AI作為2016年以來最熱門的詞匯，人們對之也持有不同的看法：有人在懷疑泡沫即將破裂、有人堅信這場變革會帶來巨大的機(jī)會、有人拋出威脅論。

本系列試圖以通俗易懂的方式，讓不同知識水平的讀者都能從中獲益：讓外行人對人工智能有一個清晰客觀的理解，也幫助內(nèi)行人更好地參與到AI帶來這場產(chǎn)業(yè)變革中來。

本文將會從AI最基本的幾個模塊（計算機(jī)視覺、語音識別、自然語言處理、決策規(guī)劃系統(tǒng)）著手，回顧其一路以來的發(fā)展脈絡(luò)，以史為鏡、正視未來。

計算機(jī)視覺的發(fā)展歷史

“看”是人類與生俱來的能力。剛出生的嬰兒只需要幾天的時間就能學(xué)會模仿父母的表情，人們能從復(fù)雜結(jié)構(gòu)的圖片中找到關(guān)注重點(diǎn)、在昏暗的環(huán)境下認(rèn)出熟人。隨著人工智能的發(fā)展，機(jī)器也試圖在這項能力上匹敵甚至超越人類。

計算機(jī)視覺的歷史可以追溯到1966年，人工智能學(xué)家Minsky在給學(xué)生布置的作業(yè)中，要求學(xué)生通過編寫一個程序讓計算機(jī)告訴我們它通過攝像頭看到了什么，這也被認(rèn)為是計算機(jī)視覺最早的任務(wù)描述。

到了七八十年代，隨著現(xiàn)代電子計算機(jī)的出現(xiàn)，計算機(jī)視覺技術(shù)也初步萌芽。人們開始嘗試讓計算機(jī)回答出它看到了什么東西，于是首先想到的是從人類看東西的方法中獲得借鑒。

借鑒之一是當(dāng)時人們普遍認(rèn)為，人類能看到并理解事物，是因?yàn)槿祟愅ㄟ^兩只眼睛可以立體地觀察事物。因此要想讓計算機(jī)理解它所看到的圖像，必須先將事物的三維結(jié)構(gòu)從二維的圖像中恢復(fù)出來，這就是所謂的“三維重構(gòu)”的方法。

借鑒之二是人們認(rèn)為人之所以能識別出一個蘋果，是因?yàn)槿藗円呀?jīng)知道了蘋果的先驗(yàn)知識，比如蘋果是紅色的、圓的、表面光滑的，如果給機(jī)器也建立一個這樣的知識庫，讓機(jī)器將看到的圖像與庫里的儲備知識進(jìn)行匹配，是否可以讓機(jī)器識別乃至理解它所看到的東西呢，這是所謂的“先驗(yàn)知識庫”的方法。

這一階段的應(yīng)用主要是一些光學(xué)字符識別、工件識別、顯微/航空圖片的識別等等。

到了九十年代，計算機(jī)視覺技術(shù)取得了更大的發(fā)展，也開始廣泛應(yīng)用于工業(yè)領(lǐng)域。一方面原因是CPU、DSP等圖像處理硬件技術(shù)有了飛速進(jìn)步；另一方面是人們也開始嘗試不同的算法，包括統(tǒng)計方法和局部特征描述符的引入。

在“先驗(yàn)知識庫”的方法中，事物的形狀、顏色、表面紋理等特征是受到視角和觀察環(huán)境所影響的，在不同角度、不同光線、不同遮擋的情況下會產(chǎn)生變化。

因此，人們找到了一種方法，通過局部特征的識別來判斷事物，通過對事物建立一個局部特征索引，即使視角或觀察環(huán)境發(fā)生變化，也能比較準(zhǔn)確地匹配上。

進(jìn)入21世紀(jì)，得益于互聯(lián)網(wǎng)興起和數(shù)碼相機(jī)出現(xiàn)帶來的海量數(shù)據(jù)，加之機(jī)器學(xué)習(xí)方法的廣泛應(yīng)用，計算機(jī)視覺發(fā)展迅速。以往許多基于規(guī)則的處理方式，都被機(jī)器學(xué)習(xí)所替代，自動從海量數(shù)據(jù)中總結(jié)歸納物體的特征，然后進(jìn)行識別和判斷。

這一階段涌現(xiàn)出了非常多的應(yīng)用，包括典型的相機(jī)人臉檢測、安防人臉識別、車牌識別等等。

數(shù)據(jù)的積累還誕生了許多評測數(shù)據(jù)集，比如權(quán)威的人臉識別和人臉比對識別的平臺——FDDB和LFW等，其中最有影響力的是ImageNet，包含1400萬張已標(biāo)注的圖片，劃分在上萬個類別里。

到了2010年以后，借助于深度學(xué)習(xí)的力量，計算機(jī)視覺技術(shù)得到了爆發(fā)增長和產(chǎn)業(yè)化。通過深度神經(jīng)網(wǎng)絡(luò)，各類視覺相關(guān)任務(wù)的識別精度都得到了大幅提升。

在全球最權(quán)威的計算機(jī)視覺競賽ILSVR（ImageNet Large Scale VisualRecognition Competition）上，千類物體識別Top-5錯誤率在2010年和2011年時分別為28.2%和25.8%，從2012年引入深度學(xué)習(xí)之后，后續(xù)4年分別為16.4%、11.7%、6.7%、3.7%，出現(xiàn)了顯著突破。

由于效果的提升，計算機(jī)視覺技術(shù)的應(yīng)用場景也快速擴(kuò)展，除了在比較成熟的安防領(lǐng)域應(yīng)用外，也有應(yīng)用在金融領(lǐng)域的人臉識別身份驗(yàn)證、電商領(lǐng)域的商品拍照搜索、醫(yī)療領(lǐng)域的智能影像診斷、機(jī)器人/無人車上作為視覺輸入系統(tǒng)等，包括許多有意思的場景：照片自動分類（圖像識別+分類）、圖像描述生成（圖像識別+理解）等等。

語音技術(shù)的發(fā)展歷史

語言交流是人類最直接最簡潔的交流方式。長久以來，讓機(jī)器學(xué)會“聽”和“說”，實(shí)現(xiàn)與人類間的無障礙交流一直是人工智能、人機(jī)交互領(lǐng)域的一大夢想。

早在電子計算機(jī)出現(xiàn)之前，人們就有了讓機(jī)器識別語音的夢想。1920年生產(chǎn)的“Radio Rex”玩具狗可能是世界上最早的語音識別器，當(dāng)有人喊“Rex”的時候，這只狗能夠從底座上彈出來。

但實(shí)際上它所用到的技術(shù)并不是真正的語音識別，而是通過一個彈簧，這個彈簧在接收到500赫茲的聲音時會自動釋放，而500赫茲恰好是人們喊出“Rex”中元音的第一個共振峰。

第一個真正基于電子計算機(jī)的語音識別系統(tǒng)出現(xiàn)在1952年，AT&T貝爾實(shí)驗(yàn)室開發(fā)了一款名為Audrey的語音識別系統(tǒng)，能夠識別10個英文數(shù)字，正確率高達(dá)98%。

70年代開始出現(xiàn)了大規(guī)模的語音識別研究，但當(dāng)時的技術(shù)還處于萌芽階段，停留在對孤立詞、小詞匯量句子的識別上。

[[232904]]

上世紀(jì)80年代是技術(shù)取得突破的時代，一個重要原因是全球性的電傳業(yè)務(wù)積累了大量文本，這些文本可作為機(jī)讀語料用于模型的訓(xùn)練和統(tǒng)計。研究的重點(diǎn)也逐漸轉(zhuǎn)向大詞匯量、非特定人的連續(xù)語音識別。

那時最主要的變化來自用基于統(tǒng)計的思路替代傳統(tǒng)基于匹配的思路，其中的一個關(guān)鍵進(jìn)展是隱馬爾科夫模型（HMM）的理論和應(yīng)用都趨于完善。

工業(yè)界也出現(xiàn)了廣泛的應(yīng)用，德州儀器研發(fā)了名為Speak& Spell語音學(xué)習(xí)機(jī)，語音識別服務(wù)商Speech Works成立，美國國防部高級研究計劃局（DARPA）也贊助支持了一系列語音相關(guān)的項目。

90年代是語音識別基本成熟的時期，主流的高斯混合模型GMM-HMM框架逐漸趨于穩(wěn)定，但識別效果與真正實(shí)用還有一定距離，語音識別研究的進(jìn)展也逐漸趨緩。

由于80年代末、90年代初神經(jīng)網(wǎng)絡(luò)技術(shù)的熱潮，神經(jīng)網(wǎng)絡(luò)技術(shù)也被用于語音識別，提出了多層感知器-隱馬爾科夫模型（MLP-HMM）混合模型。但是性能上無法超越GMM-HMM框架。

突破的產(chǎn)生始于深度學(xué)習(xí)的出現(xiàn)。隨著深度神經(jīng)網(wǎng)絡(luò)（DNN）被應(yīng)用到語音的聲學(xué)建模中，人們陸續(xù)在音素識別任務(wù)和大詞匯量連續(xù)語音識別任務(wù)上取得突破。

基于GMM-HMM的語音識別框架被基于DNN-HMM的語音識別系統(tǒng)所替代，而隨著系統(tǒng)的持續(xù)改進(jìn)，又出現(xiàn)了深層卷積神經(jīng)網(wǎng)絡(luò)和引入長短時記憶模塊（LSTM）的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），識別效果得到了進(jìn)一步提升，在許多（尤其是近場）語音識別任務(wù)上達(dá)到了可以進(jìn)入人們?nèi)粘Ｉ畹臉?biāo)準(zhǔn)。

于是我們看到以Apple Siri為首的智能語音助手、以Echo為首的智能硬件入口等等。

而這些應(yīng)用的普及，又進(jìn)一步擴(kuò)充了語料資源的收集渠道，為語言和聲學(xué)模型的訓(xùn)練儲備了豐富的燃料，使得構(gòu)建大規(guī)模通用語言模型和聲學(xué)模型成為可能。

自然語言處理的發(fā)展歷史

人類的日常社會活動中，語言交流是不同個體間信息交換和溝通的重要途徑。因此，對機(jī)器而言，能否自然地與人類進(jìn)行交流、理解人們表達(dá)的意思并作出合適的回應(yīng)，被認(rèn)為是衡量其智能程度的一個重要參照，自然語言處理也因此成為了繞不開的議題。

早在上世紀(jì)50年代，隨著電子計算機(jī)的出現(xiàn)，出現(xiàn)了許多自然語言處理的任務(wù)需求，其中最典型的就是機(jī)器翻譯。

當(dāng)時存在兩派不同的自然語言處理方法：基于規(guī)則方法的符號派和基于概率方法的隨機(jī)派。受限于當(dāng)時的數(shù)據(jù)和算力，隨機(jī)派無法發(fā)揮出全部的功力，使得規(guī)則派的研究略占上風(fēng)。

體現(xiàn)到翻譯上，人們認(rèn)為機(jī)器翻譯的過程是在解讀密碼，試圖通過查詢詞典來實(shí)現(xiàn)逐詞翻譯，這種方式產(chǎn)出的翻譯效果不佳、難以實(shí)用。

當(dāng)時的一些成果包括1959年賓夕法尼亞大學(xué)研制成功的TDAP系統(tǒng)（Transformation and Discourse Analysis Project，最早的、完整的英語自動剖析系統(tǒng)）、布朗美國英語語料庫的建立等。

IBM-701計算機(jī)進(jìn)行了世界上第一次機(jī)器翻譯試驗(yàn)，將幾個簡單的俄語句子翻譯成了英文。這之后蘇聯(lián)、英國、日本等國家也陸續(xù)進(jìn)行了機(jī)器翻譯試驗(yàn)。

1966年，美國科學(xué)院的語言自動處理咨詢委員會（ALPAC），發(fā)布了一篇題為《語言與機(jī)器》的研究報告，報告全面否定了機(jī)器翻譯的可行性，認(rèn)為機(jī)器翻譯不足以克服現(xiàn)有困難、投入實(shí)用。

這篇報告澆滅了之前的機(jī)器翻譯熱潮，許多國家開始消減在這方面的經(jīng)費(fèi)投入，許多相關(guān)研究被迫暫停，自然語言研究陷入低谷。

許多研究者痛定思痛，意識到兩種語言間的差異不僅體現(xiàn)在詞匯上，還體現(xiàn)在句法結(jié)構(gòu)的差異上，為了提升譯文的可讀性，應(yīng)該加強(qiáng)語言模型和語義分析的研究。

里程碑事件出現(xiàn)在1976 年，加拿大蒙特利爾大學(xué)與加拿大聯(lián)邦政府翻譯局聯(lián)合開發(fā)了名為TAUM-METEO的機(jī)器翻譯系統(tǒng)，提供天氣預(yù)報服務(wù)。這個系統(tǒng)每小時可以翻譯6-30萬個詞，每天可翻譯1-2千篇?dú)庀筚Y料，并能夠通過電視、報紙立即公布。

在這之后，歐盟、日本也紛紛開始研究多語言機(jī)器翻譯系統(tǒng)，但并未取得預(yù)期的成效。

到了90年代時，自然語言處理進(jìn)入了發(fā)展繁榮期。隨著計算機(jī)的計算速度和存儲量大幅增加、大規(guī)模真實(shí)文本的積累產(chǎn)生，以及被互聯(lián)網(wǎng)發(fā)展激發(fā)出的、以網(wǎng)頁搜索為代表的基于自然語言的信息檢索和抽取需求出現(xiàn)，人們對自然語言處理的熱情空前高漲。

在傳統(tǒng)基于規(guī)則的處理技術(shù)中，人們引入了更多數(shù)據(jù)驅(qū)動的統(tǒng)計方法，將自然語言處理的研究推向了一個新高度。除了機(jī)器翻譯之外，網(wǎng)頁搜索、語音交互、對話機(jī)器人等領(lǐng)域都有自然語言處理的功勞。

進(jìn)入2010年以后，基于大數(shù)據(jù)和淺層、深層學(xué)習(xí)技術(shù)，自然語言處理的效果得到了進(jìn)一步優(yōu)化。機(jī)器翻譯的效果進(jìn)一步提升，出現(xiàn)了專門的智能翻譯產(chǎn)品。對話交互能力被應(yīng)用在客服機(jī)器人、智能助手等產(chǎn)品中。

這一時期的一個重要里程碑事件是IBM研發(fā)的Watson系統(tǒng)參加綜藝問答節(jié)目Jeopardy。比賽中Watson沒有聯(lián)網(wǎng)，但依靠4TB磁盤內(nèi)200萬頁結(jié)構(gòu)化和非結(jié)構(gòu)化的信息，Watson成功戰(zhàn)勝人類選手取得冠軍，向世界展現(xiàn)了自然語言處理技術(shù)所能達(dá)到的實(shí)力。

機(jī)器翻譯方面，谷歌推出的神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯（GNMT）相比傳統(tǒng)的基于詞組的機(jī)器翻譯（PBMT），英語到西班牙語的錯誤率下降了87%，英文到中文的錯誤率下降了58%，取得了非常強(qiáng)勁的提升。

規(guī)劃決策系統(tǒng)的發(fā)展歷史

人工智能規(guī)劃決策系統(tǒng)的發(fā)展，一度是以棋類游戲?yàn)檩d體的。最早在18世紀(jì)的時候，就出現(xiàn)過一臺可以下棋的機(jī)器，擊敗了當(dāng)時幾乎所有的人類棋手，包括拿破侖和富蘭克林等。不過最終被發(fā)現(xiàn)機(jī)器里藏著一個人類高手，通過復(fù)雜的機(jī)器結(jié)構(gòu)以混淆觀眾的視線，只是一場騙局而已。

真正基于人工智能的規(guī)劃決策系統(tǒng)出現(xiàn)在電子計算機(jī)誕生之后，1962年時，Arthur Samuel制作的西洋跳棋程序Checkers經(jīng)過屢次改進(jìn)后，終于戰(zhàn)勝了州冠軍。

當(dāng)時的程序雖然還算不上智能，但也已經(jīng)具備了初步的自我學(xué)習(xí)能力，這場勝利在當(dāng)時還是引起了巨大的轟動，畢竟是機(jī)器首次在智力的角逐中戰(zhàn)勝人類。這也讓人們發(fā)出了樂觀的預(yù)言：“機(jī)器將在十年內(nèi)戰(zhàn)勝人類象棋冠軍”。

但人工智能所面臨的困難比人們想象得要大很多，跳棋程序在此之后也敗給了國家冠軍，未能更上一層樓。而國際象棋相比跳棋要復(fù)雜得多，在當(dāng)時的計算能力下，機(jī)器若想通過暴力計算戰(zhàn)勝人類象棋棋手，每步棋的平均計算時長是以年為單位的。人們也意識到，只有盡可能減少計算復(fù)雜度，才可能與人類一決高下。

于是，“剪枝法”被應(yīng)用到了估值函數(shù)中，通過剔除掉低可能性的走法，優(yōu)化最終的估值函數(shù)計算。在“剪枝法”的作用下，西北大學(xué)開發(fā)的象棋程序Chess 4.5在1976年首次擊敗了頂尖人類棋手。

進(jìn)入80年代，隨著算法上的不斷優(yōu)化，機(jī)器象棋程序在關(guān)鍵勝負(fù)手上的判斷能力和計算速度大幅提升，已經(jīng)能夠擊敗幾乎所有的頂尖人類棋手。

到了90年代，硬件性能、算法能力等都得到了大幅提升，在1997年那場著名的人機(jī)大戰(zhàn)中，IBM研發(fā)的深藍(lán)（Deep Blue）戰(zhàn)勝國際象棋大師卡斯帕羅夫，人類意識到在象棋游戲中已經(jīng)很難戰(zhàn)勝機(jī)器了。

[[232905]]

到了2016年，硬件層面出現(xiàn)了基于GPU、TPU的并行計算，算法層面出現(xiàn)了蒙特卡洛決策樹與深度神經(jīng)網(wǎng)絡(luò)的結(jié)合。

4:1戰(zhàn)勝李世石、在野狐圍棋對戰(zhàn)頂尖棋手60連勝、3:0戰(zhàn)勝世界排名第一的圍棋選手柯潔，隨著棋類游戲最后的堡壘——圍棋也被Alpha Go所攻克，人類在完美信息博弈的游戲中已徹底輸給機(jī)器，只能在不完美信息的德州撲克和麻將中茍延殘喘。

人們從棋類游戲中積累的知識和經(jīng)驗(yàn)，也被應(yīng)用在更廣泛的需要決策規(guī)劃的領(lǐng)域，包括機(jī)器人控制、無人車等等。棋類游戲完成了它的歷史使命，帶領(lǐng)人工智能到達(dá)了一個新的歷史起點(diǎn)。

人工智能的現(xiàn)在

時至今日，人工智能的發(fā)展已經(jīng)突破了一定的“閾值”。與前幾次的熱潮相比，這一次的人工智能來得更“實(shí)在”了，這種“實(shí)在”體現(xiàn)在不同垂直領(lǐng)域的性能提升、效率優(yōu)化。計算機(jī)視覺、語音識別、自然語言處理的準(zhǔn)確率都已不再停留在“過家家”的水平，應(yīng)用場景也不再只是一個新奇的“玩具”，而是逐漸在真實(shí)的商業(yè)世界中扮演起重要的支持角色。

語音處理的現(xiàn)在

一個完整的語音處理系統(tǒng)，包括前端的信號處理、中間的語音語義識別和對話管理（更多涉及自然語言處理）、以及后期的語音合成。

總體來說，隨著語音技術(shù)的快速發(fā)展，之前的限定條件正在不斷減少：包括從小詞匯量到大詞匯量再到超大詞匯量、從限定語境到彈性語境再到任意語境、從安靜環(huán)境到近場環(huán)境再到遠(yuǎn)場嘈雜環(huán)境、從朗讀環(huán)境到口語環(huán)境再到任意對話環(huán)境、從單語種到多語種再到多語種混雜，但這給語音處理提出了更高的要求。

語音的前端處理中包含幾個模塊。

▵ 說話人聲檢測：有效地檢測說話人聲開始和結(jié)束時刻, 區(qū)分說話人聲與背景聲；

▵ 回聲消除：當(dāng)音箱在播放音樂時，為了不暫停音樂而進(jìn)行有效的語音識別，需要消除來自揚(yáng)聲器的音樂干擾；

▵ 喚醒詞識別：人類與機(jī)器交流的觸發(fā)方式，就像日常生活中需要與其他人說話時，你會先喊一下那個人的名字；

▵ 麥克風(fēng)陣列處理：對聲源進(jìn)行定位，增強(qiáng)說話人方向的信號、抑制其他方向的噪音信號；

▵ 語音增強(qiáng)：對說話人語音區(qū)域進(jìn)一步增強(qiáng),、環(huán)境噪聲區(qū)域進(jìn)一步抑制,有效降低遠(yuǎn)場語音的衰減。

除了手持設(shè)備是近場交互外，其他許多場景——車載、智能家居等——都是遠(yuǎn)場環(huán)境。

在遠(yuǎn)場環(huán)境下，聲音傳達(dá)到麥克風(fēng)時會衰減得非常厲害，導(dǎo)致一些在近場環(huán)境下不值一提的問題被顯著放大。這就需要前端處理技術(shù)能夠克服噪聲、混響、回聲等問題、較好地實(shí)現(xiàn)遠(yuǎn)場拾音。

同時，也需要更多遠(yuǎn)場環(huán)境下的訓(xùn)練數(shù)據(jù)，持續(xù)對模型進(jìn)行優(yōu)化，提升效果。

語音識別的過程需要經(jīng)歷特征提取、模型自適應(yīng)、聲學(xué)模型、語言模型、動態(tài)解碼等多個過程。除了前面提到的遠(yuǎn)場識別問題之外，還有許多前沿研究集中在解決“雞尾酒會問題”。

“雞尾酒會問題”顯示的是人類的一種聽覺能力，能在多人場景的語音/噪聲混合中，追蹤并識別至少一個聲音，在嘈雜環(huán)境下也不會影響正常交流。

這種能力體現(xiàn)在兩種場景下：

一是人們將注意力集中在某個聲音上時，比如在雞尾酒會上與朋友交談時，即使周圍環(huán)境非常嘈雜、音量甚至超過了朋友的聲音，我們也能清晰地聽到朋友說的內(nèi)容；

二是人們的聽覺器官突然受到某個刺激的時候，比如遠(yuǎn)處突然有人喊了自己的名字，或者在非母語環(huán)境下突然聽到母語的時候，即使聲音出現(xiàn)在遠(yuǎn)處、音量很小，我們的耳朵也能立刻捕捉到。

而機(jī)器就缺乏這種能力，雖然當(dāng)前的語音技術(shù)在識別一個人所講的內(nèi)容時能夠體現(xiàn)出較高的精度，當(dāng)說話人數(shù)為二人或更多時，識別精度就會大打折扣。

如果用技術(shù)的語言來描述，問題的本質(zhì)其實(shí)是給定多人混合語音信號，一個簡單的任務(wù)是如何從中分離出特定說話人的信號和其他噪音，而復(fù)雜的任務(wù)則是分離出同時說話的每個人的獨(dú)立語音信號。

在這些任務(wù)上，研究者已經(jīng)提出了一些方案，但還需要更多訓(xùn)練數(shù)據(jù)的積累、訓(xùn)練過程的打磨，逐漸取得突破，最終解決雞尾酒會問題。

[[232906]]

考慮到語義識別和對話管理環(huán)節(jié)更多是屬于自然語言處理的范疇，剩下的就是語音合成環(huán)節(jié)。

語音合成的幾個步驟包括：文本分析、語言學(xué)分析、音長估算、發(fā)音參數(shù)估計等。

基于現(xiàn)有技術(shù)合成的語音在清晰度和可懂度上已經(jīng)達(dá)到了較好的水平，但機(jī)器口音還是比較明顯。

目前的幾個研究方向包括：如何使合成語音聽起來更自然、如何使合成語音的表現(xiàn)力更豐富、如何實(shí)現(xiàn)自然流暢的多語言混合合成。只有在這些方向有所突破，才能使合成的語音真正與人類聲音無異。

可以看到，在一些限制條件下，機(jī)器確實(shí)能具備一定的“聽說”能力。因此在一些具體的場景下，比如語音搜索、語音翻譯、機(jī)器朗讀等，確實(shí)能有用武之地。

但真正做到像正常人類一樣，與其他人流暢溝通、自由交流，還有待時日。

計算機(jī)視覺的現(xiàn)在

計算機(jī)視覺的研究方向，按技術(shù)難度的從易到難、商業(yè)化程度的從高到低，依次是處理、識別檢測、分析理解。

圖像處理是指不涉及高層語義，僅針對底層像素的處理；圖像識別檢測則包含了語音信息的簡單探索；圖像理解則更上一層樓，包含了更豐富、更廣泛、更深層次的語義探索。

目前在處理和識別檢測層面，機(jī)器的表現(xiàn)已經(jīng)可以讓人滿意。但在理解層面，還有許多值得研究的地方。

圖像處理以大量的訓(xùn)練數(shù)據(jù)為基礎(chǔ)（例如通過有噪聲和無噪聲的圖像配對），通過深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練一個端到端的解決方案。有幾種典型任務(wù)：去噪聲、去模糊、超分辨率處理、濾鏡處理等。

運(yùn)用到視頻上，主要是對視頻進(jìn)行濾鏡處理。這些技術(shù)目前已經(jīng)相對成熟，在各類P圖軟件、視頻處理軟件中隨處可見。

圖像識別檢測的過程包括圖像預(yù)處理、圖像分割、特征提取和判斷匹配，也是基于深度學(xué)習(xí)的端到端方案?？梢杂脕硖幚矸诸悊栴}（如識別圖片的內(nèi)容是不是貓）、定位問題（如識別圖片中的貓在哪里）、檢測問題（如識別圖片中有哪些動物、分別在哪里）、分割問題（如圖片中的哪些像素區(qū)域是貓）等。

這些技術(shù)也已比較成熟，圖像上的應(yīng)用包括人臉檢測識別、OCR（Optical Character Recognition，光學(xué)字符識別）等，視頻上可用來識別影片中的明星等。

當(dāng)然，深度學(xué)習(xí)在這些任務(wù)中都扮演了重要角色。

傳統(tǒng)的人臉識別算法，即使綜合考慮顏色、形狀、紋理等特征，也只能做到95%左右的準(zhǔn)確率。而有了深度學(xué)習(xí)的加持，準(zhǔn)確率可以達(dá)到99.5%，錯誤率下降了10倍，從而使得在金融、安防等領(lǐng)域的廣泛商業(yè)化應(yīng)用成為可能。

OCR領(lǐng)域，傳統(tǒng)的識別方法要經(jīng)過清晰度判斷、直方圖均衡、灰度化、傾斜矯正、字符切割等多項預(yù)處理工作，得到清晰且端正的字符圖像，再對文字進(jìn)行識別和輸出。

而深度學(xué)習(xí)的出現(xiàn)不僅省去了復(fù)雜且耗時的預(yù)處理和后處理工作，更將字準(zhǔn)確率從60%提高到90%以上。

圖像理解本質(zhì)上是圖像與文本間的交互。可用來執(zhí)行基于文本的圖像搜索、圖像描述生成、圖像問答（給定圖像和問題，輸出答案）等。

在傳統(tǒng)的方法下：基于文本的圖像搜索是針對文本搜索最相似的文本后，返回相應(yīng)的文本圖像對；圖像描述生成是根據(jù)從圖像中識別出的物體，基于規(guī)則模板產(chǎn)生描述文本；圖像問答是分別對圖像與文本獲取數(shù)字化表示，然后分類得到答案。

而有了深度學(xué)習(xí)，就可以直接在圖像與文本之間建立端到端的模型，提升效果。圖像理解任務(wù)目前還沒有取得非常成熟的結(jié)果，商業(yè)化場景也正在探索之中。

可以看到，計算機(jī)視覺已經(jīng)達(dá)到了娛樂用、工具用的初級階段。

照片自動分類、以圖搜圖、圖像描述生成等等這些功能，都可作為人類視覺的輔助工具。人們不再需要靠肉眼捕捉信息、大腦處理信息、進(jìn)而分析理解，而是可以交由機(jī)器來捕捉、處理和分析，再將結(jié)果返回給人類。

而往未來看，計算機(jī)視覺有希望進(jìn)入自主理解、甚至分析決策的高級階段，真正賦予機(jī)器“看”的能力，從而在智能家居、無人車等應(yīng)用場景發(fā)揮更大的價值。

自然語言處理的現(xiàn)在

自然語言處理中的幾個核心環(huán)節(jié)包括知識的獲取與表達(dá)、自然語言理解、自然語言生成等等，也相應(yīng)出現(xiàn)了知識圖譜、對話管理、機(jī)器翻譯等研究方向，與前述的處理環(huán)節(jié)形成多對多的映射關(guān)系。

由于自然語言處理要求機(jī)器具備的是比“感知”更難的“理解”能力，因此其中的許多問題直到今天也未能得到較好的解決。

知識圖譜是基于語義層面對知識進(jìn)行組織后得到的結(jié)構(gòu)化結(jié)果，可以用來回答簡單事實(shí)類的問題。

包括語言知識圖譜（詞義上下位、同義詞等）、常識知識圖譜（“鳥會飛但兔子不會飛”）、實(shí)體關(guān)系圖譜（“劉德華的妻子是朱麗倩”）。

知識圖譜的構(gòu)建過程其實(shí)就是獲取知識、表示知識、應(yīng)用知識的過程。

舉例來說，針對互聯(lián)網(wǎng)上的一句文本“劉德華攜妻子朱麗倩出席了電影節(jié)”，我們可以從中取出“劉德華”、“妻子”、“朱麗倩”這幾個關(guān)鍵詞，然后得到“劉德華-妻子-朱麗倩”這樣的三元表示。

同樣地，我們也可以得到“劉德華-身高-174cm”這樣的三元表示。將不同領(lǐng)域不同實(shí)體的這些三元表示組織在一起，就構(gòu)成了知識圖譜系統(tǒng)。

語義理解是自然語言處理中的最大難題，這個難題的核心問題是如何從形式與意義的多對多映射中，根據(jù)當(dāng)前語境找到一種最合適的映射。

以中文為例，這里面需要解決4個困難:

首先是歧義消除，包括詞語的歧義（例如“潛水”可以指一種水下運(yùn)動，也可以指在論壇中不發(fā)言）、短語的歧義（例如“進(jìn)口彩電”可以指進(jìn)口的彩電，也可以指一個行動動作）、句子的歧義（例如“做手術(shù)的是他父親”可以指他父親在接受手術(shù)，也可以指他父親是手術(shù)醫(yī)生）；

其次是上下文關(guān)聯(lián)性，包括指代消解（例如“小明欺負(fù)小李，所以我批評了他。”，需要依靠上下文才知道我批評的是調(diào)皮的小明）、省略恢復(fù)（例如“老王的兒子學(xué)習(xí)不錯，比老張的好。”其實(shí)是指“比老張的兒子的學(xué)習(xí)好”）；

第三是意圖識別，包括名詞與內(nèi)容的意圖識別（“晴天”可以指天氣也可以指周杰倫的歌）、閑聊與問答的意圖識別（“今天下雨了”是一句閑聊，而“今天下雨嗎”則是有關(guān)天氣的一次查詢）、顯性與隱性的意圖識別（“我要買個手機(jī)”和“這手機(jī)用得太久了”都是用戶想買新手機(jī)的意圖）；

最后一塊是情感識別，包括顯性與隱性的情感識別（“我不高興”和“我考試沒考好”都是用戶在表示心情低落）、基于先驗(yàn)常識的情感識別（“續(xù)航時間長”是褒義的，而“等待時間長”則是貶義的）。

鑒于以上的這種種困難，語義理解可能的解決方案是利用知識進(jìn)行約束，來破解多對多映射的困局，通過知識圖譜來補(bǔ)充機(jī)器的知識。

然而，即使克服了語義理解上的困難，距離讓機(jī)器顯得不那么智障還是遠(yuǎn)遠(yuǎn)不夠的，還需要在對話管理上有所突破。

目前對話管理主要包含三種情形，按照涉及知識的通用到專業(yè)，依次是閑聊、問答、任務(wù)驅(qū)動型對話。

閑聊是開放域的、存在情感聯(lián)系和聊天個性的對話，比如“ 今天天氣真不錯。”“是呀，要不要出去走走？”閑聊的難點(diǎn)在于如何通過巧妙的回答激發(fā)興趣/降低不滿，從而延長對話時間、提高粘性；

問答是基于問答模型和信息檢索的對話，一般是單一輪次，比如“劉德華的老婆是誰？”“劉德華的妻子朱麗倩，1966年4月6日出生于馬來西亞檳城…”。問答不僅要求有較為完善的知識圖譜，還需要在沒有直接答案的情況下運(yùn)用推理得到答案；

任務(wù)驅(qū)動型對話涉及到槽位填充、智能決策，一般是多輪次，比如“放一首跑步聽的歌吧”“為您推薦羽泉的《奔跑》”“我想聽英文歌”“為您推薦Eminem的《Notafraid》”簡單任務(wù)驅(qū)動型對話已經(jīng)比較成熟，未來的攻克方向是如何不依賴人工的槽位定義，建立通用領(lǐng)域的對話管理。

歷史上自然語言生成的典型應(yīng)用一直是機(jī)器翻譯。傳統(tǒng)方法是一種名為Phrased-Based Machine Translation（PBMT）的方法：先將完整的一句話打散成若干個詞組，對這些詞組分別進(jìn)行翻譯，然后再按照語法規(guī)則進(jìn)行調(diào)序，恢復(fù)成一句通順的譯文。

整個過程看起來并不復(fù)雜，但其中涉及到了多個自然語言處理算法，包括中文分詞、詞性標(biāo)注、句法結(jié)構(gòu)等等，環(huán)環(huán)相扣，其中任一環(huán)節(jié)出現(xiàn)的差錯都會傳導(dǎo)下去，影響最終結(jié)果。

而深度學(xué)習(xí)則依靠大量的訓(xùn)練數(shù)據(jù)，通過端到端的學(xué)習(xí)方式，直接建立源語言與目標(biāo)語言之間的映射關(guān)系，跳過了中間復(fù)雜的特征選擇、人工調(diào)參等步驟。

在這樣的思想下，人們對早在90年代就提出了的“編碼器-解碼器”神經(jīng)機(jī)器翻譯結(jié)構(gòu)進(jìn)行了不斷完善，并引入了注意力機(jī)制（attention mechanism），使系統(tǒng)性能得到顯著提高。

之后谷歌團(tuán)隊通過強(qiáng)大的工程實(shí)現(xiàn)能力，用全新的機(jī)器翻譯系統(tǒng)GNMT（Google Neural Machine Translation）替代了之前的SMT（Statistical machine translation），相比之前的系統(tǒng)更為通順流暢，錯誤率也大幅下降。

雖然仍有許多問題有待解決，比如對生僻詞的翻譯、漏詞、重復(fù)翻譯等，但不可否認(rèn)神經(jīng)機(jī)器翻譯在性能上確實(shí)取得了巨大突破，未來在出境游、商務(wù)會議、跨國交流等場景的應(yīng)用前景也十分可觀。

隨著互聯(lián)網(wǎng)的普及，信息的電子化程度也日益提高。海量數(shù)據(jù)既是自然語言處理在訓(xùn)練過程中的燃料，也為其提供了廣闊的發(fā)展舞臺。搜索引擎、對話機(jī)器人、機(jī)器翻譯，甚至高考機(jī)器人、辦公智能秘書都開始在人們的日常生活中扮演越來越重要的角色。

機(jī)器學(xué)習(xí)的現(xiàn)在

按照人工智能的層次來看，機(jī)器學(xué)習(xí)是比計算機(jī)視覺、自然語言處理、語音處理等技術(shù)層更底層的一個概念。近幾年來技術(shù)層的發(fā)展風(fēng)生水起，處在算法層的機(jī)器學(xué)習(xí)也產(chǎn)生了幾個重要的研究方向。

首先是在垂直領(lǐng)域的廣泛應(yīng)用。

鑒于機(jī)器學(xué)習(xí)還存在不少的局限、不具備通用性，在一個比較狹窄的垂直領(lǐng)域的應(yīng)用就成為了較好的切入口。

因?yàn)樵谙薅ǖ念I(lǐng)域內(nèi)，一是問題空間變得足夠小，模型的效果能夠做到更好；二是具體場景下的訓(xùn)練數(shù)據(jù)更容易積累，模型訓(xùn)練更高效、更有針對性；三是人們對機(jī)器的期望是特定的、具體的，期望值不高。

這三點(diǎn)導(dǎo)致機(jī)器在這個限定領(lǐng)域內(nèi)表現(xiàn)出足夠的智能性，從而使最終的用戶體驗(yàn)也相對更好。

因此，在金融、律政、醫(yī)療等等垂直領(lǐng)域，我們都看到了一些成熟應(yīng)用，且已經(jīng)實(shí)現(xiàn)了一定的商業(yè)化?？梢灶A(yù)見，在垂直領(lǐng)域內(nèi)的重復(fù)性勞動，未來將有很大比例會被人工智能所取代。

其次是從解決簡單的凸優(yōu)化問題到解決非凸優(yōu)化問題。

優(yōu)化問題，是指將所有的考慮因素表示為一組函數(shù)，然后從中選出一個最優(yōu)解。而凸優(yōu)化問題的一個很好的特性是——局部最優(yōu)就是全局最優(yōu)。

目前機(jī)器學(xué)習(xí)中的大部分問題，都可以通過加上一定的約束條件，轉(zhuǎn)化或近似為一個凸優(yōu)化問題。

雖然任何的優(yōu)化問題通過遍歷函數(shù)上的所有點(diǎn)，一定能夠找到最優(yōu)值，但這樣的計算量十分龐大。

尤其當(dāng)特征維度較多的時候，會產(chǎn)生維度災(zāi)難（特征數(shù)超過已知樣本數(shù)可存在的特征數(shù)上限，導(dǎo)致分類器的性能反而退化）。而凸優(yōu)化的特性，使得人們能通過梯度下降法尋找到下降的方向，找到的局部最優(yōu)解就會是全局最優(yōu)解。

但在現(xiàn)實(shí)生活中，真正符合凸優(yōu)化性質(zhì)的問題其實(shí)并不多，目前對凸優(yōu)化問題的關(guān)注僅僅是因?yàn)檫@類問題更容易解決。

就像在夜晚的街道上丟了鑰匙，人們會優(yōu)先在燈光下尋找一樣。因此，換一種說法，人們現(xiàn)在還缺乏針對非凸優(yōu)化問題的行之有效的算法，這也是人們的努力方向。

第三點(diǎn)是從監(jiān)督學(xué)習(xí)向非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的演進(jìn)。

目前來看，大部分的AI應(yīng)用都是通過監(jiān)督學(xué)習(xí)，利用一組已標(biāo)注的訓(xùn)練數(shù)據(jù)，對分類器的參數(shù)進(jìn)行調(diào)整，使其達(dá)到所要求的性能。但在現(xiàn)實(shí)生活中，監(jiān)督學(xué)習(xí)不足以被稱為“智能”。

對照人類的學(xué)習(xí)過程，許多都是建立在與事物的交互中，通過人類自身的體會、領(lǐng)悟，得到對事物的理解，并將之應(yīng)用于未來的生活中。而機(jī)器的局限就在于缺乏這些“常識”。

卷積神經(jīng)網(wǎng)絡(luò)之父、Facebook AI 研究院院長Yann LeCun曾通過一個“黑森林蛋糕”的比喻來形容他所理解的監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)與強(qiáng)化學(xué)習(xí)間的關(guān)系：

如果將機(jī)器學(xué)習(xí)視作一個黑森林蛋糕，那（純粹的）強(qiáng)化學(xué)習(xí)是蛋糕上不可或缺的櫻桃，需要的樣本量只有幾個Bits；監(jiān)督學(xué)習(xí)是蛋糕外層的糖衣，需要10到10000個Bits的樣本量；無監(jiān)督學(xué)習(xí)則是蛋糕的主體，需要數(shù)百萬Bits的樣本量，具備強(qiáng)大的預(yù)測能力。

但他也強(qiáng)調(diào)，櫻桃是必須出現(xiàn)的配料，意味著強(qiáng)化學(xué)習(xí)與無監(jiān)督學(xué)習(xí)是相輔相成、缺一不可的。

無監(jiān)督學(xué)習(xí)領(lǐng)域近期的研究重點(diǎn)在于“生成對抗網(wǎng)絡(luò)”（GANs），其實(shí)現(xiàn)方式是讓生成器（Generator）和判別器（Discriminator）這兩個網(wǎng)絡(luò)互相博弈，生成器隨機(jī)從訓(xùn)練集中選取真實(shí)數(shù)據(jù)和干擾噪音，產(chǎn)生新的訓(xùn)練樣本，判別器通過與真實(shí)數(shù)據(jù)進(jìn)行對比，判斷數(shù)據(jù)的真實(shí)性。

在這個過程中，生成器與判別器交互學(xué)習(xí)、自動優(yōu)化預(yù)測能力，從而創(chuàng)造最佳的預(yù)測模型。

自2014由Ian Goodfellow提出后，GANs席卷各大頂級會議，被Yann LeCun 評價為是“20年來機(jī)器學(xué)習(xí)領(lǐng)域最酷的想法”。

而強(qiáng)化學(xué)習(xí)這邊，則更接近于自然界生物學(xué)習(xí)過程的本源：如果把自己想象成是環(huán)境（environment）中一個代理（agent），一方面你需要不斷探索以發(fā)現(xiàn)新的可能性（exploration），一方面又要在現(xiàn)有條件下做到極致（exploitation）。

正確的決定或早或晚一定會為你帶來獎勵（positive reward），反之則會帶來懲罰（negative reward），知道最終徹底掌握問題的答案（optimal policy）。

強(qiáng)化學(xué)習(xí)的一個重要研究方向在于建立一個有效的、與真實(shí)世界存在交互的仿真模擬環(huán)境，不斷訓(xùn)練，模擬采取各種動作、接受各種反饋，以此對模型進(jìn)行訓(xùn)練。

人工智能的未來

隨著技術(shù)水平的突飛猛進(jìn)，人工智能終于迎來它的黃金時代。回顧人工智能六十年來的風(fēng)風(fēng)雨雨，歷史告訴了我們這些經(jīng)驗(yàn)：

首先，基礎(chǔ)設(shè)施帶來的推動作用是巨大的，人工智能屢次因數(shù)據(jù)、運(yùn)算力、算法的局限而遇冷，突破的方式則是由基礎(chǔ)設(shè)施逐層向上推動至行業(yè)應(yīng)用；

其次，游戲AI在發(fā)展過程中扮演了重要的角色，因?yàn)橛螒蛑袪可娴饺藱C(jī)對抗，能幫助人們更直觀地理解AI、感受到觸動，從而起到推動作用；

最后，我們也必須清醒地意識到，雖然在許多任務(wù)上，人工智能都取得了匹敵甚至超越人類的結(jié)果，但瓶頸還是非常明顯的。

比如計算機(jī)視覺方面，存在自然條件的影響（光線、遮擋等）、主體的識別判斷問題（從一幅結(jié)構(gòu)復(fù)雜的圖片中找到關(guān)注重點(diǎn)）；語音技術(shù)方面，存在特定場合的噪音問題（車載、家居等）、遠(yuǎn)場識別問題、長尾內(nèi)容識別問題（口語化、方言等）；自然語言處理方面，存在理解能力缺失、與物理世界缺少對應(yīng)（“常識”的缺乏）、長尾內(nèi)容識別等問題。

總的來說，我們看到，現(xiàn)有的人工智能技術(shù)，一是依賴大量高質(zhì)量的訓(xùn)練數(shù)據(jù)，二是對長尾問題的處理效果不好，三是依賴于獨(dú)立的、具體的應(yīng)用場景、通用性很低。

而往未來看，人們對人工智能的定位絕不僅僅只是用來解決狹窄的、特定領(lǐng)域的某個簡單具體的小任務(wù)，而是真正成為和人類一樣，能同時解決不同領(lǐng)域、不同類型的問題，像人類一樣進(jìn)行判斷和決策，也就是所謂的通用人工智能（Artificial General Intelligence, AGI）。

具體來說，需要機(jī)器一方面能夠通過感知學(xué)習(xí)、認(rèn)知學(xué)習(xí)去理解世界，另一方面通過強(qiáng)化學(xué)習(xí)去模擬世界。

前者讓機(jī)器能感知信息，并通過注意、記憶、理解等方式將感知信息轉(zhuǎn)化為抽象知識，快速學(xué)習(xí)人類積累的知識；后者通過創(chuàng)造一個模擬環(huán)境，讓機(jī)器通過與環(huán)境交互試錯來獲得知識、持續(xù)優(yōu)化知識。

人們希望通過算法上、學(xué)科上的交叉、融合和優(yōu)化，整體解決人工智能在創(chuàng)造力、通用性、對物理世界理解能力上的問題。

在未來，底層的基礎(chǔ)設(shè)施將會是由互聯(lián)網(wǎng)、物聯(lián)網(wǎng)提供的現(xiàn)代人工智能場景和數(shù)據(jù)，這些是生產(chǎn)的原料；

算法層將會是由深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)提供的現(xiàn)代人工智能核心模型，輔以云計算提供的核心算力，這些是生產(chǎn)的引擎；

在這些的基礎(chǔ)之上，不管是計算機(jī)視覺、自然語言處理、語音技術(shù)，還是游戲AI、機(jī)器人等，都是基于同樣的數(shù)據(jù)、模型、算法之上的不同的應(yīng)用場景。

這其中還存在著一些亟待攻克的問題，如何解決這些問題正是人們一步一個腳印走向AGI的必經(jīng)之路。

首先是從大數(shù)據(jù)到小數(shù)據(jù)。

深度學(xué)習(xí)的訓(xùn)練過程需要大量經(jīng)過人工標(biāo)注的數(shù)據(jù)，例如無人車研究需要大量標(biāo)注了車、人、建筑物的街景照片，語音識別研究需要文本到語音的播報和語音到文本的聽寫，機(jī)器翻譯需要雙語的句對，圍棋需要人類高手的走子記錄等。

但針對大規(guī)模數(shù)據(jù)的標(biāo)注工作是一件費(fèi)時費(fèi)力的工作，尤其對于一些長尾的場景來說，連基礎(chǔ)數(shù)據(jù)的收集都成問題。

因此，一個研究方向就是如何在數(shù)據(jù)缺失的條件下進(jìn)行訓(xùn)練，從無標(biāo)注的數(shù)據(jù)里進(jìn)行學(xué)習(xí)，或者自動模擬（生成）數(shù)據(jù)進(jìn)行訓(xùn)練，目前特別火熱的GANs就是一種數(shù)據(jù)生成模型。

其次是從大模型到小模型。

目前深度學(xué)習(xí)的模型都非常大，動輒幾百兆字節(jié)（MB）、大的甚至可以到幾千兆字節(jié)（GB）甚至幾十千兆字節(jié)（GB）。

雖然模型在PC端運(yùn)算不成問題，但如果要在移動設(shè)備上使用就會非常麻煩。這就造成語音輸入法、語音翻譯、圖像濾鏡等基于移動端的APP無法取得較好的效果。

這塊的研究方向在于如何精簡模型的大小，通過直接壓縮或是更精巧的模型設(shè)計，通過移動終端的低功耗計算與云計算之間的結(jié)合，使得在小模型上也能跑出大模型的效果。

最后是從感知認(rèn)知到理解決策。

人類智能在感知和認(rèn)知的部分，比如視覺、聽覺，機(jī)器在一定限定條件下已經(jīng)能夠做到足夠好了。當(dāng)然這些任務(wù)本來也不難，機(jī)器的價值在于可以比人做得更快、更準(zhǔn)、成本更低。

但這些任務(wù)基本都是靜態(tài)的，即在給定輸入的情況下，輸出結(jié)果是一定的。而在一些動態(tài)的任務(wù)中，比如如何下贏一盤圍棋、如何開車從一個路口到另一個路口、如何在一支股票上投資并賺到錢，這類不完全信息的決策型的問題，需要持續(xù)地與環(huán)境進(jìn)行交互、收集反饋、優(yōu)化策略，這些也正是強(qiáng)化學(xué)習(xí)的強(qiáng)項。而模擬環(huán)境（模擬器）作為強(qiáng)化學(xué)習(xí)生根發(fā)芽的土壤，也是一個重要的研究方向。