(fā)生的變化。赫布理論認(rèn)為如果一個(gè)神經(jīng)元持續(xù)激活另一個(gè)神經(jīng)元，這種持續(xù)重復(fù)的刺激可以導(dǎo)致突觸傳遞效能的增加。具體表現(xiàn)為前者的軸突將會(huì)生長(zhǎng)出突觸小體（如果已有，則會(huì)繼續(xù)長(zhǎng)大），并和后者的胞體相連接，形成記憶痕跡。當(dāng)時(shí)正在哈佛讀本科的明斯基受到啟發(fā)，產(chǎn)生了制作一個(gè)電子模擬神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人工智能的想法。1951年在美國(guó)心理學(xué)大師米勒的幫助下，明斯基和帕爾特（Seymour Papert）獲得了美國(guó)海軍經(jīng)費(fèi)資助設(shè)計(jì)出世界上第1臺(tái)用來對(duì)迷宮求解的電子神經(jīng)網(wǎng)絡(luò)（SNARC），包含40個(gè)電子神經(jīng)和若干內(nèi)存。每一個(gè)電子神經(jīng)元由6個(gè)真空管和一個(gè)馬達(dá)組成，整個(gè)設(shè)備使用了300 多個(gè)真空管（圖2）。這一貢獻(xiàn)使明斯基被認(rèn)為是人工神經(jīng)網(wǎng)絡(luò)的先驅(qū)。

圖2 SNARC 使用的真空管是當(dāng)時(shí)電子計(jì)算機(jī)的基本原件，每一個(gè)真空管通過開和關(guān)兩種狀態(tài)代表一個(gè)比特的信息

　　最早把神經(jīng)網(wǎng)絡(luò)原理成功應(yīng)用到圖像識(shí)別的是康奈爾大學(xué)的心理學(xué)教授羅森布拉特。他和明斯基都畢業(yè)于紐約布朗克斯科學(xué)高中，而且是后者的學(xué)長(zhǎng)。1957年他利用神經(jīng)網(wǎng)絡(luò)原理成功制做了電子感知機(jī)（Perceptron，圖3），該設(shè)備因?yàn)槟軌蜃x入并識(shí)別簡(jiǎn)單的字母和圖像而在當(dāng)時(shí)引起轟動(dòng)，使得很多專家預(yù)測(cè)在幾年后計(jì)算機(jī)將具備思考功能。

圖3 1957 年，羅森布拉特根據(jù)赫布原理用IBM 704 完成了感知機(jī)的仿真。后來用馬克1 號(hào)制作了上面這臺(tái)基于感知機(jī)的神經(jīng)計(jì)算機(jī)，成功實(shí)現(xiàn)了一些英文字母的識(shí)別。1960 年6 月23 日該神經(jīng)計(jì)算機(jī)進(jìn)行了公眾展示，該計(jì)算機(jī)與一個(gè)能夠攝取400 個(gè)像素（20x20）的感光板相連

　　明斯基和羅森布拉特設(shè)計(jì)的人工神經(jīng)網(wǎng)絡(luò)以及后來人工智能專家在計(jì)算機(jī)上虛擬生成的更復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)，都是通過模擬人腦神經(jīng)細(xì)胞的記憶結(jié)構(gòu)來實(shí)現(xiàn)的。由于神經(jīng)網(wǎng)路鏈接的權(quán)重分布需要根據(jù)輸入的信息不斷調(diào)整，但是調(diào)整過程對(duì)外界來說是一個(gè)黑盒子，所以在設(shè)計(jì)不同的人工神經(jīng)網(wǎng)絡(luò)時(shí)，除了遵循一些基本原則外，更多需要通過經(jīng)驗(yàn)和直覺來進(jìn)行，據(jù)此有人稱人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)為一門“藝術(shù)”而非“科學(xué)”，與西蒙等所倡導(dǎo)的理性學(xué)派形成了顯著區(qū)別。

　　難以逾越的局限

　　20世紀(jì)50年代人工智能的誕生和流行除了與電子計(jì)算機(jī)的問世有直接聯(lián)系外，也與當(dāng)時(shí)美蘇冷戰(zhàn)有很大關(guān)聯(lián)。1954年美蘇冷戰(zhàn)期間美國(guó)軍方希望計(jì)算機(jī)產(chǎn)生的人工智能能夠自動(dòng)翻譯俄語(yǔ)情報(bào)和資料，所以對(duì)在這一領(lǐng)域的突破賦予很高的期望，投入了大量的財(cái)力和人力。除了海軍和空軍，20世紀(jì)60年代初期互聯(lián)網(wǎng)先驅(qū)立克里德在美國(guó)國(guó)防部高級(jí)計(jì)劃署任職期間，每年資助麻省理工（明斯基）、卡梅（西蒙和紐厄爾）和斯坦福（麥卡錫）數(shù)百萬(wàn)美元的經(jīng)費(fèi)從事計(jì)算機(jī)以及人工智能方面的研究。

　　而人工智能的研發(fā)在經(jīng)歷了前面描述的這些突破后很快就變得停滯不前，最主要的原因是計(jì)算機(jī)內(nèi)存和運(yùn)算速度的限制。比如20 世紀(jì)60 年代末SDC公司奎利恩（Ross Quillian）等設(shè)計(jì)的頗為成功的自然語(yǔ)言翻譯程序所使用的計(jì)算機(jī)內(nèi)存最多只能同時(shí)導(dǎo)入20個(gè)單詞。1976 年，從事機(jī)器人研究的人工智能專家莫拉維克（Hans Moravec）估計(jì)僅僅讓計(jì)算機(jī)具備人的視網(wǎng)膜識(shí)別物體的邊界和探測(cè)移動(dòng)的功能就需要至少10 億次/s 的運(yùn)算能力，但當(dāng)時(shí)最快的超級(jí)計(jì)算機(jī)的運(yùn)算速度也僅有8000萬(wàn)~13000萬(wàn)次/s。

　　除了計(jì)算能力的限制外，絕大多數(shù)人工智能應(yīng)用，比如圖像和聲音的識(shí)別，需要通過大量的學(xué)習(xí)才能達(dá)到一定的準(zhǔn)確率。20世紀(jì)60年代數(shù)據(jù)庫(kù)本身還處于發(fā)展階段，根本沒有積累如此多的數(shù)據(jù)，這與40年后深度學(xué)習(xí)出現(xiàn)時(shí)互聯(lián)網(wǎng)上已經(jīng)存在了海量信息所提供的學(xué)習(xí)環(huán)境是無法比擬的。于是從1966年美國(guó)政府組織的自動(dòng)語(yǔ)言處理調(diào)查委員會(huì)給出ALPAC報(bào)告后[2]，人工智能開始遇冷。1973年英國(guó)政府發(fā)布了劍橋大學(xué)教授萊特希爾的人工智能調(diào)查報(bào)告[3]，給第一輪人工智能的發(fā)展正式劃上了句號(hào)。

　　專家與超算

　　第一代人工智能系統(tǒng)的興起與衰落讓人們對(duì)人工智能系統(tǒng)有了更豐富的認(rèn)識(shí)。20世紀(jì)80年代出現(xiàn)的專家系統(tǒng)是人工智能第2階段發(fā)展過程中最有代表性的例子。

　　西蒙和紐厄爾在設(shè)計(jì)人工智能系統(tǒng)時(shí)注重系統(tǒng)的特定形式和推理機(jī)制，但是這類系統(tǒng)往往無法解決純邏輯推理外的具體生產(chǎn)領(lǐng)域問題，這是因?yàn)樗鼈內(nèi)鄙龠@些領(lǐng)域的具體知識(shí)。于是20世紀(jì)80年代的人工智能領(lǐng)域開始把研究的重點(diǎn)放在為不同的系統(tǒng)提供它們所在領(lǐng)域的專業(yè)知識(shí)上，試圖通過專業(yè)知識(shí)與推理機(jī)制相結(jié)合來達(dá)到專家水平。西蒙的學(xué)生，被稱為專家系統(tǒng)之父的費(fèi)根鮑姆將其總結(jié)為智能系統(tǒng)的強(qiáng)大來自于它們所掌握的知識(shí)而不是具體的規(guī)則和理論。

　　最早獲得商業(yè)成功的專家系統(tǒng)是卡梅大學(xué)為DEC開發(fā)的用戶訂單配置系統(tǒng)。20世紀(jì)70年代誕生于麻省理工林肯實(shí)驗(yàn)室的DEC公司相當(dāng)于20世紀(jì)90年代的戴爾，它是最早利用半導(dǎo)體和集成線路技術(shù)把大型機(jī)體積變小，價(jià)格變低，從而讓學(xué)校和小公司也可以使用計(jì)算機(jī)的創(chuàng)新公司。因?yàn)樵谒暗暮芏嘤?jì)算機(jī)公司已倒閉，為了不嚇走風(fēng)投資本，它的商業(yè)模式采取了提供計(jì)算機(jī)配件，讓用戶可以自由組裝的方式，因此受到大學(xué)和研究機(jī)構(gòu)用戶的青睞。隨著訂單的不斷增加，DEC 開始面臨一個(gè)問題：銷售人員經(jīng)常搞錯(cuò)用戶選購(gòu)計(jì)算機(jī)時(shí)需要的各種配件（當(dāng)時(shí)都是以人工方式生成），造成了運(yùn)營(yíng)成本的增加。于是卡梅大學(xué)幫助DEC開發(fā)了XCON（訂單專家）系統(tǒng)。1980 年，DEC開始使用該系統(tǒng)后通過與銷售人員互動(dòng)積累了2500多條配置規(guī)則，運(yùn)行6年共處理了8萬(wàn)多筆訂單，準(zhǔn)確率高達(dá)95%~98%，為DEC 公司節(jié)省了2500多萬(wàn)美元的成本。

　　20世紀(jì)80年代，摩爾定律帶來的內(nèi)存容量和CPU 運(yùn)算速度的指數(shù)增長(zhǎng)、關(guān)系數(shù)據(jù)庫(kù)技術(shù)的成熟、個(gè)人計(jì)算機(jī)和局域網(wǎng)技術(shù)的普及等因素也是促成專家系統(tǒng)全面開花的重要前提。因?yàn)橛?jì)算機(jī)成本的不斷下降，企業(yè)不同部門開始各自的局域網(wǎng)內(nèi)搭建需要的專家系統(tǒng)，在客觀上造成了對(duì)這些系統(tǒng)的需求。這些利好因素再加上像早期XCON這類系統(tǒng)的成功，使得人工智能領(lǐng)域通過專家系統(tǒng)進(jìn)入第2次高速發(fā)展階段。

　　專家系統(tǒng)的成功再次引發(fā)了學(xué)術(shù)泡沫。不少人認(rèn)為專家系統(tǒng)可以很快應(yīng)用到軟件開發(fā)上，實(shí)現(xiàn)軟件開發(fā)的自動(dòng)化。面對(duì)這次學(xué)術(shù)大躍進(jìn)，也有不少頭腦冷靜者。1986年北卡羅來納大學(xué)教堂山分校計(jì)算機(jī)系主任布魯克斯發(fā)表了一篇后來成為計(jì)算機(jī)學(xué)術(shù)歷史上經(jīng)典的論文“沒有銀彈”[4]。在這篇論文里布魯克斯質(zhì)疑了已經(jīng)膨脹多年的關(guān)于自動(dòng)編程可以很快實(shí)現(xiàn)的學(xué)術(shù)泡沫。后來他在《人月神話》一書中結(jié)合當(dāng)年開發(fā)IBM 360操作系統(tǒng)的經(jīng)歷，進(jìn)一步闡述了大型軟件工程的復(fù)雜性（圖4）。

圖4 布魯克斯的名著《人月神話》，封面用深陷瀝青湖無法脫身的3 只野獸來比喻大型軟件開發(fā)過程的復(fù)雜性

　　布魯克斯在20世紀(jì)60年代曾經(jīng)擔(dān)任IBM 360大型機(jī)操作系統(tǒng)的開發(fā)負(fù)責(zé)人，對(duì)大型軟件工程的復(fù)雜性有著切身體會(huì)。他以一個(gè)孕婦需要10個(gè)月才能生出一個(gè)孩子，但是10個(gè)孕婦加在一起也不可能在一個(gè)月生出一個(gè)孩子來比喻軟件開發(fā)的不可避免的復(fù)雜性。他認(rèn)為當(dāng)時(shí)沒有任何技術(shù)或者管理方式能夠讓編程效率在10年內(nèi)增長(zhǎng)10倍，事實(shí)也的確如此。布魯克斯發(fā)表這篇論文直接或間接導(dǎo)致了人工智能的第2次低潮。因?yàn)檫@時(shí)專家系統(tǒng)沒能再有大的突破。

　　專家系統(tǒng)在20世紀(jì)80年代的瓶頸除了計(jì)算機(jī)軟硬件本身的限制外，還有其他因素。比如每個(gè)公司和研究團(tuán)隊(duì)研發(fā)的專家系統(tǒng)都是自成體系的封閉系統(tǒng)，沒有開源軟件和公開的數(shù)據(jù)標(biāo)準(zhǔn)來共享數(shù)據(jù)和策略，所以任何2個(gè)專家系統(tǒng)之間無法相互協(xié)作。另外盡管大家認(rèn)識(shí)到專家系統(tǒng)中知識(shí)的重要性，但是知識(shí)體系的復(fù)雜性遠(yuǎn)遠(yuǎn)超過預(yù)期。直到20世紀(jì)90年代，學(xué)術(shù)界和產(chǎn)業(yè)界才通過系統(tǒng)地分析人類知識(shí)結(jié)構(gòu)，發(fā)現(xiàn)其龐大性以及知識(shí)本身的顯性和隱性之分[5]。20世紀(jì)90年代后期曾經(jīng)有不少人工智能學(xué)者試圖把人類的全部知識(shí)通過共享的方式構(gòu)建到一個(gè)數(shù)據(jù)庫(kù)里，但是就像受到詛咒的巴別塔一樣，這一領(lǐng)域最有希望的兩位學(xué)者先后英年早逝[6]。

　　專家系統(tǒng)可以看做是理性流派的進(jìn)一步發(fā)展。神經(jīng)網(wǎng)絡(luò)做為感性流派在這一時(shí)期雖然沒有專家系統(tǒng)那樣成功，也取得了一些進(jìn)步。比如神經(jīng)網(wǎng)絡(luò)的架構(gòu)從以前的輸入層加輸出層的單層結(jié)構(gòu)轉(zhuǎn)變?yōu)樘砑恿酥虚g的隱層。這一變化使得神經(jīng)網(wǎng)絡(luò)可以解決更加復(fù)雜的分類問題。

　　層數(shù)的增加為各個(gè)層的神經(jīng)節(jié)點(diǎn)連接的權(quán)重選取帶來新的困難。反向傳播算法（backpropagation）的出現(xiàn)在一定程度上解決了權(quán)重選取問題。另外計(jì)算機(jī)運(yùn)算能力的提高使得多層神經(jīng)網(wǎng)絡(luò)的計(jì)算成為可能，在此基礎(chǔ)上分支聯(lián)結(jié)主義（connectionism）開始流行。通過分布式計(jì)算為多層神經(jīng)網(wǎng)絡(luò)提供架構(gòu)支持成為新的發(fā)展方向。

　　與感性流派的神經(jīng)網(wǎng)絡(luò)相關(guān)的新人工智能（Nouvelle AI）思想也在這一時(shí)期出現(xiàn)。持新人工智能觀點(diǎn)的學(xué)者認(rèn)為，人工智能在過去30多年時(shí)間里把人類智慧狹義地理解為基于符號(hào)處理的智能模型是錯(cuò)誤的，因?yàn)槿祟惇?dú)有的很多智慧是無意識(shí)的技能和直覺，并不需要推理。該領(lǐng)域的主要學(xué)者莫拉維克（Hans Moravec）舉例說：要讓計(jì)算機(jī)如成人般地下棋是相對(duì)容易的，但是要讓計(jì)算機(jī)有如一歲小孩般的感知和行動(dòng)能力卻是相當(dāng)困難甚至是不可能的[7]。這一觀點(diǎn)不僅認(rèn)為模擬人腦是研究人工智能的基礎(chǔ)，還進(jìn)一步認(rèn)為人工智能的培育和發(fā)展需要通過不斷感知外界環(huán)境，根據(jù)環(huán)境做出反應(yīng)來循序漸進(jìn)地進(jìn)行。這一過程中需要的并不是大量的推理，而是對(duì)外界信息的大量獲取和快速處理。

　　還需要提及的是專家系統(tǒng)及人工神經(jīng)網(wǎng)絡(luò)維度的深化推動(dòng)了超級(jí)計(jì)算技術(shù)的發(fā)展。從這一領(lǐng)域衍生出的計(jì)算機(jī)集群技術(shù)成為20世紀(jì)90年代信息領(lǐng)域高科技公司的計(jì)算平臺(tái)，而這些平臺(tái)又成為新一代人工智能技術(shù)的硬件基礎(chǔ)。當(dāng)然人工智能的再度發(fā)展還需要一個(gè)重要的因素，這一因素到了20世紀(jì)90年代才出現(xiàn)，這就是萬(wàn)維網(wǎng)。

　　網(wǎng)絡(luò)人工智能

　　互聯(lián)網(wǎng)的前身阿帕網(wǎng)起源于美蘇冷戰(zhàn)。20世紀(jì)80年代阿帕網(wǎng)已經(jīng)通過大學(xué)和研究所等機(jī)構(gòu)滲透到民間。1989年歐洲量子物理實(shí)驗(yàn)中心工作的伯納斯李向?qū)嶒?yàn)中心正式提交了一份后來被稱為“萬(wàn)維網(wǎng)藍(lán)圖”的報(bào)告[8]。這份報(bào)告提出了萬(wàn)維網(wǎng)框架的運(yùn)行機(jī)制和實(shí)施方案。1990 年11 月，他在NeXT工作站上制作了第一個(gè)萬(wàn)維網(wǎng)瀏覽器和第一個(gè)網(wǎng)絡(luò)服務(wù)器，隨后編寫了執(zhí)行萬(wàn)維網(wǎng)項(xiàng)目細(xì)節(jié)的網(wǎng)頁(yè)，至此世界上第1個(gè)萬(wàn)維網(wǎng)站誕生。

　　1993年1月美國(guó)伊利諾大學(xué)為瀏覽萬(wàn)維網(wǎng)網(wǎng)站開發(fā)的UNIX 版本馬賽克瀏覽器被放到該大學(xué)計(jì)算中心的免費(fèi)FTP服務(wù)器上，不到兩個(gè)月的時(shí)間就被下載了上萬(wàn)次。1993年12月《紐約時(shí)報(bào)》商業(yè)版頭版介紹了馬賽克，稱其將創(chuàng)造一個(gè)全新的產(chǎn)業(yè)。馬賽克的流行使得覆蓋互聯(lián)網(wǎng)的萬(wàn)維網(wǎng)成為新的連接世界的平臺(tái)，也引發(fā)了以硅谷為中心的電子商務(wù)革命。1993年1月馬賽克剛出現(xiàn)時(shí)，全世界只有50個(gè)萬(wàn)維網(wǎng)服務(wù)器，10 月份達(dá)到500 個(gè)，1994 年6月份增加到1500個(gè)，萬(wàn)維網(wǎng)開始以指數(shù)增長(zhǎng)。

　　在萬(wàn)維網(wǎng)流行了3年后的1996年，斯坦福2個(gè)研究生發(fā)現(xiàn)用解n 元一次方程組的辦法，可以把萬(wàn)維網(wǎng)的所有網(wǎng)頁(yè)按照重要性進(jìn)行排名，從而解決了網(wǎng)絡(luò)用戶面對(duì)以指數(shù)增長(zhǎng)的網(wǎng)頁(yè)信息進(jìn)行有效搜索的難題，他們后來成立了谷歌公司[9]。差不多在相同的時(shí)間，剛上線一年多的亞馬遜與明尼蘇達(dá)大學(xué)的幾位計(jì)算機(jī)專家合作，開始分析每個(gè)用戶在其網(wǎng)站上購(gòu)買的商品，并與其他用戶的購(gòu)買商品進(jìn)行比較和關(guān)聯(lián)，用得到的結(jié)果來個(gè)性化對(duì)網(wǎng)站瀏覽用戶的商品推薦[10]。

　　谷歌的佩奇排名（PageRank）和亞馬遜的協(xié)同過濾（collaborative filtering）推薦系統(tǒng)的共同特點(diǎn)是它們都通過使用簡(jiǎn)單的數(shù)學(xué)原理來處理海量數(shù)據(jù)達(dá)到目的。這種看似簡(jiǎn)單的指導(dǎo)思想解決了很多專家聚集在一起都很難解決的問題。這就是互聯(lián)網(wǎng)時(shí)代超大規(guī)模并行計(jì)算所帶來的網(wǎng)絡(luò)人工智能的共同特點(diǎn)。

　　不同的是，網(wǎng)絡(luò)人工智能不再使用昂貴的超級(jí)計(jì)算機(jī)，而是用大量聯(lián)結(jié)在一起的廉價(jià)服務(wù)器甚至是個(gè)人計(jì)算機(jī)來取得相同甚至更好的效果。在知識(shí)來源上，網(wǎng)絡(luò)人工智能往往依靠成千上萬(wàn)的大眾點(diǎn)滴貢獻(xiàn)（crowdsourcing）而不是專家智慧。比如谷歌在計(jì)算網(wǎng)頁(yè)的排名時(shí)使用的是不同網(wǎng)頁(yè)之間的超文本鏈接信息，而這些鏈接是用戶在創(chuàng)建網(wǎng)頁(yè)時(shí)提供的。亞馬遜的數(shù)據(jù)來源則是每個(gè)用戶購(gòu)買的商品信息。這些在個(gè)人看來再簡(jiǎn)單不過的信息被整合到一起進(jìn)行處理后發(fā)揮出巨大的潛力，也使得數(shù)據(jù)挖掘成為網(wǎng)絡(luò)人工智能的流行用語(yǔ)和代名詞。

　　網(wǎng)絡(luò)人工智能給人類社會(huì)帶來的不僅是日常生活的方便，它們?cè)诤艽蟪潭壬祥_始從各個(gè)方面影響社會(huì)發(fā)展進(jìn)程。谷歌的搜索結(jié)果可以決定一個(gè)人的言論被關(guān)注的程度，而亞馬遜的推薦則可以把許多質(zhì)量好但沒能得到推廣的商品推薦給大眾，引出“長(zhǎng)尾定律”[11]。

　　隨著業(yè)務(wù)量和數(shù)據(jù)量的增加，這些網(wǎng)絡(luò)平臺(tái)不斷擴(kuò)張，具備越來越強(qiáng)大的存儲(chǔ)和計(jì)算能力。谷歌從1999年購(gòu)買二手服務(wù)器開始搭建自己的計(jì)算平臺(tái)到2012年第一次對(duì)外展示谷歌數(shù)據(jù)中心，其服務(wù)器的數(shù)量從最初的幾十臺(tái)發(fā)展到100多萬(wàn)臺(tái)。同一時(shí)期亞馬遜的彈性云平臺(tái)服務(wù)器總量大概在50萬(wàn)臺(tái)左右。電商巨擎的計(jì)算平臺(tái)不僅僅在單機(jī)數(shù)量上達(dá)到了以往未有的高度，在架構(gòu)、軟件控制，甚至能耗上與傳統(tǒng)的數(shù)據(jù)中心相比也有諸多創(chuàng)新（谷歌在這一方面有最多的創(chuàng)新，比如谷歌的單機(jī)服務(wù)器自攜備用電池，避免了為整個(gè)數(shù)據(jù)中心配備UPS所帶來的額外成本；為了進(jìn)一步節(jié)省空調(diào)能源消耗，部分?jǐn)?shù)據(jù)中心采取循環(huán)水物理蒸發(fā)方式降溫等（圖5）。這些技術(shù)升級(jí)為2010年前后神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)方向的突破性發(fā)展提供了必要的平臺(tái)。

圖5 谷歌最早采取了數(shù)據(jù)集裝箱方式來搭建數(shù)據(jù)中心，幾千臺(tái)服務(wù)器在生產(chǎn)商處按照標(biāo)準(zhǔn)方式配置到專門設(shè)計(jì)的集裝箱結(jié)構(gòu)中，再直接運(yùn)輸?shù)綌?shù)據(jù)中心，這些集裝箱在設(shè)計(jì)上采用了很多先進(jìn)的散熱方式，為谷歌節(jié)省了大量能耗

　　深度學(xué)習(xí)

　　20世紀(jì)50年代感知機(jī)流行時(shí)，霍普金斯大學(xué)的住院醫(yī)生休伯爾和年輕教授威塞爾結(jié)識(shí)并成為學(xué)術(shù)搭檔，開始了后來長(zhǎng)達(dá)20多年的使他們獲得諾獎(jiǎng)的視覺神經(jīng)方面的研究。1959年他們通過觀察貓腦部視覺中樞對(duì)視網(wǎng)膜進(jìn)入圖像的處理方式發(fā)現(xiàn)，有些神經(jīng)元對(duì)不同光強(qiáng)度或者不同角度的斜線有反應(yīng)，另一些神經(jīng)元對(duì)光感和簡(jiǎn)單斜線沒有反應(yīng)，但是對(duì)物體移動(dòng)具有敏感性，即便這些物體的邊界發(fā)生形變也不影響其激發(fā)。他們兩人將前一類稱為簡(jiǎn)單細(xì)胞，后一類稱為復(fù)雜細(xì)胞。休伯爾和威塞爾的這一發(fā)現(xiàn)和后來的研究給從事神經(jīng)網(wǎng)絡(luò)研究的計(jì)算機(jī)專家提供了重要的建模思路，比如視神經(jīng)元對(duì)信息處理是分工分層進(jìn)行的，不同神經(jīng)元關(guān)注的對(duì)象特征不同，每一層神經(jīng)元抽象出對(duì)象的部分特征進(jìn)行處理，最后所有信息經(jīng)過逐層激發(fā)，在中樞最高層激發(fā)對(duì)整個(gè)對(duì)象產(chǎn)生認(rèn)知的“祖母神經(jīng)元”。

　　20世紀(jì)60、70年代，通過回歸分析來逐層學(xué)習(xí)和提煉最優(yōu)的神經(jīng)網(wǎng)絡(luò)層數(shù)和節(jié)點(diǎn)數(shù)的方式出現(xiàn)。烏克蘭數(shù)學(xué)家伊萬(wàn)科夫（A. G. Ivakhnenko）及其同事在1971 年發(fā)表過8 層神經(jīng)網(wǎng)絡(luò)模型。1979 年日本京都大學(xué)福島邦彥（Kunihiko Fukushima）成功通過多層神經(jīng)網(wǎng)絡(luò)（neocognitro）學(xué)習(xí)進(jìn)行手寫字母的圖像識(shí)別。1992年密歇根州立大學(xué)計(jì)算機(jī)系的翁巨揚(yáng)提出了最大池化方式（max pooling）和卷積神經(jīng)網(wǎng)絡(luò)（convolution neural net）這一后來被廣為傳播和使用的深度學(xué)習(xí)算法。

　　深度學(xué)習(xí)能夠在北美走向主流，與被戲稱為“加拿大黑手黨”的3個(gè)專注機(jī)器學(xué)習(xí)領(lǐng)域多年的計(jì)算機(jī)專家的堅(jiān)持不懈有直接關(guān)系。他們是加拿大多倫多大學(xué)計(jì)算機(jī)系的杰弗里·辛頓（Geoffrey Hinton），曾經(jīng)給辛頓做博士后的紐約大學(xué)計(jì)算機(jī)系教授燕存樂（Yann LeCun）和與燕存樂在貝爾實(shí)驗(yàn)室共同工作過的加拿大蒙特利爾大學(xué)教授約書亞·本吉奧（Yoshua Bengio）。

　　辛頓1970年從劍橋心理學(xué)專業(yè)本科畢業(yè)，1978 年從愛丁堡大學(xué)獲得人工智能專業(yè)博士學(xué)位。他畢業(yè)時(shí)恰好遇到人工智能的第2次高潮，于是投入到神經(jīng)網(wǎng)絡(luò)的研究中。他和燕存樂在1989年將反向傳播算法應(yīng)用到前饋多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程，使得該算法能夠識(shí)別出手寫的郵政編碼。不過隨著層度加深，反向傳播算法無法有效地調(diào)整神經(jīng)連接之間的權(quán)重，導(dǎo)致過長(zhǎng)的學(xué)習(xí)時(shí)間。20世紀(jì)80年代末人工智能研究進(jìn)入低谷，很多同行開始研究別的領(lǐng)域，但是辛頓等卻仍然在這一領(lǐng)域堅(jiān)持不懈。以至于有很長(zhǎng)一段時(shí)間，多倫多大學(xué)的計(jì)算機(jī)系里私下流行的對(duì)新生的警言是不要去辛頓的實(shí)驗(yàn)室。

　　在歐洲學(xué)術(shù)界多層神經(jīng)網(wǎng)絡(luò)的研究在20 世紀(jì)90 年代也取得了一些進(jìn)展。慕尼黑工業(yè)大學(xué)的人工智能專家于爾根·施米德休伯（JürgenSchmidhuber）和他的學(xué)生團(tuán)隊(duì)在1992年提出的非監(jiān)督學(xué)習(xí)時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural net）為語(yǔ)音識(shí)別和自然語(yǔ)言翻譯提供了重要的模型。與前饋網(wǎng)絡(luò)不同的是，遞歸神經(jīng)網(wǎng)絡(luò)允許各個(gè)神經(jīng)節(jié)直接形成環(huán)狀循環(huán)連接，甚至允許一個(gè)神經(jīng)節(jié)點(diǎn)接受自己的輸入，這種架構(gòu)使得每個(gè)節(jié)點(diǎn)能夠更好地利用歷史權(quán)重，從而更適合處理音頻和文字等序列數(shù)據(jù)。1997年他們提出了簡(jiǎn)化時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期記憶人工時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（LSTM RNN），解決了時(shí)間遞歸網(wǎng)絡(luò)在學(xué)習(xí)過程中的誤差消失和放大的問題。

　　無論是北美還是歐洲，神經(jīng)網(wǎng)絡(luò)研究在20世紀(jì)90年代因?yàn)橛?jì)算能力這一根本性限制均沒能在應(yīng)用領(lǐng)域取得突破。2004 年機(jī)會(huì)出現(xiàn)，這一年辛頓從加拿大高等研究所獲得每年50萬(wàn)美元的經(jīng)費(fèi)，在燕存樂和本吉奧的協(xié)助下啟動(dòng)了神經(jīng)計(jì)算和適應(yīng)感知項(xiàng)目。該項(xiàng)目將一批一流的計(jì)算機(jī)、生物學(xué)、電子工程、神經(jīng)科學(xué)、物理學(xué)和心理學(xué)專家聚集在一起，共同探討用神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的方法模擬人腦智能，該項(xiàng)目聚集了一批后來活躍在人工智能領(lǐng)域的專家，除了辛頓、燕樂存和本吉奧外，還有后來負(fù)責(zé)谷歌大腦計(jì)劃的斯坦福計(jì)算機(jī)系教授吳恩達(dá)，以及指導(dǎo)奧巴馬政府“人腦”計(jì)劃的諾斯基（TerrySejnowski）。諾斯基在20世紀(jì)80年代和辛頓一起發(fā)明了波茲曼機(jī)。

　　有了經(jīng)費(fèi)和智慧，辛頓他們很快利用集群計(jì)算技術(shù)搭配的大計(jì)算平臺(tái)發(fā)現(xiàn)了更優(yōu)化的算法，早期反向傳播算法難以客服的困難陸續(xù)得到解決。用和時(shí)間遞歸網(wǎng)絡(luò)類似的逐層培訓(xùn)方式，辛頓等在深度前饋網(wǎng)絡(luò)中采取了預(yù)培訓(xùn)方式解決了反向傳播算法的梯度消失問題，用逐層培訓(xùn)和抽象的方式來有效地降低觀察對(duì)象的維度。簡(jiǎn)單地說就是將被識(shí)別對(duì)象的特征（feature）從最底層（例如單個(gè)像素）開始通過池化方式逐層抽象收集，后一層把前一層的特征抽取結(jié)果做為新的識(shí)別對(duì)象，用同樣的方法提取其新的特征。這種方式可以采用非監(jiān)督的自動(dòng)編碼和解碼的方式來矯正，不需要預(yù)先對(duì)識(shí)別對(duì)象進(jìn)行標(biāo)注（圖6）。2006年前后這一算法在圖像識(shí)別等分類型預(yù)測(cè)方面取得了突破性。同一時(shí)期施米德休伯等人的時(shí)間遞歸算法也在圖像識(shí)別和語(yǔ)音識(shí)別方面取得突破。

圖6 卷積神經(jīng)網(wǎng)絡(luò)和最大池化是深度學(xué)習(xí)的核心設(shè)計(jì)，復(fù)雜的模式通過這種方式被逐層進(jìn)行特征抽象，最終可以被有效地分析

　　2006年深度學(xué)習(xí)在歐美各地的突破與云計(jì)算技術(shù)的成熟有直接關(guān)系。用辛頓自己在2013年加拿大英屬哥倫比亞大學(xué)的一次演講中的話來總結(jié)，深度學(xué)習(xí)以前不成功是因?yàn)槿狈?個(gè)必要前提：足夠多的數(shù)據(jù)、足夠強(qiáng)大的計(jì)算能力和設(shè)定好初始化權(quán)重。事實(shí)也的確如此。2006年3月亞馬遜正式向外界推出彈性云服務(wù)，同年8月谷歌總裁施密特開始使用云計(jì)算（cloudcomputing）一詞來區(qū)別傳統(tǒng)的“客戶/服務(wù)器”模式。隨后微軟等其他公司紛紛步入其后塵，開始向用戶提供類似的云計(jì)算服務(wù)。大數(shù)據(jù)和云計(jì)算為深度學(xué)習(xí)算法提供了海量數(shù)據(jù)和近乎無限的計(jì)算能力，打破了這兩個(gè)限制人工智能發(fā)展的主要瓶頸。值得一提的是GPU的出現(xiàn)加速了深度學(xué)習(xí)的數(shù)據(jù)處理速度。與只擁有少量?jī)?nèi)核的CPU 相比，GPU擁有上百個(gè)內(nèi)核，可以同時(shí)處理上千個(gè)指令相同的線程。這意味著對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重計(jì)算這種高度一致的重復(fù)并行計(jì)算工作，GPU的處理效率有可能達(dá)到普通CPU 的幾十倍，從而可以高速有效地進(jìn)行各種模式識(shí)別計(jì)算。

　　最早將深度學(xué)習(xí)引入語(yǔ)音識(shí)別的是微軟。2009年圣誕前夕微軟研究院在加拿大召開了一個(gè)小型學(xué)術(shù)會(huì)議，邀請(qǐng)辛頓介紹深度學(xué)習(xí)的研究成果。辛頓的算法并沒有引起大多數(shù)與會(huì)專家的重視，但是微軟的兩個(gè)與會(huì)代表鄧立和俞棟卻在會(huì)后組織了人員和數(shù)據(jù)進(jìn)行了測(cè)試，結(jié)果發(fā)現(xiàn)非監(jiān)督的深度學(xué)習(xí)算法可以使得語(yǔ)音識(shí)別的準(zhǔn)確率提升25%，遠(yuǎn)超5%的業(yè)界期望值。于是微軟開始將這一算法通過不斷優(yōu)化應(yīng)用到語(yǔ)音識(shí)別的各類產(chǎn)品和服務(wù)中。圖7為2012年10月微軟首席研究官拉希德（Rick Rashid）在天津21世紀(jì)的計(jì)算大會(huì)”上公開演示的后來一時(shí)熱透中國(guó)互聯(lián)網(wǎng)的全自動(dòng)同聲傳譯系統(tǒng)（錯(cuò)誤率僅為7%）的視頻（圖7）。

圖7 2012 年10 月微軟首席研究官拉希德（Rick Rashid）在天津召開的“21 世紀(jì)的計(jì)算大會(huì)”上公開演示全自動(dòng)同聲傳譯系統(tǒng)（錯(cuò)誤率僅為7%）

　　微軟在語(yǔ)音技術(shù)上的突破暗示出如果給予深度學(xué)習(xí)足夠多的數(shù)據(jù)和計(jì)算資源，后者有可能從事更加復(fù)雜的圖像識(shí)別工作。顯然互聯(lián)網(wǎng)上充足的數(shù)據(jù)資源為這一想法提供了重要的實(shí)驗(yàn)平臺(tái)。2007 年斯坦福大學(xué)的李飛飛和普林斯頓大學(xué)的李凱合作開發(fā)了ImageNet 項(xiàng)目（圖8）。

圖8 李飛飛在TED 上講述ImageNet (How we're teaching computers to understand pictures)，ImageNet 目前以開源形式為各種深度學(xué)習(xí)算法的測(cè)試和比賽提供數(shù)據(jù)支持

　　該項(xiàng)目團(tuán)隊(duì)從互聯(lián)網(wǎng)上下載了10億多圖片，然后通過亞馬遜機(jī)械土耳其人這一低成本網(wǎng)絡(luò)眾包的方式，雇傭了來自167 個(gè)國(guó)家共5萬(wàn)多人對(duì)這些圖片進(jìn)行了分類標(biāo)注。截止2009年該項(xiàng)目成功產(chǎn)生了一個(gè)包含22000不同門類，共1500萬(wàn)圖片的帶標(biāo)簽的數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)里的圖片分類和標(biāo)簽質(zhì)量超過以往任何數(shù)據(jù)庫(kù)，其中僅貓這一門類就有62000張不同的圖片，包含了所有種類的馴養(yǎng)和野生貓。建成這一數(shù)據(jù)庫(kù)后，李飛飛及其團(tuán)隊(duì)利用深度學(xué)習(xí)方法，使得計(jì)算機(jī)通過監(jiān)督學(xué)習(xí)方式識(shí)別包含各種物體的圖像，而且能夠用自然語(yǔ)言生成對(duì)每個(gè)圖像中的物體關(guān)系的簡(jiǎn)單描述。這一成果進(jìn)一步引發(fā)了學(xué)術(shù)界和科技界對(duì)深度學(xué)習(xí)的關(guān)注。

　　ImageNet 項(xiàng)目主要為監(jiān)督學(xué)習(xí)方式提供了數(shù)據(jù)標(biāo)簽支持，但是標(biāo)簽圖片與整個(gè)互聯(lián)網(wǎng)的所有圖片數(shù)量相比，仍然是九牛一毛。絕大多數(shù)數(shù)據(jù)仍然是以無標(biāo)簽形式存在的。更重要的是人腦尤其是嬰兒大腦的發(fā)育過程是以標(biāo)簽方式進(jìn)行的。所以無監(jiān)督學(xué)習(xí)和讓神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)成為另一個(gè)研究方向。

　　2011 年谷歌的迪恩（Jeff Dean）和斯坦福計(jì)算機(jī)系的吳恩達(dá)在未來技術(shù)實(shí)驗(yàn)中心（Google X）聯(lián)合發(fā)起了“谷歌大腦”研究計(jì)劃。該計(jì)劃通過模擬新生嬰兒的大腦發(fā)育環(huán)境來研究人腦的物體識(shí)別和語(yǔ)言認(rèn)知等功能。他們利用谷歌的云計(jì)算平臺(tái)搭建了一個(gè)配備16000個(gè)CPU和10億突觸神經(jīng)連接的谷歌大腦計(jì)算平臺(tái)（1年后斯坦福大學(xué)和英偉達(dá)合作只用了16臺(tái)配備GPU的服務(wù)器，每臺(tái)配備2個(gè)8核CPU和4個(gè)英偉達(dá)GeForce GTX 680GPU，就達(dá)到了同樣的計(jì)算效果）。為了收集有效的能夠表征人類生活環(huán)境的數(shù)據(jù)，他們從谷歌YouTube隨機(jī)選取了1000萬(wàn)個(gè)視屏，從每個(gè)視頻里隨即獲取一個(gè)200×200像素的截屏，相當(dāng)于模擬嬰兒用眼睛不斷觀察到的周圍環(huán)境。

　　數(shù)據(jù)收集完成后，他們用辛頓2006年提出的深度學(xué)習(xí)分層訓(xùn)練模型和自我編碼解碼校驗(yàn)方式去自動(dòng)對(duì)這1000 萬(wàn)張圖片進(jìn)行特征抽取和分析。這一項(xiàng)目的目標(biāo)之一是查看該模型的分層抽象特征提取方式是否能夠最終產(chǎn)生一批高度異化的“祖母神經(jīng)元”。結(jié)果該實(shí)驗(yàn)不但發(fā)現(xiàn)了模擬狀態(tài)的祖母神經(jīng)元的存在，而且在抽象最高層形成物體判斷的神經(jīng)元中居然有一只是對(duì)應(yīng)貓的面部圖像（圖9），也就是說通過深度學(xué)習(xí)，該人工大腦形成了對(duì)貓的印象（古希臘哲學(xué)家柏拉圖和其學(xué)生亞里士多德在人對(duì)客觀世界的不同對(duì)象的概念形成中到底是先有絕對(duì)主觀存在還是從客觀形成有意見分歧。從谷歌的大腦實(shí)驗(yàn)來看，亞里士多德的客觀形成論得到了驗(yàn)證）。

圖9 這是谷歌大腦用深度學(xué)習(xí)方式分析了成千上萬(wàn)張貓的圖片后形成的對(duì)貓的“記憶”

　　除了辛頓等在深度學(xué)習(xí)領(lǐng)域成果頻出外，2010 年以后在瑞士人工智能實(shí)驗(yàn)室（IDSIA）擔(dān)任主任的施米德休伯和他的學(xué)生們也不斷取得突破。他們利用長(zhǎng)短記憶時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)識(shí)別序列信息的優(yōu)勢(shì)在各種圖像識(shí)別比賽中奪魁，其中包括德國(guó)的交通標(biāo)志自動(dòng)識(shí)別比賽、國(guó)際漢字、阿拉伯文等手寫體識(shí)別比賽。2010年他的3個(gè)博士生創(chuàng)立了深思（DeepMind）公司，根據(jù)深度學(xué)習(xí)理論和對(duì)數(shù)據(jù)流的研究開發(fā)出了能夠像人一樣通過觀察普通人玩街機(jī)游戲的畫面來了解游戲規(guī)則，再通過學(xué)習(xí)的規(guī)則去玩同樣的游戲，甚至擊敗人類對(duì)手。2014該公司被谷歌以5億美元收購(gòu)。2016年3月，該團(tuán)隊(duì)設(shè)計(jì)的AlphaGo圍棋對(duì)抗程序以4勝1負(fù)的戰(zhàn)績(jī)擊敗了人類圍棋冠軍李世乭。

　　在目前這輪以深度學(xué)習(xí)為代表的人工智能新高潮里，企業(yè)界早已通過收購(gòu)和人才獵取而投入了大量的資本。谷歌董事長(zhǎng)施密特公開表示機(jī)器學(xué)習(xí)是谷歌目前最主要的工作。2013年谷歌通過收購(gòu)辛頓的DNNresearch 公司，將包括辛頓和他的幾個(gè)學(xué)生在內(nèi)的一批人才收攬?jiān)谄煜隆ｋS后谷歌又在2015年收購(gòu)了DeepMind公司，把歐洲的深度學(xué)習(xí)專家收攏到谷歌旗下。Facebook創(chuàng)始人扎克伯格在讀完深度學(xué)習(xí)的論文后，從紐約大學(xué)高薪聘走了燕存樂。亞馬遜資助西雅圖的華盛頓大學(xué)計(jì)算機(jī)系從卡梅挖來了蓋斯成（Carlos Guestrin）夫婦，后者與亞馬遜合作開發(fā)機(jī)器學(xué)習(xí)項(xiàng)目。而在這之前，谷歌從該系挖走了7 名計(jì)算機(jī)系教授。斯坦福大學(xué)的吳恩達(dá)則被百度從谷歌挖走，成為硅谷百度研究院的首席研究員。

　　這些投入會(huì)不會(huì)最終仍然以泡沫破裂收?qǐng)觯看鸢负苡锌赡苁强隙ǖ摹?/p>

　　智能與超越

　　2014 年牛津大學(xué)的博斯特倫（NickBostrom）在《超級(jí)人工智能：路徑，危險(xiǎn)和策略》一書里提出，人工智能技術(shù)很可能在不久的將來孕育出在認(rèn)知方面全面超越人類的超級(jí)智能（super intelligence）。他認(rèn)為超級(jí)智能在給人類社會(huì)帶來好處的同時(shí)也造成了人類本身的生存危機(jī)（existentialrisk）。2015年1月包括物理學(xué)家霍金、企業(yè)家馬斯克等在內(nèi)的主要來自歐洲的科學(xué)和科技界精英聯(lián)名發(fā)表了一封公開信，敦促業(yè)界關(guān)注人工智能發(fā)展的穩(wěn)健性和風(fēng)險(xiǎn)控制，通過合作和共識(shí)形成一個(gè)控制人工智能發(fā)展方向的框架，該公開信內(nèi)容和所有簽署人名單見https://futureoflife.org/AI/open_letter。

　　博斯特倫提出的超級(jí)智能可以追溯到馮諾依曼在1958 年的奇點(diǎn)（Singularity）預(yù)測(cè)。馮諾依曼認(rèn)為隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，終有一天計(jì)算機(jī)將能夠自我設(shè)計(jì)，從而進(jìn)入自我進(jìn)化狀態(tài)。一旦進(jìn)入到這一奇點(diǎn)狀態(tài)，人類智能將與計(jì)算機(jī)智能迅速拉開差距，前者將逐漸被后者取代。

　　盡管這些學(xué)術(shù)界和產(chǎn)業(yè)界的名人表示了憂慮，但人類對(duì)大腦的研究，尤其是什么是智能的認(rèn)識(shí)卻仍然處在初級(jí)階段。從目前人工智能的發(fā)展水平來看，筆者認(rèn)為這種對(duì)機(jī)器本身所帶來的威脅的擔(dān)憂是沒有任何必要的，真正需要防范的是強(qiáng)勢(shì)集團(tuán)對(duì)人工智能技術(shù)的濫用。

　　首先，從計(jì)算機(jī)的計(jì)算能力來進(jìn)行一下比較。根據(jù)目前對(duì)人腦的最新認(rèn)識(shí)，人的大腦皮層共有大約860億神經(jīng)元，能夠進(jìn)行200 MB/s 并行運(yùn)算。新生嬰兒大腦皮層每個(gè)神經(jīng)元有大約2500個(gè)突觸，2、3歲時(shí)增加到15000個(gè)，達(dá)到峰值。成年后每個(gè)神經(jīng)元的突觸數(shù)量大約為7500個(gè)。相比之下，2012年設(shè)計(jì)的谷歌大腦的總共16000 個(gè)CPU神經(jīng)元和10億突觸，遠(yuǎn)遠(yuǎn)低于人腦的復(fù)雜度。事實(shí)上就算把谷歌計(jì)算平臺(tái)所擁有的全部服務(wù)器（總數(shù)量為幾百萬(wàn)臺(tái)）用于大腦認(rèn)知模擬，也難以達(dá)到一個(gè)普通人腦的神經(jīng)元的數(shù)量和關(guān)聯(lián)度。

　　其次，對(duì)人腦智能的機(jī)制理解仍然處于一個(gè)初級(jí)階段。比如德萊弗斯（Hubert Dreyfus）提出人腦主要是通過圖像來思考的，這一現(xiàn)象背后的機(jī)制是什么？當(dāng)把一個(gè)小箱子放到一個(gè)大箱子上，然后把下面的大箱子取走，這時(shí)小箱子會(huì)怎樣？普通人通過大腦的圖像預(yù)演可以很簡(jiǎn)單地回答這一問題，而理性流派的人工智能往往需要通過大量的事實(shí)積累和邏輯推理才能做出這一推論。以感性流派為理念的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)雖然有可能通過模式識(shí)別實(shí)現(xiàn)這一推理，但目前來看還沒有在這方面邁出一步。

　　奔邁公司的創(chuàng)始人霍金斯的HTM理論就這一現(xiàn)象給出了比較有意思的理論框架[12]。該理論認(rèn)為大腦皮層通過不斷接收序列信息（sequenceinformation）來學(xué)習(xí)建立外部世界的感知-動(dòng)作模型（sensory-motor model）的器官，通過接收—預(yù)測(cè)—反饋—調(diào)整再接收這一過程來調(diào)整記憶。對(duì)于大量涌入的序列數(shù)據(jù)（比如聲音和動(dòng)作），大腦皮層是通過稀疏分布的表達(dá)方式層層激發(fā)處理信息。信息激發(fā)到祖母神經(jīng)元后根據(jù)以前記憶形成的預(yù)期開始向下激發(fā)相應(yīng)的各種感知和動(dòng)作神經(jīng)元，這些預(yù)期與新的信息進(jìn)行對(duì)比后，針對(duì)出現(xiàn)的偏差，相應(yīng)的神經(jīng)元會(huì)做出新的突觸連接調(diào)整。遺憾的是在實(shí)際應(yīng)用方面，根據(jù)該理論開發(fā)出的軟件還沒能取得突破性進(jìn)展。

　　最后，涉及一個(gè)比較抽象的哲學(xué)問題，就是什么是人的智能。60年前圖靈用圖靈測(cè)試來避免回答這一問題。今天對(duì)智能的認(rèn)識(shí)可能也無法給出滿意的答案。目前流行的深度學(xué)習(xí)只是人認(rèn)知能力的增強(qiáng)版，就像汽車和飛機(jī)雖然比人速度快，但不能認(rèn)為汽車或者飛機(jī)具有意識(shí)或者它們的運(yùn)動(dòng)智能超越了人類。

　　美國(guó)計(jì)算機(jī)和未來學(xué)家?guī)炱濏f爾（Ray Kurzweil）在2005 年的《奇點(diǎn)已近》一書認(rèn)為，人的智能其實(shí)就是人腦的神經(jīng)連接狀態(tài)[13]，他提出未來技術(shù)成熟后，可以通過釋放足夠多的納米機(jī)器人到人體內(nèi)，獲得大腦神經(jīng)元之間的每一個(gè)鏈接的各種生化指數(shù)，從而復(fù)制人的意識(shí)。這些納米機(jī)器人可以不斷監(jiān)控腦神經(jīng)的變化，從而在身體外部不斷備份人的意識(shí)。像很多前人科學(xué)家一樣，筆者認(rèn)為庫(kù)茲韋爾陷入了用人類可以理解的技術(shù)來解釋人類智能和意識(shí)的陷阱。

　　最近10年很多科學(xué)研究發(fā)現(xiàn)自然界的各種生物現(xiàn)象與量子糾纏有密切關(guān)系，比如光合作用和候鳥遷徙[14,15]。人的智能和意識(shí)是否也與此有關(guān)，只有等對(duì)這一現(xiàn)象有了更深刻的認(rèn)識(shí)后才能知道。

　　參考文獻(xiàn)（略）

（責(zé)任編輯 劉志遠(yuǎn)）

　　人工智能學(xué)家 Aitists

人工智能學(xué)家是權(quán)威的前沿科技媒體和研究機(jī)構(gòu)，2016年2月成立人工智能與互聯(lián)網(wǎng)進(jìn)化實(shí)驗(yàn)室（AIE Lab)，重點(diǎn)研究互聯(lián)網(wǎng)，人工智能，腦科學(xué)，虛擬現(xiàn)實(shí)，機(jī)器人，移動(dòng)互聯(lián)網(wǎng)等領(lǐng)域的未來發(fā)展趨勢(shì)和重大科學(xué)問題。

　　長(zhǎng)按上方二維碼關(guān)注微信號(hào) Aitists

　　投稿郵箱：post@aitists.com

歡迎點(diǎn)擊文章右下角”閱讀原文“進(jìn)行報(bào)名登記

我們將及時(shí)與您聯(lián)系。