這幾年隨著AI的浪潮席卷而來(lái)，各行各業(yè)陸續(xù)上演著AI取代人類工作的戲碼，好像凡事只要套上AI再困難的事情都能解決，所以究竟AI到底是什么?今天就讓我用一篇文章帶你快速了解這人類長(zhǎng)久以來(lái)的夢(mèng)想技術(shù)——AI。

一個(gè)有趣的問(wèn)題和游戲

AI全名Artificial Intelligence，通常翻譯為人工智慧或人工智能，是人類長(zhǎng)久以來(lái)的夢(mèng)想技術(shù)，早在1950年天才斜杠科學(xué)家艾倫圖靈就在他的論文《計(jì)算機(jī)與智能》中第一次提到一個(gè)有趣的問(wèn)題“機(jī)器能思考嗎?”從此開啟了AI這個(gè)新領(lǐng)域，也引發(fā)了人們對(duì)AI的無(wú)限想象。

根據(jù)圖靈的想法，要判斷一臺(tái)機(jī)器能不能思考，必須通過(guò)一個(gè)所謂的模仿游戲，由于這個(gè)游戲太過(guò)經(jīng)典而被后人稱為圖靈測(cè)試，在這個(gè)測(cè)試當(dāng)中由一個(gè)發(fā)問(wèn)人C同時(shí)對(duì)不同房間內(nèi)的機(jī)器A與人類B持續(xù)發(fā)問(wèn)，只要C無(wú)法分辨AB誰(shuí)是計(jì)算機(jī)誰(shuí)是人類，我們就可以宣稱房間內(nèi)的機(jī)器是一臺(tái)能思考的機(jī)器。

從窮舉到分類

從那之后人們花了很長(zhǎng)一段時(shí)間研發(fā)，試圖制造出能通過(guò)圖靈測(cè)試的機(jī)器或算法，在1997年，當(dāng)時(shí)最先進(jìn)的IBM深藍(lán)計(jì)算機(jī)擊敗西洋棋世界冠軍，盡管看似很厲害，殊不知這背后也只是讓計(jì)算機(jī)窮舉所有可能性，從中挑選最有利的步數(shù)去走而已，說(shuō)穿了就跟GPS導(dǎo)航系統(tǒng)從已知的所有地圖路徑當(dāng)中選擇最佳路徑?jīng)]什么兩樣。

然而面對(duì)無(wú)限多種可能性的現(xiàn)實(shí)世界，這樣的暴力窮舉法顯然無(wú)法套用到大多數(shù)更為復(fù)雜的現(xiàn)實(shí)情況，要把AI應(yīng)用在日常生活當(dāng)中，我們還是需要尋找更有效率的做法，而人類累積智慧的方式就是一個(gè)很好的參考方向。

人類的智慧，來(lái)自于經(jīng)驗(yàn)，也就是不斷地學(xué)習(xí)與記取教訓(xùn)，在一次次的嘗試錯(cuò)誤當(dāng)中調(diào)整自我對(duì)外界的認(rèn)知，如此一來(lái)當(dāng)下一次遇到類似的狀況我們就能輕易利用過(guò)往的經(jīng)驗(yàn)來(lái)判斷與應(yīng)對(duì)未知的未來(lái)，同時(shí)，為了大幅減少所需記憶和處理的內(nèi)容，人們也很擅長(zhǎng)把類似的東西分類貼標(biāo)簽，把大量的信息歸納為少少的幾類，套用同樣的概念我們有沒(méi)有可能把經(jīng)驗(yàn)也就是歷史資料喂給機(jī)器去學(xué)習(xí)從而自動(dòng)找出事件特征與結(jié)果之間的關(guān)聯(lián)模型，而變成一個(gè)能預(yù)測(cè)未來(lái)數(shù)值或者自動(dòng)分類與決策的程序。

自動(dòng)分類的方法

關(guān)于預(yù)測(cè)數(shù)值一個(gè)很直覺(jué)的想法就是找出事件特征與結(jié)果之間的數(shù)學(xué)線性關(guān)系，舉例來(lái)說(shuō)，假設(shè)在某個(gè)地段有一間10平米的房子以10萬(wàn)成交，另一間20平米的房子以20萬(wàn)成交，根據(jù)這樣的信息我們就能合理推斷出成交價(jià)與坪數(shù)之間大約就是每平米10萬(wàn)的關(guān)系，而當(dāng)成交信息愈來(lái)愈多時(shí)，我們也能利用梯度下降之類的技巧找出一條最符合所有資料的回歸線，進(jìn)而獲得一個(gè)用梯度下降數(shù)來(lái)預(yù)測(cè)房?jī)r(jià)的模型，這就是所謂的線性回歸法。

關(guān)于自動(dòng)分類則有許多方法，在此我們列舉幾個(gè)有名的算法來(lái)感受一下：

面對(duì)非此即彼的分類問(wèn)題我們也可以把特征與結(jié)果之間的關(guān)聯(lián)投射回歸到一個(gè)0與1的邏輯曲線上，0代表其中一類，1代表另外一類，如此就利用類似的做法得到一個(gè)把任意數(shù)值對(duì)應(yīng)到適當(dāng)分類的模型，這就是所謂的邏輯回歸法。

決策樹是利用特征與分類結(jié)果之間的關(guān)系，由歷史資料來(lái)建構(gòu)出一棵充滿著“如果這樣就那樣”的決策樹，成為一個(gè)讓不同的特征落入對(duì)應(yīng)的適當(dāng)分類的模型。

面對(duì)同樣的問(wèn)題為了避免單一特征的重要性被過(guò)度放大而造成偏差，如果隨機(jī)挑選部分特征來(lái)建構(gòu)多棵決策樹，最后再用投票的方式來(lái)決勝負(fù)，將會(huì)得出比單一決策樹更全面更正確的答案這就是隨機(jī)森林法。

最近鄰居法簡(jiǎn)稱KNN，是在現(xiàn)有歷史資料的基礎(chǔ)上對(duì)于想預(yù)測(cè)的新資料直接比對(duì)特征最接近的K筆歷史資料看他們分別屬于哪個(gè)分類，再以投票來(lái)決定新資料的所屬分類。

支持向量機(jī)簡(jiǎn)稱SVM，試著在不同分類群體之間找出一條分隔線，使邊界距離最近的資料點(diǎn)越遠(yuǎn)越好，以此來(lái)達(dá)到分類的目的。

以上都是在歷史資料都有標(biāo)準(zhǔn)答案的情形下，試著找出符合特征與結(jié)果之間關(guān)聯(lián)性的模型，如此一來(lái)新資料就能套用相同的模型而得出適當(dāng)?shù)念A(yù)測(cè)結(jié)果，那么如果我們手頭上的資料從來(lái)沒(méi)被分類過(guò)，還有辦法自動(dòng)將他們分群?jiǎn)?有的：

K-平均算法，先從所有資料當(dāng)中隨機(jī)數(shù)選擇K個(gè)中心點(diǎn)，我們就能把個(gè)別資料依照最近的中心點(diǎn)分成K群，將每一群的平均值當(dāng)成新的K個(gè)中心點(diǎn)再分成K群，以此類推最終資料將收斂至K個(gè)彼此相近的群體，以上都是在有歷史資料的情形下利用資料來(lái)建構(gòu)模型的算法，那么如果沒(méi)有歷史資料呢?

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)簡(jiǎn)稱RL，概念上是在沒(méi)有歷史資料的情況下把模型直接丟到使用環(huán)境當(dāng)中，透過(guò)一連串的動(dòng)作來(lái)觀察環(huán)境狀態(tài)同時(shí)接受來(lái)自環(huán)境的獎(jiǎng)勵(lì)或懲罰反饋來(lái)動(dòng)態(tài)調(diào)整模型，如此一來(lái)在經(jīng)過(guò)訓(xùn)練之后模型就能自動(dòng)做出能獲得最多獎(jiǎng)勵(lì)的動(dòng)作。

面對(duì)這么多琳瑯滿目的機(jī)器學(xué)習(xí)算法我們首先面臨的難題就是該套用哪一種算法，關(guān)于算法的挑選通常我們會(huì)依照用來(lái)訓(xùn)練的歷史資料有沒(méi)有標(biāo)準(zhǔn)答案將算法分為兩大類，監(jiān)督式學(xué)習(xí)或者非監(jiān)督式學(xué)習(xí)，然后再依能達(dá)成的效果細(xì)分下去，至于沒(méi)有歷史資料的強(qiáng)化學(xué)習(xí)則獨(dú)立于這兩大類自成一格。

此外我們也需要考慮每個(gè)算法的特性與前提假設(shè)，除此之外，還有許多雜七雜八的因素，比如資料量的大小、模型效能與準(zhǔn)確度之間的取舍等等，甚至有人將算法的選擇做成SOP讓人比較有方向可循，即便如此這樣子根據(jù)不同類型的問(wèn)題見(jiàn)招拆招的方式似乎也只適用于這些相對(duì)單純的應(yīng)用場(chǎng)景，難以套用到更高層次更復(fù)雜的應(yīng)用上，難道機(jī)器學(xué)習(xí)就只能這樣了嗎?

AI進(jìn)階——深度學(xué)習(xí)

在發(fā)展機(jī)器學(xué)習(xí)的同時(shí)擅長(zhǎng)模仿的人類也把腦筋動(dòng)到了模仿自己的大腦神經(jīng)元上，人腦雖然只由簡(jiǎn)單的腦神經(jīng)元組成，卻能透過(guò)數(shù)百到數(shù)千億個(gè)神經(jīng)元之間的相互連結(jié)來(lái)產(chǎn)生智慧，那么我們能不能用相同的概念讓機(jī)器去模擬這種普適性的一招打天下的機(jī)制而產(chǎn)生智慧呢?

這個(gè)想法開啟了類神經(jīng)網(wǎng)絡(luò)這個(gè)領(lǐng)域進(jìn)而演變?yōu)楹髞?lái)的深度學(xué)習(xí)，一個(gè)大腦神經(jīng)元有許多樹突接收來(lái)自其他神經(jīng)元的動(dòng)作電位，這些外來(lái)動(dòng)作電位在細(xì)胞內(nèi)進(jìn)行匯整，只要電位超過(guò)一個(gè)閥值就會(huì)觸發(fā)連鎖反應(yīng)，將這個(gè)神經(jīng)元的動(dòng)作電位訊息透過(guò)軸突傳遞給后續(xù)的神經(jīng)元。

同理我們可以把大腦神經(jīng)元的機(jī)制以數(shù)位邏輯的方式來(lái)模擬，我們稱之為感知器，其中包含m筆輸入*一個(gè)偏置，經(jīng)過(guò)權(quán)重相乘并加總之后再通過(guò)一個(gè)激活函數(shù)來(lái)模擬大腦神經(jīng)元的電位閾值機(jī)制，最終輸出這個(gè)節(jié)點(diǎn)被激活的程度，傳遞至下一層的感知器。

由于現(xiàn)實(shí)中要解決的難題大多不會(huì)有簡(jiǎn)單的線性解，我們通常會(huì)選用非線性函數(shù)的激活函數(shù)，象是介于0與1之間的s形函數(shù)，介于-1與1之間的雙曲正切函數(shù)，最常被使用的線性整流函數(shù)或者其他變形。

而一旦我們把很多個(gè)感知器分層相互連接起來(lái)就形成一個(gè)深度學(xué)習(xí)的模型架構(gòu)，要訓(xùn)練這個(gè)模型就把資料一筆一筆喂進(jìn)去先進(jìn)行正向傳播，將得出的輸出結(jié)果與標(biāo)準(zhǔn)答案帶入損失函數(shù)，算出兩者之間的差異再以梯度下降之類的最佳化函數(shù)進(jìn)行反向傳播，以減少差異為目標(biāo)來(lái)調(diào)整每一個(gè)感知器里的權(quán)重，只要資料量夠多模型輸出與標(biāo)準(zhǔn)答案之間的差異就會(huì)在資料一筆一筆正向反向流入模型的自我修正當(dāng)中逐漸收斂減小，一旦經(jīng)由模型得出的答案與標(biāo)準(zhǔn)答案的差異小到某個(gè)可以接受的程度，就表示這個(gè)模型是訓(xùn)練好的可用的模型。

這樣的概念看似簡(jiǎn)單但要實(shí)現(xiàn)出來(lái)則需要大量的資料大量的運(yùn)算能力以及夠簡(jiǎn)單好用的軟件，也因此在2012年之后當(dāng)這三個(gè)條件都滿足了深度學(xué)習(xí)才終于開花結(jié)果開始有了爆炸性的成長(zhǎng)。

實(shí)際問(wèn)題的解決

在計(jì)算機(jī)視覺(jué)領(lǐng)域我們可以使用卷積神經(jīng)網(wǎng)絡(luò)CNN，先用小范圍的濾鏡來(lái)取得影像的邊緣、形狀等等特征，再把這些富有意義的特征連接到前面提到的深度學(xué)習(xí)模型，如此就能有效識(shí)別圖片或影像中的物體，透過(guò)這樣的方式計(jì)算機(jī)在影像識(shí)別的正確率上已經(jīng)超越人類并持續(xù)進(jìn)步當(dāng)中。

在模仿影像或藝術(shù)風(fēng)格方面則可以使用生成對(duì)抗網(wǎng)絡(luò)GAN，透過(guò)兩個(gè)深度學(xué)習(xí)模型相互抗衡由立志要成為模仿大師的生成模型產(chǎn)生假資料交由判別模型來(lái)判斷資料真假，一旦生成模型產(chǎn)生出來(lái)的假資料讓判別模型分不清真假就成功了，坊間一些變臉應(yīng)用的app或是AI生成的畫作都是GAN的相關(guān)應(yīng)用。

針對(duì)聲音或文字等等自然語(yǔ)言處理NLP，這類有順序性資料的處理傳統(tǒng)上可以使用遞歸神經(jīng)網(wǎng)絡(luò)RNN把每次訓(xùn)練的模型狀態(tài)傳遞至下一次訓(xùn)練，以達(dá)到有順序性的短期記憶的功效，進(jìn)階版本的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM則用于改善RNN的長(zhǎng)期記憶遞減效應(yīng)，針對(duì)類似的問(wèn)題后來(lái)有人提出另一套更有效率的解法稱為Transformer，概念上是使用注意力的機(jī)制讓模型直接針對(duì)重點(diǎn)部分進(jìn)行處理，這樣的機(jī)制不只適用于自然語(yǔ)言處理，套用在計(jì)算機(jī)視覺(jué)領(lǐng)域上也有不錯(cuò)的成果。

2020年擁有1750億模型參數(shù)的超巨大模型GPT-3已經(jīng)能做到自動(dòng)生成文章與程序碼或回答問(wèn)題質(zhì)量甚至還不輸人類，未來(lái)隨著模型參數(shù)個(gè)數(shù)再持續(xù)指數(shù)型成長(zhǎng)這類模型的實(shí)際應(yīng)用成效更是令人期待，而除了前面說(shuō)的計(jì)算機(jī)視覺(jué)與自然語(yǔ)言處理這兩大領(lǐng)域之外，深度學(xué)習(xí)在各個(gè)領(lǐng)域也都有很驚人的成果。

2017年在不可能暴力窮舉的圍棋領(lǐng)域中結(jié)合深度學(xué)習(xí)與增強(qiáng)學(xué)習(xí)的AlphaGo以3:0擊敗世界第一圍棋士柯潔震驚全世界，等同宣告AI已經(jīng)能透過(guò)快速自我學(xué)習(xí)在特定領(lǐng)域超越人類數(shù)千年以來(lái)的智慧累積，2020年AlphaGo的研發(fā)團(tuán)隊(duì)DeepMind再度運(yùn)用深度學(xué)習(xí)破解了困擾著生物學(xué)50年的蛋白質(zhì)分子折疊問(wèn)題

這將更實(shí)際地幫助人類理解疾病機(jī)制促進(jìn)新藥開發(fā)幫助農(nóng)業(yè)生產(chǎn)進(jìn)而運(yùn)用蛋白質(zhì)來(lái)改善地球生態(tài)環(huán)境，更貼近生活的自動(dòng)駕駛的發(fā)展更是不在話下，當(dāng)前的自動(dòng)駕駛技術(shù)隨著累積里程數(shù)持續(xù)增加而趨于成熟，肇事率也早已遠(yuǎn)低于人類，同時(shí)AI在醫(yī)學(xué)領(lǐng)域某些科別的診斷正確率也已經(jīng)達(dá)到優(yōu)于人類的水平，至于無(wú)人商店與中國(guó)天網(wǎng)則早已不是那么新奇的話題了。

結(jié)語(yǔ)

這時(shí)，再回頭來(lái)看1950年圖靈的問(wèn)題，機(jī)器能思考嗎?我們可能還是無(wú)法給出一個(gè)明確的答案，然而，當(dāng)下的人類卻已經(jīng)比當(dāng)年擁有更多的技術(shù)累積成果更接近這個(gè)夢(mèng)想并持續(xù)前進(jìn)當(dāng)中，當(dāng)前的AI技術(shù)就像一個(gè)學(xué)習(xí)成長(zhǎng)中的小孩，能看、能聽(tīng)、能說(shuō)，以及能針對(duì)特定問(wèn)題做出精準(zhǔn)、甚至跳脫框架、超越人類過(guò)往認(rèn)知能力的判斷，然而一旦遇到復(fù)雜的哲學(xué)、情感、倫理道德等議題就還遠(yuǎn)遠(yuǎn)無(wú)法勝任。

總體而言人與機(jī)器各有所長(zhǎng)，人類擅長(zhǎng)思考與創(chuàng)新然而體力有限，也偶爾會(huì)犯點(diǎn)錯(cuò)誤，機(jī)器則擅長(zhǎng)記憶與運(yùn)算，能針對(duì)特定問(wèn)題給出穩(wěn)定且高質(zhì)量的答案而且24小時(shí)全年無(wú)休，因此在這波AI浪潮下理想策略應(yīng)該是人與機(jī)器充分合作各取所長(zhǎng)，人們可以把一些比較低階、重復(fù)性高、瑣碎、無(wú)趣的工作逐步外包給機(jī)器，與此同時(shí)釋出的人力將可以投入更多探索、研究、富有創(chuàng)造性、也較有趣的工作當(dāng)中，如此一來(lái)人們將更有時(shí)間與精力去實(shí)現(xiàn)夢(mèng)想去思考人生的意義，也更能專注在解決重要的問(wèn)題上進(jìn)而提升整體人類的層次。