人工智能學(xué)家

科技導(dǎo)報

戰(zhàn)略前沿技術(shù)整理

作者：萬赟，美國休斯敦大學(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》講述了英國數(shù)學(xué)家艾倫·圖靈60年前在二戰(zhàn)期間幫助設(shè)計電子計算機(jī)破譯納粹德國軍事密碼的真實故事。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)時英國流行的游戲。游戲中一男一女分別躲在幕后，參加游戲的人向他們兩個人不斷提問題，他們通過無法識別筆跡的筆答方式來回答，提問題的人根據(jù)回答來判斷這兩個人的性別。1950 年圖靈在《計算機(jī)與智能》[1]一文中借用這個游戲做為判斷計算機(jī)是否具有人類智能的標(biāo)準(zhǔn)，也就是把一個人和一臺計算機(jī)放在幕后，讓測試人員通過提問來判斷哪一個是計算機(jī)，如果判斷錯誤的話，就認(rèn)為計算機(jī)通過了圖靈測試，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算機(jī)稱為圖靈機(jī)，這一測試方式稱為圖靈測試（注：圖靈本人曾經(jīng)預(yù)測隨著足夠多內(nèi)存的出現(xiàn)，50年內(nèi)（也就是到2000年）計算機(jī)能夠達(dá)到圖靈機(jī)的標(biāo)準(zhǔn)）。40年后的1990年英國劍橋大學(xué)為了推動圖靈機(jī)的實現(xiàn)設(shè)立了總額為10萬美元的圖靈測試比賽（The Leobner Prize），每年舉辦一次，直到有人能夠設(shè)計出達(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，圖靈測試為人工智能領(lǐng)域的發(fā)展豎立起一個目標(biāo)。隨著幾代人工智能學(xué)者的不斷研究，逐漸認(rèn)識到人腦的高度復(fù)雜性和計算機(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，英國軍方需要盡快破譯納粹德國軍事密碼，圖靈參與并主導(dǎo)了英國電子計算機(jī)的研制。同時期美國科學(xué)家也投入到計算機(jī)的研制工作。戰(zhàn)后電子計算機(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，該會議成為人工智能領(lǐng)域正式創(chuàng)立的標(biāo)志。會議的召集人是達(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)背景和對智能以及實現(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)為人腦與計算機(jī)可以看成信息處理器。計算機(jī)的智能和人腦的智能主要表現(xiàn)在對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算解決，尤其是對人腦來說過于復(fù)雜的邏輯問題。西蒙有一段時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年他們設(shè)計的邏輯機(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個定理中的38個，其中不少證明比原書中的更加精彩。根據(jù)對邏輯機(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問題（定理證明、幾何問題及國際象棋對抗等）。

　　西蒙所代表的理性流派雖然在機(jī)器定理證明和簡單邏輯問題解決（比如漢諾塔問題）上取得了顯著的成就，但一旦面對復(fù)雜的問題，有限的計算機(jī)內(nèi)存空間很快就因為探索問題解決空間時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)為計算機(jī)程序雖然可以擊敗人類國際象棋冠軍，但可能永遠(yuǎn)無法擊敗人類圍棋冠軍，因為后者的探索空間太大（圖1）。

圖1 無論是國際象棋還是圍棋，目前都是通過對樹結(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)派在方法上形成對比的是感性學(xué)派。感性學(xué)派簡單說就是通過對腦神經(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)為如果一個神經(jīng)元持續(xù)激活另一個神經(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)為前者的軸突將會生長出突觸小體（如果已有，則會繼續(xù)長大），并和后者的胞體相連接，形成記憶痕跡。當(dāng)時正在哈佛讀本科的明斯基受到啟發(fā)，產(chǎn)生了制作一個電子模擬神經(jīng)網(wǎng)絡(luò)實現(xiàn)人工智能的想法。1951年在美國心理學(xué)大師米勒的幫助下，明斯基和帕爾特（Seymour Papert）獲得了美國海軍經(jīng)費資助設(shè)計出世界上第1臺用來對迷宮求解的電子神經(jīng)網(wǎng)絡(luò)（SNARC），包含40個電子神經(jīng)和若干內(nèi)存。每一個電子神經(jīng)元由6個真空管和一個馬達(dá)組成，整個設(shè)備使用了300 多個真空管（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)時電子計算機(jī)的基本原件，每一個真空管通過開和關(guān)兩種狀態(tài)代表一個比特的信息

　　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。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)備因為能夠讀入并識別簡單的字母和圖像而在當(dāng)時引起轟動，使得很多專家預(yù)測在幾年后計算機(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 號制作了上面這臺基于感知機(jī)的神經(jīng)計算機(jī)，成功實現(xiàn)了一些英文字母的識別。1960 年6 月23 日該神經(jīng)計算機(jī)進(jìn)行了公眾展示，該計算機(jī)與一個能夠攝取400 個像素（20x20）的感光板相連

　　明斯基和羅森布拉特設(shè)計的人工神經(jīng)網(wǎng)絡(luò)以及后來人工智能專家在計算機(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)整過程對外界來說是一個黑盒子，所以在設(shè)計不同的人工神經(jīng)網(wǎng)絡(luò)時，除了遵循一些基本原則外，更多需要通過經(jīng)驗和直覺來進(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算機(jī)的問世有直接聯(lián)系外，也與當(dāng)時美蘇冷戰(zhàn)有很大關(guān)聯(lián)。1954年美蘇冷戰(zhàn)期間美國軍方希望計算機(jī)產(chǎn)生的人工智能能夠自動翻譯俄語情報和資料，所以對在這一領(lǐng)域的突破賦予很高的期望，投入了大量的財力和人力。除了海軍和空軍，20世紀(jì)60年代初期互聯(lián)網(wǎng)先驅(qū)立克里德在美國國防部高級計劃署任職期間，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)百萬美元的經(jīng)費從事計算機(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，最主要的原因是計算機(jī)內(nèi)存和運算速度的限制。比如20 世紀(jì)60 年代末SDC公司奎利恩（Ross Quillian）等設(shè)計的頗為成功的自然語言翻譯程序所使用的計算機(jī)內(nèi)存最多只能同時導(dǎo)入20個單詞。1976 年，從事機(jī)器人研究的人工智能專家莫拉維克（Hans Moravec）估計僅僅讓計算機(jī)具備人的視網(wǎng)膜識別物體的邊界和探測移動的功能就需要至少10 億次/s 的運算能力，但當(dāng)時最快的超級計算機(jī)的運算速度也僅有8000萬~13000萬次/s。

　　除了計算能力的限制外，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年美國政府組織的自動語言處理調(diào)查委員會給出ALPAC報告后[2]，人工智能開始遇冷。1973年英國政府發(fā)布了劍橋大學(xué)教授萊特希爾的人工智能調(diào)查報告[3]，給第一輪人工智能的發(fā)展正式劃上了句號。

　　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人工智能系統(tǒng)有了更豐富的認(rèn)識。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)計人工智能系統(tǒng)時注重系統(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，這是因為它們?nèi)鄙龠@些領(lǐng)域的具體知識。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放在為不同的系統(tǒng)提供它們所在領(lǐng)域的專業(yè)知識上，試圖通過專業(yè)知識與推理機(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)之父的費根鮑姆將其總結(jié)為智能系統(tǒng)的強大來自于它們所掌握的知識而不是具體的規(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驗室的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，價格變低，從而讓學(xué)校和小公司也可以使用計算機(jī)的創(chuàng)新公司。因為在它之前的很多計算機(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 開始面臨一個問題：銷售人員經(jīng)常搞錯用戶選購計算機(jī)時需要的各種配件（當(dāng)時都是以人工方式生成），造成了運營成本的增加。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積累了2500多條配置規(guī)則，運行6年共處理了8萬多筆訂單，準(zhǔn)確率高達(dá)95%~98%，為DEC 公司節(jié)省了2500多萬美元的成本。

　　20世紀(jì)80年代，摩爾定律帶來的內(nèi)存容量和CPU 運算速度的指數(shù)增長、關(guān)系數(shù)據(jù)庫技術(shù)的成熟、個人計算機(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。因為計算機(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，實現(xiàn)軟件開發(fā)的自動化。面對這次學(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)教堂山分校計算機(jī)系主任布魯克斯發(fā)表了一篇后來成為計算機(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)于自動編程可以很快實現(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，對大型軟件工程的復(fù)雜性有著切身體會。他以一個孕婦需要10個月才能生出一個孩子，但是10個孕婦加在一起也不可能在一個月生出一個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10倍，事實也的確如此。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。因為這時專家系統(tǒng)沒能再有大的突破。

　　專家系統(tǒng)在20世紀(jì)80年代的瓶頸除了計算機(jī)軟硬件本身的限制外，還有其他因素。比如每個公司和研究團(tuán)隊研發(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個專家系統(tǒng)之間無法相互協(xié)作。另外盡管大家認(rèn)識到專家系統(tǒng)中知識的重要性，但是知識體系的復(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)地分析人類知識結(jié)構(gòu)，發(fā)現(xiàn)其龐大性以及知識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通過共享的方式構(gòu)建到一個數(shù)據(jù)庫里，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)的增加為各個層的神經(jīng)節(jié)點連接的權(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。另外計算機(jī)運算能力的提高使得多層神經(jīng)網(wǎng)絡(luò)的計算成為可能，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）思想也在這一時期出現(xiàn)。持新人工智能觀點的學(xué)者認(rèn)為，人工智能在過去30多年時間里把人類智慧狹義地理解為基于符號處理的智能模型是錯誤的，因為人類獨有的很多智慧是無意識的技能和直覺，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：要讓計算機(jī)如成人般地下棋是相對容易的，但是要讓計算機(jī)有如一歲小孩般的感知和行動能力卻是相當(dāng)困難甚至是不可能的[7]。這一觀點不僅認(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)維度的深化推動了超級計算技術(shù)的發(fā)展。從這一領(lǐng)域衍生出的計算機(jī)集群技術(shù)成為20世紀(jì)90年代信息領(lǐng)域高科技公司的計算平臺，而這些平臺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年歐洲量子物理實驗中心工作的伯納斯李向?qū)嶒炛行恼教峤涣艘环莺髞肀环Q為“萬維網(wǎng)藍(lán)圖”的報告[8]。這份報告提出了萬維網(wǎng)框架的運行機(jī)制和實施方案。1990 年11 月，他在NeXT工作站上制作了第一個萬維網(wǎng)瀏覽器和第一個網(wǎng)絡(luò)服務(wù)器，隨后編寫了執(zhí)行萬維網(wǎng)項目細(xì)節(jié)的網(wǎng)頁，至此世界上第1個萬維網(wǎng)站誕生。

　　1993年1月美國伊利諾大學(xué)為瀏覽萬維網(wǎng)網(wǎng)站開發(fā)的UNIX 版本馬賽克瀏覽器被放到該大學(xué)計算中心的免費FTP服務(wù)器上，不到兩個月的時間就被下載了上萬次。1993年12月《紐約時報》商業(yè)版頭版介紹了馬賽克，稱其將創(chuàng)造一個全新的產(chǎn)業(yè)。馬賽克的流行使得覆蓋互聯(lián)網(wǎng)的萬維網(wǎng)成為新的連接世界的平臺，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，全世界只有50個萬維網(wǎng)服務(wù)器，10 月份達(dá)到500 個，1994 年6月份增加到1500個，萬維網(wǎng)開始以指數(shù)增長。

　　在萬維網(wǎng)流行了3年后的1996年，斯坦福2個研究生發(fā)現(xiàn)用解n 元一次方程組的辦法，可以把萬維網(wǎng)的所有網(wǎng)頁按照重要性進(jìn)行排名，從而解決了網(wǎng)絡(luò)用戶面對以指數(shù)增長的網(wǎng)頁信息進(jìn)行有效搜索的難題，他們后來成立了谷歌公司[9]。差不多在相同的時間，剛上線一年多的亞馬遜與明尼蘇達(dá)大學(xué)的幾位計算機(jī)專家合作，開始分析每個用戶在其網(wǎng)站上購買的商品，并與其他用戶的購買商品進(jìn)行比較和關(guān)聯(lián)，用得到的結(jié)果來個性化對網(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)的共同特點是它們都通過使用簡單的數(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)時代超大規(guī)模并行計算所帶來的網(wǎng)絡(luò)人工智能的共同特點。

　　不同的是，網(wǎng)絡(luò)人工智能不再使用昂貴的超級計算機(jī)，而是用大量聯(lián)結(jié)在一起的廉價服務(wù)器甚至是個人計算機(jī)來取得相同甚至更好的效果。在知識來源上，網(wǎng)絡(luò)人工智能往往依靠成千上萬的大眾點滴貢獻(xiàn)（crowdsourcing）而不是專家智慧。比如谷歌在計算網(wǎng)頁的排名時使用的是不同網(wǎng)頁之間的超文本鏈接信息，而這些鏈接是用戶在創(chuàng)建網(wǎng)頁時提供的。亞馬遜的數(shù)據(jù)來源則是每個用戶購買的商品信息。這些在個人看來再簡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和代名詞。

　　網(wǎng)絡(luò)人工智能給人類社會帶來的不僅是日常生活的方便，它們在很大程度上開始從各個方面影響社會發(fā)展進(jìn)程。谷歌的搜索結(jié)果可以決定一個人的言論被關(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)平臺不斷擴(kuò)張，具備越來越強大的存儲和計算能力。谷歌從1999年購買二手服務(wù)器開始搭建自己的計算平臺到2012年第一次對外展示谷歌數(shù)據(jù)中心，其服務(wù)器的數(shù)量從最初的幾十臺發(fā)展到100多萬臺。同一時期亞馬遜的彈性云平臺服務(wù)器總量大概在50萬臺左右。電商巨擎的計算平臺不僅僅在單機(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。

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)計的集裝箱結(jié)構(gòu)中，再直接運輸?shù)綌?shù)據(jù)中心，這些集裝箱在設(shè)計上采用了很多先進(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，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)識并成為學(xué)術(shù)搭檔，開始了后來長達(dá)20多年的使他們獲得諾獎的視覺神經(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)元對不同光強度或者不同角度的斜線有反應(yīng)，另一些神經(jīng)元對光感和簡單斜線沒有反應(yīng)，但是對物體移動具有敏感性，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)研究的計算機(jī)專家提供了重要的建模思路，比如視神經(jīng)元對信息處理是分工分層進(jìn)行的，不同神經(jīng)元關(guān)注的對象特征不同，每一層神經(jīng)元抽象出對象的部分特征進(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)對整個對象產(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)點數(shù)的方式出現(xiàn)。烏克蘭數(shù)學(xué)家伊萬科夫（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別。1992年密歇根州立大學(xué)計算機(jī)系的翁巨揚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個專注機(jī)器學(xué)習(xí)領(lǐng)域多年的計算機(jī)專家的堅持不懈有直接關(guān)系。他們是加拿大多倫多大學(xué)計算機(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)計算機(jī)系教授燕存樂（Yann LeCun）和與燕存樂在貝爾實驗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)致過長的學(xué)習(xí)時間。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)域堅持不懈。以至于有很長一段時間，多倫多大學(xué)的計算機(jī)系里私下流行的對新生的警言是不要去辛頓的實驗室。

　　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)隊在1992年提出的非監(jiān)督學(xué)習(xí)時間遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural net）為語音識別和自然語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)允許各個神經(jīng)節(jié)直接形成環(huán)狀循環(huán)連接，甚至允許一個神經(jīng)節(jié)點接受自己的輸入，這種架構(gòu)使得每個節(jié)點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年他們提出了簡化時間遞歸神經(jīng)網(wǎng)絡(luò)的長短期記憶人工時間遞歸神經(jīng)網(wǎng)絡(luò)（LSTM RNN），解決了時間遞歸網(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年代因為計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)會出現(xiàn)，這一年辛頓從加拿大高等研究所獲得每年50萬美元的經(jīng)費，在燕存樂和本吉奧的協(xié)助下啟動了神經(jīng)計算和適應(yīng)感知項目。該項目將一批一流的計算機(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)谷歌大腦計劃的斯坦福計算機(jī)系教授吳恩達(dá)，以及指導(dǎo)奧巴馬政府“人腦”計劃的諾斯基（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)費和智慧，辛頓他們很快利用集群計算技術(shù)搭配的大計算平臺發(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象的維度。簡單地說就是將被識別對象的特征（feature）從最底層（例如單個像素）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)果做為新的識別對象，用同樣的方法提取其新的特征。這種方式可以采用非監(jiān)督的自動編碼和解碼的方式來矯正，不需要預(yù)先對識別對象進(jìn)行標(biāo)注（圖6）。2006年前后這一算法在圖像識別等分類型預(yù)測方面取得了突破性。同一時期施米德休伯等人的時間遞歸算法也在圖像識別和語音識別方面取得突破。

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，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)以前不成功是因為缺乏3個必要前提：足夠多的數(shù)據(jù)、足夠強大的計算能力和設(shè)定好初始化權(quán)重。事實也的確如此。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算服務(wù)。大數(shù)據(jù)和云計算為深度學(xué)習(xí)算法提供了海量數(shù)據(jù)和近乎無限的計算能力，打破了這兩個限制人工智能發(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。與只擁有少量內(nèi)核的CPU 相比，GPU擁有上百個內(nèi)核，可以同時處理上千個指令相同的線程。這意味著對神經(jīng)網(wǎng)絡(luò)的權(quán)重計算這種高度一致的重復(fù)并行計算工作，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)行各種模式識別計算。

　　最早將深度學(xué)習(xí)引入語音識別的是微軟。2009年圣誕前夕微軟研究院在加拿大召開了一個小型學(xué)術(shù)會議，邀請辛頓介紹深度學(xué)習(xí)的研究成果。辛頓的算法并沒有引起大多數(shù)與會專家的重視，但是微軟的兩個與會代表鄧立和俞棟卻在會后組織了人員和數(shù)據(jù)進(jìn)行了測試，結(jié)果發(fā)現(xiàn)非監(jiān)督的深度學(xué)習(xí)算法可以使得語音識別的準(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)用到語音識別的各類產(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)的計算大會”上公開演示的后來一時熱透中國互聯(lián)網(wǎng)的全自動同聲傳譯系統(tǒng)（錯誤率僅為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)的計算大會”上公開演示全自動同聲傳譯系統(tǒng)（錯誤率僅為7%）

　　微軟在語音技術(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)和計算資源，后者有可能從事更加復(fù)雜的圖像識別工作。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驗平臺。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)算法的測試和比賽提供數(shù)據(jù)支持

　　該項目團(tuán)隊從互聯(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 個國家共5萬多人對這些圖片進(jìn)行了分類標(biāo)注。截止2009年該項目成功產(chǎn)生了一個包含22000不同門類，共1500萬圖片的帶標(biāo)簽的數(shù)據(jù)庫。該數(shù)據(jù)庫里的圖片分類和標(biāo)簽質(zhì)量超過以往任何數(shù)據(jù)庫，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)庫后，李飛飛及其團(tuán)隊利用深度學(xué)習(xí)方法，使得計算機(jī)通過監(jiān)督學(xué)習(xí)方式識別包含各種物體的圖像，而且能夠用自然語言生成對每個圖像中的物體關(guān)系的簡單描述。這一成果進(jìn)一步引發(fā)了學(xué)術(shù)界和科技界對深度學(xué)習(xí)的關(guān)注。

　　ImageNet 項目主要為監(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)成為另一個研究方向。

　　2011 年谷歌的迪恩（Jeff Dean）和斯坦福計算機(jī)系的吳恩達(dá)在未來技術(shù)實驗中心（Google X）聯(lián)合發(fā)起了“谷歌大腦”研究計劃。該計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別和語言認(rèn)知等功能。他們利用谷歌的云計算平臺搭建了一個配備16000個CPU和10億突觸神經(jīng)連接的谷歌大腦計算平臺（1年后斯坦福大學(xué)和英偉達(dá)合作只用了16臺配備GPU的服務(wù)器，每臺配備2個8核CPU和4個英偉達(dá)GeForce GTX 680GPU，就達(dá)到了同樣的計算效果）。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1000萬個視屏，從每個視頻里隨即獲取一個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方式去自動對這1000 萬張圖片進(jìn)行特征抽取和分析。這一項目的目標(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)果該實驗不但發(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客觀世界的不同對象的概念形成中到底是先有絕對主觀存在還是從客觀形成有意見分歧。從谷歌的大腦實驗來看，亞里士多德的客觀形成論得到了驗證）。

圖9 這是谷歌大腦用深度學(xué)習(xí)方式分析了成千上萬張貓的圖片后形成的對貓的“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驗室（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。他們利用長短記憶時間遞歸神經(jīng)網(wǎng)絡(luò)識別序列信息的優(yōu)勢在各種圖像識別比賽中奪魁，其中包括德國的交通標(biāo)志自動識別比賽、國際漢字、阿拉伯文等手寫體識別比賽。2010年他的3個博士生創(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，甚至擊敗人類對手。2014該公司被谷歌以5億美元收購。2016年3月，該團(tuán)隊設(shè)計的AlphaGo圍棋對抗程序以4勝1負(fù)的戰(zhàn)績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)界早已通過收購和人才獵取而投入了大量的資本。谷歌董事長施密特公開表示機(jī)器學(xué)習(xí)是谷歌目前最主要的工作。2013年谷歌通過收購辛頓的DNNresearch 公司，將包括辛頓和他的幾個學(xué)生在內(nèi)的一批人才收攬在旗下。隨后谷歌又在2015年收購了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)項目。而在這之前，谷歌從該系挖走了7 名計算機(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。

　　這些投入會不會最終仍然以泡沫破裂收場？答案很有可能是肯定的。

　　智能與超越

　　2014 年牛津大學(xué)的博斯特倫（NickBostrom）在《超級人工智能：路徑，危險和策略》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智能（super intelligence）。他認(rèn)為超級智能在給人類社會帶來好處的同時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)險控制，通過合作和共識形成一個控制人工智能發(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智能可以追溯到馮諾依曼在1958 年的奇點（Singularity）預(yù)測。馮諾依曼認(rèn)為隨著計算機(jī)技術(shù)的不斷發(fā)展，終有一天計算機(jī)將能夠自我設(shè)計，從而進(jìn)入自我進(jìn)化狀態(tài)。一旦進(jìn)入到這一奇點狀態(tài)，人類智能將與計算機(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，但人類對大腦的研究，尤其是什么是智能的認(rèn)識卻仍然處在初級階段。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勢集團(tuán)對人工智能技術(shù)的濫用。

　　首先，從計算機(jī)的計算能力來進(jìn)行一下比較。根據(jù)目前對人腦的最新認(rèn)識，人的大腦皮層共有大約860億神經(jīng)元，能夠進(jìn)行200 MB/s 并行運算。新生嬰兒大腦皮層每個神經(jīng)元有大約2500個突觸，2、3歲時增加到15000個，達(dá)到峰值。成年后每個神經(jīng)元的突觸數(shù)量大約為7500個。相比之下，2012年設(shè)計的谷歌大腦的總共16000 個CPU神經(jīng)元和10億突觸，遠(yuǎn)遠(yuǎn)低于人腦的復(fù)雜度。事實上就算把谷歌計算平臺所擁有的全部服務(wù)器（總數(shù)量為幾百萬臺）用于大腦認(rèn)知模擬，也難以達(dá)到一個普通人腦的神經(jīng)元的數(shù)量和關(guān)聯(lián)度。

　　其次，對人腦智能的機(jī)制理解仍然處于一個初級階段。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)把一個小箱子放到一個大箱子上，然后把下面的大箱子取走，這時小箱子會怎樣？普通人通過大腦的圖像預(yù)演可以很簡單地回答這一問題，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別實現(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-動作模型（sensory-motor model）的器官，通過接收—預(yù)測—反饋—調(diào)整再接收這一過程來調(diào)整記憶。對于大量涌入的序列數(shù)據(jù)（比如聲音和動作），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)的各種感知和動作神經(jīng)元，這些預(yù)期與新的信息進(jìn)行對比后，針對出現(xiàn)的偏差，相應(yīng)的神經(jīng)元會做出新的突觸連接調(diào)整。遺憾的是在實際應(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年前圖靈用圖靈測試來避免回答這一問題。今天對智能的認(rèn)識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)具有意識或者它們的運動智能超越了人類。

　　美國計算機(jī)和未來學(xué)家?guī)炱濏f爾（Ray Kurzweil）在2005 年的《奇點已近》一書認(rèn)為，人的智能其實就是人腦的神經(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)元之間的每一個鏈接的各種生化指數(shù)，從而復(fù)制人的意識。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。像很多前人科學(xué)家一樣，筆者認(rèn)為庫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]。人的智能和意識是否也與此有關(guān)，只有等對這一現(xiàn)象有了更深刻的認(rèn)識后才能知道。

　　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)化實驗室（AIE Lab)，重點研究互聯(lián)網(wǎng)，人工智能，腦科學(xué)，虛擬現(xiàn)實，機(jī)器人，移動互聯(lián)網(wǎng)等領(lǐng)域的未來發(fā)展趨勢和重大科學(xué)問題。

　　長按上方二維碼關(guān)注微信號 Aitists

　　投稿郵箱：post@aitists.com

歡迎點擊文章右下角”閱讀原文“進(jìn)行報名登記

我們將及時與您聯(lián)系。