“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業之一，從蘋果Siri到谷歌的AlphaGo等，AI的大規模運用，將給當下的社會生產力帶來爆炸式的增長，我們曾經憧憬的未來世界，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：深度卷積神經網絡&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回路集體投射的結果。
換句話說，現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“大數據智能”。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據深度學習之上的。其他更高級的“認知智能”和“創造性智能”，人類大腦是怎么做到的，有什么原理？我們現在還知之甚少，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價值。但在現階段的所有算法中，只有大數據驅動的深度卷積神經網絡，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，可以做產品開發和產業發展，但同樣這兩部分本身也有許多缺陷。
深度卷積神經網絡現在涌現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發布的神經機器翻譯系統僅用了純粹的深度卷積神經網絡，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網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展之路
展望前沿技術探索，未來三到五年最有可能出現突破的就是半監督的學習方法。現在深度卷積神經網絡很好，但是它有缺點，即依賴于帶標簽的完備大數據，沒有大數據喂食就不可能達到人類水平，但是要獲得完備的大數據，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，這是不可能的事。我們希望能夠做一些小數據、小樣本的半監督學習，訓練數據不大，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的標簽數據去訓練深度卷積神經網絡，希望網絡能夠具有舉一反三的能力，通過小樣本或小數據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絡，還是與傳統統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。而現在的深度卷積神經網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。總之，特征提取要好就必須要有完備的大數據。但不管怎樣，相信具有“特征提取+知識推理”的半監督或者無監督的深度卷積神經網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。
在半監督、無監督深度學習方法突破之后，很多行業應用包括人工智能場景研發都會快速推進。實際應用時我們一般都通過數據迭代、算法迭代向前推進。從這個角度來說，AlphaGo中體現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網絡的，包括以前用的13層網絡，現在用的40層卷積神經網，替代了以前的淺層全連接網絡，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，這已經不僅僅是感知智能了。其次AlphaGo依賴的僅僅是小數據的監督學習。3000萬的6-9段人類職業棋手的棋局，對人類來說已經是大數據了，但對圍棋本身的搜索空間來講則是一個小數據。不管柯潔還是聶衛平，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，其組合數或搜索空間之巨大，超過了全宇宙的粒子數。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據，AlphaGo首先通過深度監督學習，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AlphaGo 2.0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，它尋找最優策略函數，給出的是決策，跟認知聯系起來。第二，它不依賴于大數據。這就是前面說的小數據半監督學習方法。因為在認知層面上進行探索，而且不完全依賴于大數據，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向前發展，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。
實現通用人工智能，把垂直細分領域變寬或者實現多任務而不是單任務學習，對深度神經網絡而言，沿什么樣的技術途徑往前走現在還未知，但是肯定要與基于學習的符號主義結合起來。通用人工智能現在沒有找到很好的線索往前走，原因一是因為神經網絡本身是黑箱式的，內部表達不可解析，二是因為傳統的卷積神經網絡本身不能完成多任務學習。可以考慮跟知識圖譜、知識推理等符號主義的方法結合，但必須是在新的起點上，即在已有大數據感知智能的基礎上，利用更高粒度的自主學習而非以往的規則設計來進行。另外從神經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則的學習。對于經驗性規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到開了幾十萬公里里程變成很有經驗的老師傅，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，但是這些代表經驗或知識的規則顯然是隱含的，只可意會不可言傳，很難被人為地總結成基于顯式規則的專家系統。而我們希望基于深度卷積神經網絡和深度強化學習，與知識工程、概率圖模型或與傳統機器學習方法相結合，在更高的粒度上進行學習，實現隱含規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，如果后面因盲區看不見，我們就靠隱含規則推理，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”爆發的時代，有很多人表現出對人工智能發展的恐懼，人們最為普遍的憂慮以及最為熱門的話題始終是，它是否會造成大規模失業，是否會搶奪人類的飯碗？
過去20多年，我們已經先后感受過PC、互聯網和移動互聯網對我們社會的沖擊，其實人工智能的沖擊可能會更大。現在我們人手一臺智能手機，相當于人手一臺高性能電腦，隨時隨地就可跟地球上的另一個人聯系，現金都不用帶就可上街，這個變化已經很大而且已經成為現實。人工智能極有可能給我們的社會帶來更大的改變，一些工種或職業可能會消失，但同時也會產生一些新的職業。
那些很短時間內能夠完成、不需要深思熟慮或者僅依靠人類視聽覺與簡單腦力勞動就能完成的工種，確實很有可能會被取代，比如電話客服或者前臺咨詢員等，也有可能是長途貨車司機，出租車司機，快遞員，產線工人，金融從業者，翻譯，會計，稅務人員，審計人員，醫生，傳媒從業者，教師，司法從業者等。在移動互聯網時代，人工智能掌握的資料和知識又多又快，它每天收集與“閱讀”海量涌現的大數據，而人類由于精力的限制只能看到少量的碎片化信息，能及時消化的信息就更少；而人工智能則可以每天24小時不吃飯不睡覺，快速進行大量的基于深度學習的數據自動化處理，其時效性、規模性和實際產出等，肯定比人類好很多。
按我的說法就是，在馬車時代，突然汽車問世了，你不用恐懼，新時代來臨，也會產生很多新的工種。你當不了馬車夫，但你可以去當汽車司機，也可以當個汽車售票員，還可以修馬路、造汽車，這些都是全新的職業機會。隨著人工智能的不斷發展，由于算法的自主性與環境適應性提高，很多較復雜的體力勞動以及更多的簡單腦力勞動，不需要人去做，這其實是對人類生產力的大解放。
摘自《科學大家》
