人工智能來了你需要知道什么？
人工智能這個被一時間帶火的熱詞，已成為當下最火熱的產(chǎn)業(yè)之一，從蘋果Siri到谷歌的AlphaGo等，AI的大規(guī)模運用，將給當下的社會生產(chǎn)力帶來爆炸式的增長，我們曾經(jīng)憧憬的未來世界，都在人工智能的撬動下，已悄然掀開了序幕。
人工智能的核心：深度卷積神經(jīng)網(wǎng)絡&深度強化學習
什么叫人工智能？迄今有許多定義。智能這個詞已經(jīng)變得很大眾化隨處可見，那什么是真正的人工智能？這個問題比較大，但還是可以說清楚。
人工智能也就是人造的智能。意識不是人造的，其中的自我意識可感知整體的自我，并與自我之外的環(huán)境清晰分隔，是生命存在的主要體感。意識的物質基礎仍然是生物神經(jīng)元及其脈沖編碼，是遍歷整合大腦中各功能模塊、皮層各通道之巨量神經(jīng)回路集體投射的結果。
換句話說，現(xiàn)在復興的人工智能更多僅限于最底層的，比如說視覺、聽覺的目標分割（定位）與識別部分，而且還完全有別于生物智能，是一種大數(shù)據(jù)智能。超人類水平的AlphaGo屬于博弈類決策，但也只是模擬了人與動物的強化學習方法，并且依舊是建基于大數(shù)據(jù)深度學習之上的。其他更高級的認知智能和創(chuàng)造性智能，人類大腦是怎么做到的，有什么原理？我們現(xiàn)在還知之甚少，就更別提模仿了。
如果說人工智能接近于人類水平達到或超過就更不用說了，那我們就可以說它是真正具有智能的。把簡單的邏輯判斷稱之為智能顯然是不科學的。畢竟接近于人類水平的人工智能技術更具應用與商業(yè)價值。但在現(xiàn)階段的所有算法中，只有大數(shù)據(jù)驅動的深度卷積神經(jīng)網(wǎng)絡，還有深度強化學習，就某個點的特定應用場景來說，確確實實達到了人類水平，甚至超過了人類水平。這兩部分目前是人工智能的核心，可以做產(chǎn)品開發(fā)和產(chǎn)業(yè)發(fā)展，但同樣這兩部分本身也有許多缺陷。
深度卷積神經(jīng)網(wǎng)絡現(xiàn)在涌現(xiàn)出許多極其成功的例子，包括人臉識別等；基于深度強化學習的AlphaGo也打敗了人類最強圍棋冠軍；Facebook發(fā)布的神經(jīng)機器翻譯系統(tǒng)僅用了純粹的深度卷積神經(jīng)網(wǎng)絡，不僅翻譯準確度進一步提高，而且翻譯的速度還大幅度提高了九倍。第三次人工智能的復興不是虛幻、不是泡沫，而是實實在在的進步，至少有深度卷積神經(jīng)網(wǎng)絡和深度強化學習這兩個革命性的進展，盡管算法仍不完美。其他的前沿技術目前還在探索之中。
人工智能那些未來發(fā)展之路
展望前沿技術探索，未來三到五年最有可能出現(xiàn)突破的就是半監(jiān)督的學習方法。現(xiàn)在深度卷積神經(jīng)網(wǎng)絡很好，但是它有缺點，即依賴于帶標簽的完備大數(shù)據(jù)，沒有大數(shù)據(jù)喂食就不可能達到人類水平，但是要獲得完備的大數(shù)據(jù)，機器人維修，需要付出的資源代價太大，很多應用場景甚至得不到，比如把全世界的火車照片都搜集起來，庫卡機器人，這是不可能的事。我們希望能夠做一些小數(shù)據(jù)、小樣本的半監(jiān)督學習，訓練數(shù)據(jù)不大，但是還能夠達到人類水平。
我們做過很多實驗，人為地去掉一半甚至去掉1/4的標簽數(shù)據(jù)去訓練深度卷積神經(jīng)網(wǎng)絡，希望網(wǎng)絡能夠具有舉一反三的能力，通過小樣本或小數(shù)據(jù)的學習同樣能夠達到人類水平。這方面的研究不管是利用生成式對抗網(wǎng)絡，還是與傳統(tǒng)統(tǒng)計機器學習方法相結合，或者是與認知計算方法的結合，證明難度都挺大。比如我們看到了土狗的照片，從來沒見過藏獒、寵物狗，但通過舉一反三就能夠識別出來。這靠什么？靠推理。人類不完全是基于特征提取，還靠知識推理獲得更強的泛化能力。而現(xiàn)在的深度卷積神經(jīng)網(wǎng)絡是靠多級多層的特征提取，如果特征提取不好，識別結果就不好，就達不到人類水平�？傊�，特征提取要好就必須要有完備的大數(shù)據(jù)。但不管怎樣，相信具有特征提取+知識推理的半監(jiān)督或者無監(jiān)督的深度卷積神經(jīng)網(wǎng)絡三到五年會有突破，而且還是基于端到端學習的，其中也會融入先驗知識或模型。相對而言，通用人工智能的突破可能需要的時間更長，三到五年能不能突破還是未知，但是意義非常重大。
在半監(jiān)督、無監(jiān)督深度學習方法突破之后，很多行業(yè)應用包括人工智能場景研發(fā)都會快速推進。實際應用時我們一般都通過數(shù)據(jù)迭代、算法迭代向前推進。從這個角度來說，AlphaGo中體現(xiàn)的深度強化學習代表著更大的希望。因為它也是基于深度卷積神經(jīng)網(wǎng)絡的，包括以前用的13層網(wǎng)絡，現(xiàn)在用的40層卷積神經(jīng)網(wǎng)，替代了以前的淺層全連接網(wǎng)絡，帶來的性能提升是很顯著的。
為什么深度強化學習更有意義？首先它有決策能力，決策屬于認知，這已經(jīng)不僅僅是感知智能了。其次AlphaGo依賴的僅僅是小數(shù)據(jù)的監(jiān)督學習。3000萬的6-9段人類職業(yè)棋手的棋局，對人類來說已經(jīng)是大數(shù)據(jù)了，但對圍棋本身的搜索空間來講則是一個小數(shù)據(jù)。不管柯潔還是聶衛(wèi)平，都無法記住3000萬個棋局，但19x19的棋盤格上，因每個交叉點存在黑子、白子或無子三種情況，其組合數(shù)或搜索空間之巨大，超過了全宇宙的粒子數(shù)。對具有如此復雜度的棋局變化，人類的3000萬個已知棋局真的就是一個小數(shù)據(jù)，AlphaGo首先通過深度監(jiān)督學習，學習人類的3000萬個棋局作為基礎，相當于站在巨人的肩膀上，然后再利用深度強化學習，通過自我對弈、左右互搏搜索更大的棋局空間，是人類3000萬棋局之外的棋局空間，這就使AlphaGo2.0下出了很多我們從未見過的棋譜或者棋局。
總的來說，深度強化學習有兩大好處，它尋找最優(yōu)策略函數(shù)，給出的是決策，跟認知聯(lián)系起來。第二，它不依賴于大數(shù)據(jù)。這就是前面說的小數(shù)據(jù)半監(jiān)督學習方法。因為在認知層面上進行探索，而且不完全依賴于大數(shù)據(jù)，因此意義重大，魅力無窮。相信深度強化學習非常有潛力繼續(xù)向前發(fā)展，將大大擴展其垂直應用領域。但是它本身并不是一個通用人工智能。AlphaGo只能下圍棋不能同時下中國象棋、國際象棋，因此還只是專注于一個點上面的，仍屬于弱人工智能。
實現(xiàn)通用人工智能，把垂直細分領域變寬或者實現(xiàn)多任務而不是單任務學習，對深度神經(jīng)網(wǎng)絡而言，沿什么樣的技術途徑往前走現(xiàn)在還未知，但是肯定要與基于學習的符號主義結合起來。通用人工智能現(xiàn)在沒有找到很好的線索往前走，原因一是因為神經(jīng)網(wǎng)絡本身是黑箱式的，內部表達不可解析，二是因為傳統(tǒng)的卷積神經(jīng)網(wǎng)絡本身不能完成多任務學習�？梢钥紤]跟知識圖譜、知識推理等符號主義的方法結合，但必須是在新的起點上，即在已有大數(shù)據(jù)感知智能的基礎上，利用更高粒度的自主學習而非以往的規(guī)則設計來進行。另外從神經(jīng)科學的角度去做也是可能的途徑之一。
前面說過，我們可能需要從隱含特征的學習邁向隱含規(guī)則的學習。對于經(jīng)驗性規(guī)則人類是通過自主學習獲得的，不是靠人工設計。例如一名司機從駕校畢業(yè)到開了幾十萬公里里程變成很有經(jīng)驗的老師傅，整個過程其實是通過試錯式的長期實踐或強化學習得到的，駕駛技巧或規(guī)則被模糊分割得越來越細，對極端與緊急情況的處理，也拿捏得越來越細膩與及時，但是這些代表經(jīng)驗或知識的規(guī)則顯然是隱含的，只可意會不可言傳，很難被人為地總結成基于顯式規(guī)則的專家系統(tǒng)。而我們希望基于深度卷積神經(jīng)網(wǎng)絡和深度強化學習，與知識工程、概率圖模型或與傳統(tǒng)機器學習方法相結合，在更高的粒度上進行學習，實現(xiàn)隱含規(guī)則的自動學習以及更高知識粒度的學習推理。從某種意義上說，認知水平的推理機制或能獲得更強的泛化能力。例如，我們倒車入庫的時候不是都靠視覺感知，如果后面因盲區(qū)看不見，我們就靠隱含規(guī)則推理，看車的后視鏡跟側方泊車差不多平行，不用感知智能，靠認知智能也能把車停得很好。
被人工智能取代？你恐懼嗎？
在這個人工智能爆發(fā)的時代，有很多人表現(xiàn)出對人工智能發(fā)展的恐懼，人們最為普遍的憂慮以及最為熱門的話題始終是，它是否會造成大規(guī)模失業(yè)，是否會搶奪人類的飯碗？