早在20世紀(jì)初期，人們就已經(jīng)開(kāi)始思考機(jī)器人能否像人一樣開(kāi)始思考。在各類文學(xué)作品和科幻電影中，我們看到的“能夠思考的機(jī)器人”，其實(shí)就是人工智能的起源。直到20世紀(jì)50年代，人工智能的概念正式被提出。

英國(guó)科學(xué)家圖靈在1950年的時(shí)候，提出一個(gè)問(wèn)題，“如果人能夠結(jié)合現(xiàn)有數(shù)據(jù)進(jìn)行邏輯推理來(lái)解決現(xiàn)實(shí)問(wèn)題，那么機(jī)器人為什么不可以?”

到目前為止，很多人都是覺(jué)得是可以的。

于是政府、企業(yè)機(jī)構(gòu)、院校等投入大量的資金、財(cái)力以及人力，希望能夠正面回答這個(gè)問(wèn)題。但是從目前來(lái)看，還是很遺憾，這樣大的投入?yún)s收效甚微。盡管目前人工智能技術(shù)取得了很多進(jìn)展和突破，但是距離真正的實(shí)際運(yùn)用還有很長(zhǎng)的一段距離。

人工智能是在21世紀(jì)才得以繁榮發(fā)展，得益于深度學(xué)習(xí)算法的突破、計(jì)算機(jī)計(jì)算能力的飛躍以及信息數(shù)據(jù)的大爆炸，這三者缺一不可。不斷涌現(xiàn)的人工智能成果向研究者和投資者證明，人工智能的確能夠提高生產(chǎn)效率和改變?nèi)祟惾粘Ｉ睢?/p>

人工智能在最近10年已經(jīng)從實(shí)驗(yàn)室走向了商業(yè)應(yīng)用，滲透到我們?nèi)粘Ｉ钪泻芏嗉?xì)節(jié)。購(gòu)物網(wǎng)站能夠根據(jù)用戶瀏覽、購(gòu)買信息為用戶推薦個(gè)性化商品。智能手機(jī)能夠根據(jù)我們?nèi)粘贪才?，推薦最佳線路和酒店推薦。如今，部分汽車、公交已經(jīng)實(shí)現(xiàn)了“自動(dòng)駕駛”。

目前人工智能正以高速增長(zhǎng)的態(tài)勢(shì)持續(xù)發(fā)展，以數(shù)據(jù)為主的谷歌、亞馬遜、阿里巴巴、騰訊、百度等科技巨頭成為了人工智能發(fā)展的主要推動(dòng)者。可以肯定的是，目前人工智能還不能真正像人一樣思考。

有人說(shuō)，人工智能學(xué)習(xí)系統(tǒng)所需要的數(shù)據(jù)、計(jì)算能力都遠(yuǎn)遠(yuǎn)超過(guò)人類大腦的承受范圍。即使目前很先進(jìn)的圖像識(shí)別算法能夠超過(guò)人類識(shí)別圖片水平，但是也不能理解圖片中的貓是什么。

那是不是現(xiàn)在的人工智能發(fā)展方向有問(wèn)題?

百度CEO李彥宏曾對(duì)人工智能做出一種解釋，“人工智能不應(yīng)該長(zhǎng)得像人，而是應(yīng)該讓機(jī)器能夠?qū)崿F(xiàn)人的價(jià)值。”從這個(gè)角度上來(lái)說(shuō)，目前人工智能發(fā)展實(shí)現(xiàn)了人能夠?qū)崿F(xiàn)的聽(tīng)說(shuō)讀寫(xiě)，其發(fā)展方向并沒(méi)有什么大問(wèn)題。但是從人工智能是否能夠走向人類智慧這個(gè)角度來(lái)說(shuō)，目前還沒(méi)有定論判斷是否方向有問(wèn)題。

那么，如今的人工智能發(fā)展如何?發(fā)展過(guò)程中又存在哪些問(wèn)題?未來(lái)，人工智能將以何種形式發(fā)展，才能實(shí)現(xiàn)像人一樣的思考?

人工智能的發(fā)展現(xiàn)狀

人工智能發(fā)展到現(xiàn)在的高度，技術(shù)上較大的功臣，應(yīng)該就屬于深度學(xué)習(xí)算法(Deep Learing)。深度學(xué)習(xí)算法也就是利用多層神經(jīng)網(wǎng)絡(luò)，從極大的數(shù)據(jù)中學(xué)習(xí)，從而實(shí)現(xiàn)對(duì)未來(lái)的預(yù)測(cè)，并使人工智能系統(tǒng)越來(lái)越智能。

傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)算法是由一個(gè)輸入層和一個(gè)輸出層組成的淺層神經(jīng)網(wǎng)絡(luò)。在神經(jīng)網(wǎng)絡(luò)中，隨機(jī)分配給每個(gè)連接之間的權(quán)重?cái)?shù)值，然后通過(guò)訓(xùn)練實(shí)現(xiàn)誤差最小化。但是，之前的神經(jīng)網(wǎng)絡(luò)不能訓(xùn)練太多神經(jīng)網(wǎng)絡(luò)參數(shù)，因此也不能識(shí)別太復(fù)雜的模式。

深度學(xué)習(xí)網(wǎng)絡(luò)

深度學(xué)習(xí)，顧名思義，是指神經(jīng)網(wǎng)絡(luò)中層數(shù)比較多，含有多個(gè)隱含層。多個(gè)隱含層讓神經(jīng)網(wǎng)絡(luò)能夠以分層的方式學(xué)習(xí)數(shù)據(jù)的特征，因?yàn)楹?jiǎn)單特征可以逐層疊加，形成更加復(fù)雜的特征。一旦算法框架構(gòu)建后，通過(guò)更多的“訓(xùn)練”實(shí)現(xiàn)誤差最小化。

總而言之，深度(多層神經(jīng)網(wǎng)絡(luò)算法)和學(xué)習(xí)(大數(shù)據(jù)訓(xùn)練)是深度學(xué)習(xí)必不可少的環(huán)節(jié)。

其他重要的人工智能技術(shù)的發(fā)展都得益于深度學(xué)習(xí)的技術(shù)支撐。除了深度學(xué)習(xí)，強(qiáng)化學(xué)習(xí)(Reinforcement Learning)也是機(jī)器學(xué)習(xí)領(lǐng)域的熱門技術(shù)。強(qiáng)化學(xué)習(xí)能夠在沒(méi)有計(jì)算機(jī)的明確指示下，像人一樣實(shí)現(xiàn)自主學(xué)習(xí)。當(dāng)達(dá)到一定的學(xué)習(xí)量之后，強(qiáng)化學(xué)習(xí)系統(tǒng)就能夠預(yù)測(cè)出正確的結(jié)果。

強(qiáng)化學(xué)習(xí)的基本思想是，學(xué)習(xí)在不同環(huán)境和不同狀態(tài)下，哪種行為能夠使得預(yù)期利益最大化。強(qiáng)化學(xué)習(xí)的學(xué)習(xí)過(guò)程不需要數(shù)據(jù)標(biāo)注，而是由獎(jiǎng)勵(lì)函數(shù)進(jìn)行主導(dǎo)。如同嬰兒學(xué)走路，根據(jù)產(chǎn)生的結(jié)果好壞來(lái)調(diào)整行為動(dòng)作。

深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)融合，衍生出了深度強(qiáng)化學(xué)習(xí)(Deep Reinforcement Learning)。2016年，谷歌的圍棋程序(AlphaGo)就是利用這種深度強(qiáng)化學(xué)習(xí)，擊敗了世界頂級(jí)圍棋選手，成為人工智能領(lǐng)域的又一里程碑。

AlphaGo

即使在圍棋、游戲比賽中大放光彩的強(qiáng)化學(xué)習(xí)，目前真正落地的運(yùn)用并不多，其商業(yè)價(jià)值也是無(wú)法與深度學(xué)習(xí)項(xiàng)媲美的。原因在于，目前還沒(méi)有平臺(tái)能夠提供強(qiáng)化學(xué)習(xí)所需要的巨大數(shù)據(jù)，無(wú)法窮舉現(xiàn)實(shí)中可能遇到的種種復(fù)雜情況。這種數(shù)據(jù)“饑渴”在很多現(xiàn)實(shí)領(lǐng)域中都是無(wú)法實(shí)現(xiàn)的。

深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)結(jié)合的時(shí)候，對(duì)現(xiàn)實(shí)情況的枚舉就變成，首先對(duì)現(xiàn)實(shí)情況進(jìn)行模式識(shí)別，然后進(jìn)行有限模式的枚舉，從而減少了計(jì)算的壓力，但是所需的數(shù)據(jù)將比其他機(jī)器學(xué)習(xí)算法要大得多。

無(wú)論是深度學(xué)習(xí)，還是強(qiáng)化學(xué)習(xí)，都非常依賴大量的數(shù)據(jù)進(jìn)行訓(xùn)練，而且這個(gè)計(jì)算過(guò)程更傾向于蠻力計(jì)算。對(duì)抗神經(jīng)網(wǎng)絡(luò)(Generative Adversarial Networks，簡(jiǎn)稱GAN)，是近幾年最有潛力能夠解決這一瓶頸的機(jī)器學(xué)習(xí)模型。

對(duì)抗神經(jīng)網(wǎng)絡(luò)則是通過(guò)兩個(gè)人工智能系統(tǒng)相互對(duì)抗產(chǎn)生超級(jí)真實(shí)的原創(chuàng)圖片和聲音。對(duì)抗神經(jīng)網(wǎng)絡(luò)賦予了機(jī)器創(chuàng)造和想象的能力，也讓機(jī)器學(xué)習(xí)減少了對(duì)數(shù)據(jù)的依賴，這是人工智能領(lǐng)域的又一重大突破。

對(duì)抗神經(jīng)網(wǎng)絡(luò)

2018年，發(fā)表在Arxiv網(wǎng)站上的論文《StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks》表明，利用對(duì)抗性神經(jīng)網(wǎng)絡(luò)，只需給系統(tǒng)輸入簡(jiǎn)單的文字，系統(tǒng)就會(huì)生成圖片。

可是由于目前對(duì)于對(duì)抗神經(jīng)網(wǎng)絡(luò)的研究只有短短四五年的時(shí)間，其研究也基本處于舉證階段。但是這種賦予機(jī)器“創(chuàng)造力”的GAN，解決了一直困擾著人工智能的數(shù)據(jù)來(lái)源問(wèn)題，可以說(shuō)實(shí)現(xiàn)了真正不依賴人類的無(wú)監(jiān)督學(xué)習(xí)。

關(guān)于神來(lái)之筆的對(duì)抗神經(jīng)網(wǎng)絡(luò)，其真正技術(shù)爆發(fā)和商業(yè)應(yīng)用需要的只是更多時(shí)間。

人工智能系統(tǒng)很具突破性的應(yīng)用

如今，隨著人工智能技術(shù)的不斷突破，其商業(yè)應(yīng)用也是遍地開(kāi)花。《麻省理工科技》認(rèn)為很具突破性的運(yùn)用是，基于人工智能的自動(dòng)駕駛、圖像識(shí)別以及語(yǔ)音識(shí)別。

自動(dòng)駕駛

Tesla的自動(dòng)駕駛儀及自動(dòng)駕駛貨車分別在2016年和2017年入選《麻省理工科技評(píng)論》十大突破性技術(shù)。過(guò)去幾年，自動(dòng)駕駛技術(shù)的突飛猛進(jìn)主要依賴于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的重大突破。

但是盡管目前取得了很多突破性進(jìn)展，但是目前普遍認(rèn)為，自動(dòng)駕駛還沒(méi)有達(dá)到完全代替人的程度，只能被看做是輔助駕駛員的半自動(dòng)駕駛。特別是面對(duì)天氣、意外障礙、復(fù)雜城市交通等情況，自動(dòng)駕駛的傳感器和軟件很容易出錯(cuò)，因此目前還無(wú)法離開(kāi)人力操作。

自動(dòng)駕駛

目前，很多人相信，基于車對(duì)車通訊(Vehicle-toVehicle，V2V)的車聯(lián)網(wǎng)技術(shù)能夠有效解決自動(dòng)駕駛面臨的關(guān)鍵問(wèn)題。車對(duì)車的通訊可以把汽車的位置、速度、制動(dòng)情況等車輛數(shù)據(jù)傳輸給百米范圍內(nèi)的車輛，使得自動(dòng)駕駛汽車能夠眼觀六路、耳聽(tīng)八方，從而有效避免車輛發(fā)生碰撞。

在自動(dòng)駕駛還不夠成熟的情況下，用無(wú)線通信技術(shù)似乎能夠有效減少道路交通意外。但是這種車輛通信涉及的通信技術(shù)要求比較高，而且因?yàn)樾畔踩碗[私保護(hù)問(wèn)題，使得V2V還處于商業(yè)試用階段，近幾年的發(fā)展速度也遠(yuǎn)不如自動(dòng)駕駛發(fā)展迅猛。

圖像識(shí)別、語(yǔ)音識(shí)別

現(xiàn)在很多人出門都是不需要帶錢包，拿著手機(jī)就可以隨意在商場(chǎng)內(nèi)進(jìn)行支付。移動(dòng)支付已經(jīng)取代現(xiàn)金和銀行卡，成為不少人的主要支付方式。

2015年，蘋(píng)果支付被評(píng)為全球十大突破性技術(shù)。早期的蘋(píng)果支付是結(jié)合NFC近場(chǎng)通訊和指紋識(shí)別(屬于圖像識(shí)別)，極大改善了移動(dòng)支付的用戶體驗(yàn)。蘋(píng)果支付不同于Google錢包、微信、支付寶、Paypal，不需要進(jìn)入應(yīng)用程序、點(diǎn)擊付款、輸入金額或者掃二維碼等。

當(dāng)手機(jī)靠近收銀端時(shí)，蘋(píng)果支付就會(huì)自動(dòng)激活，通過(guò)指紋驗(yàn)證即可完成支付。而且蘋(píng)果支付在安全性上也是比較領(lǐng)先，與支付寶、微信支付不同，蘋(píng)果支付的手機(jī)不保存真實(shí)的卡號(hào)，商家也不會(huì)看到，更不需要將卡號(hào)存儲(chǔ)在數(shù)據(jù)庫(kù)中。每次支付交易過(guò)程中生產(chǎn)一個(gè)唯一的代碼，而且這代碼也只能使用一次。

不僅僅如此，蘋(píng)果憑借基于人工智能的精確圖像識(shí)別技術(shù)，讓刷臉支付成為可能。刷臉支付已經(jīng)成為2017年最具突破性技術(shù)之一，但是最先有商業(yè)應(yīng)用刷臉支付的是中國(guó)。2015年，阿里馬云在德國(guó)漢諾威消費(fèi)電子博覽會(huì)的開(kāi)幕式上，成功刷臉支付購(gòu)買一枚1948年漢諾威工業(yè)博覽會(huì)的紀(jì)念郵票。

馬云的刷臉支付

從目前來(lái)看，刷臉支付還處于發(fā)展早期。刷臉支付會(huì)遭受用戶對(duì)安全性的質(zhì)疑，而且刷臉支付的便捷性也并不比原有的密碼支付或者指紋支付提升很多。若想大范圍推廣刷臉支付，不僅僅要改善現(xiàn)有軟硬件，還需要大力宣傳使得用戶接受刷臉支付。

語(yǔ)音識(shí)別也類似于圖像識(shí)別，本質(zhì)區(qū)別在于語(yǔ)音數(shù)據(jù)是一維數(shù)據(jù)，圖像數(shù)據(jù)是二維數(shù)據(jù)。谷歌溝巴別魚(yú)耳塞的出現(xiàn)，使得耳朵里的實(shí)時(shí)翻譯成為現(xiàn)實(shí)，也因此被評(píng)為2018年全球突破性技術(shù)之一。但是市場(chǎng)對(duì)于這種耳塞的評(píng)價(jià)很一般，主要集中在不是真正的實(shí)時(shí)性翻譯，加之需要手機(jī)、耳機(jī)、翻譯軟件，使得抱著“巴別魚(yú)真人版”期望的用戶多少有點(diǎn)失望。

但是這一切，背后都是都是基于人工智能技術(shù)的商業(yè)運(yùn)用。同時(shí)，也正是因?yàn)檫@些商業(yè)運(yùn)用，使得大眾真正看到了人工智能技術(shù)的魅力。

未來(lái)，人工智能將以何種方式發(fā)展?

盡管，目前人工智能以及出現(xiàn)了這樣多的進(jìn)展，但是并不是所有人都認(rèn)為深度學(xué)習(xí)是人工智能走向人類智慧的法寶。原因在于，深度學(xué)習(xí)就像是一個(gè)黑盒子，無(wú)處得知其中發(fā)生了什么，呈現(xiàn)出“經(jīng)驗(yàn)過(guò)多、理論不足”的態(tài)勢(shì)。

并且，由于深度學(xué)習(xí)過(guò)于依賴計(jì)算能力和大數(shù)據(jù)，使得深度學(xué)習(xí)更趨向于蠻力計(jì)算。如何在小樣本數(shù)據(jù)下訓(xùn)練處良好的神經(jīng)網(wǎng)絡(luò)，也是目前研究的重要方向。

被譽(yù)為深度學(xué)習(xí)始祖的Hinton表示，我們需要將自己曾經(jīng)提出的突破性模型都推翻才能徹底改變現(xiàn)有深度學(xué)習(xí)存在的問(wèn)題。Hinton認(rèn)為，我們研究機(jī)器視覺(jué)的方式是錯(cuò)誤的。即使這種方式在目前看來(lái)很有用，但是并不意味這是使得人工智能具備像人一樣思考的正確道路。

Hinton教授

2010年，Hinton發(fā)表關(guān)于“膠囊網(wǎng)絡(luò)”(Capsule Networks)的研究成果。膠囊網(wǎng)絡(luò)旨在彌補(bǔ)深度學(xué)習(xí)系統(tǒng)過(guò)于依賴數(shù)據(jù)的缺陷，從而提高對(duì)于新場(chǎng)景、新知識(shí)的泛化能力。例如，教計(jì)算機(jī)識(shí)別不同角度、不同顏色的貓，可能需要成千上萬(wàn)張不同角度的相片，但是小孩卻能夠通過(guò)少量對(duì)貓識(shí)別的訓(xùn)練，就能掌握認(rèn)識(shí)其他沒(méi)有見(jiàn)過(guò)的各種角度、各種品種的貓。

目前來(lái)看，膠囊網(wǎng)絡(luò)并沒(méi)有大量數(shù)據(jù)和案例來(lái)證明其優(yōu)越性，但是這的確是人工智能領(lǐng)域又一次認(rèn)知的革新。

今天，我們處于一個(gè)相信數(shù)據(jù)能夠解決所有問(wèn)題的時(shí)代，這種以數(shù)據(jù)為中心的思想的確給我們的日常生活帶來(lái)很多全新體驗(yàn)。但是數(shù)據(jù)并不是萬(wàn)能的，數(shù)據(jù)可以告訴你服用藥的病人比不服用藥的病人康復(fù)得快，但是并不能告訴你原因。

人工智能系統(tǒng)中，無(wú)論是深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)還是對(duì)抗神經(jīng)網(wǎng)絡(luò)，都只能告訴你輸入輸出之間的相關(guān)性，也就是概率論里面的概率。目前沒(méi)有一個(gè)人工智能系統(tǒng)能夠百分之百告訴你這張圖片中動(dòng)物肯定是貓，只能告訴你這個(gè)動(dòng)物有95%甚至100%的概率是貓。

人工智能系統(tǒng)識(shí)別為概率且不穩(wěn)定，容易被干擾

人類認(rèn)識(shí)事物的時(shí)候，一般都是通過(guò)數(shù)據(jù)進(jìn)行因果推理和判斷，才得出相應(yīng)的解決方案。而目前的人工智能系統(tǒng)卻并不能實(shí)現(xiàn)這種因果推導(dǎo)，進(jìn)一步推斷，似乎目前的人工智能系統(tǒng)離這種人類智能思考越來(lái)越遠(yuǎn)。

關(guān)于深度學(xué)習(xí)的未來(lái)，Hinton也承認(rèn)，自己也不知道人工智能革命接下來(lái)會(huì)將我們帶向何處。他說(shuō)：“在這個(gè)領(lǐng)域，很難預(yù)測(cè)五年以后的事情，畢竟事情往往并不會(huì)像你期待的那樣如期而至。”

未來(lái)，深度學(xué)習(xí)或許繼續(xù)發(fā)展，或者被推翻。而這種因果推理智能的研究雖然是非主流，但是未來(lái)會(huì)怎么樣，不得而知。圖靈獎(jiǎng)得主珀?duì)柦淌谝簧铝τ谝蚬P(guān)系科學(xué)及其在人工智能方面領(lǐng)域的應(yīng)用，也在不斷探索未來(lái)人工智能的發(fā)展。

目前，無(wú)法回答人工智能能否像人一樣思考。不過(guò)可以確定的是，這僅僅只是開(kāi)始。

你們?cè)趺从X(jué)得人工智能會(huì)像人一樣思考嗎?