1700512545
1700512546
1988年《纽约时报》专文报道：《和机器对话》（Talking to Machines ）
1700512547
1700512548
最终使神经网络法复活，并让人工智能再次复兴的，是神经网络系统赖以存在的两项要素出现的变化，再加上一项重大的技术性突破。神经网络需要大量的计算机运算力及数据：大量的样本数据输入系统，以“训练”程序去辨识形态，计算机运算力则让程序得以高速分析样本数据。
1700512549
1700512550
人工智能问世的20世纪50年代，数据来源不多，运算力也不强。互联网的崛起带来了海量的数据：文本、图像、视频和点击、购买的数据等。如此多的数据，成了研究人员手中源源不绝的试验材料，用来训练他们构建的人工神经网络。同时，他们可以使用的运算力也变得又强大又便宜。例如你手中智能手机的运算力，甚至比美国国家航空航天局1969年登月计划中最先进计算机的运算力还高出几百万倍。这两项变化结合起来，为神经网络法的发展提供了优良条件。
1700512551
1700512552
不过，人工神经网络能做的事仍然非常有限。复杂问题若要得出准确的结果，必须构建很多层的人工神经元，但神经元层数增加后，研究人员当时还未找到针对新增神经元有效的训练方法。在21世纪头10年的中期，深度学习这项重大的技术性突破终于到来，知名研究人员杰弗里·辛顿找到了有效训练人工神经网络中新增神经元层的方法。这就像是给旧的神经网络打了一针兴奋剂，使它们的能力倍增，可以执行更多、更复杂的工作，例如语音及物体识别。
1700512553
1700512554
性能大增的人工神经网络——现在有了新的名字“深度学习”——开始把旧的系统远远甩在身后。多年来对神经网络根深蒂固的成见让人工智能的许多研究人员忽略了这个已经取得出色成果的“边缘群体”，但2012年杰弗里·辛顿的团队在一场国际计算机视觉竞赛中的胜出(7) ，让人工神经网络和深度学习重新回到聚光灯下。
1700512555
1700512556
在边缘地带煎熬了数十年后，以深度学习的形式再次回到公众视野中的神经网络法不仅成功地让人工智能回暖，也第一次把人工智能真正地应用在现实世界中。研究人员、未来学家、科技公司CEO都开始讨论人工智能的巨大潜力：识别人类语言、翻译文件、识别图像、预测消费者行为、辨别欺诈行为、批准贷款、帮助机器人“看”，甚至开车。
1700512557
1700512559
揭开深度学习的面纱
1700512560
1700512561
深度学习是怎么做到的呢？本质上来说，深度学习的算法使用了大量来自特定领域的数据，为想要的结果做出最佳决策。其方法是让系统使用这些输入的数据，训练自己识别数据和期望结果之间的关联性。当数据与期望结果直接相关（“猫”vs“非猫”，“点选”vs“未点选”，“赢了赛局”vs“输了赛局”）时，这个流程就容易多了。然后，算法可以运用找到的这些关联性所累积的庞大知识（其中很多是人类看不到或觉得无关的），做出比人类更好的决策。
1700512562
1700512563
这么做需要大量的相关数据、强大的算法、足够细化的领域以及明确的目标，欠缺任何一个都无法成功。数据太少则样本不够，算法无法发现有意义的联系；但如果目标太广泛，算法则缺乏衡量最优解的明确标准。
1700512564
1700512565
深度学习是所谓的“狭义人工智能”（narrow AI，或译作“弱人工智能”）——仅用于在特定领域能做出决策、预测和分类的人工智能应用。这已经能产生巨大价值，但仍远远未成为科幻片里的“通用人工智能”（general AI，或译作“强人工智能”）——人类能做的，人工智能都可以做。
1700512566
1700512567
深度学习最自然的应用领域是保险、贷款之类的金融业务，因为借款人的相关数据非常多（信用评分、收入、信用卡近期使用情况等），而最优的目标（降低还款违约率）很明确。更进一步的话，深度学习还可以进行自动驾驶，帮助车辆“看”到行驶的路况，如识别像素组成的形状（比如红色圆形），判断它和什么有关（比如红灯“禁行”），以此信息来做出决策（刹车并停车），以达到期望的结果（用最少的时间把我安全送到家）。
1700512568
1700512569
人们听到深度学习就兴奋，是因为它的核心能力——识别规律、得出最优解、做出决策可应用在很多日常问题上。所以，包括谷歌、Facebook在内的许多公司争相出高薪聘请为数不多的深度学习专家，开展它们雄心勃勃的研究计划。谷歌在2013年收购了杰弗里·辛顿的创业公司，翌年又斥资超过5亿美元，买下英国的人工智能创业公司DeepMind，运用其技术开发出了AlphaGo。(8) 这些行动无不让众人惊叹，同时也成了媒体的焦点。它们改变了当代文化思潮，让我们意识到人类正站在一个新时代的边缘：在这个新时代，机器的能力将赋予人类更强大的能力，但也可能会大规模取代人力。
1700512570
1700512572
人工智能新时代，谁能保持领先
1700512573
1700512574
在这一切变化之中，中国处在什么位置？深度学习这项技术从诞生到婴儿期的发展，几乎全都发生在美国、加拿大和英国。之后，有一小部分中国创业者和创投基金（包括创新工场在内）开始投资这个领域，但直到2016年中国的“斯普特尼克时刻”到来之前，绝大多数的中国科技界人士都尚未察觉深度学习革命的到来，这整整比该领域突破性学术论文的发表落后了10年，也比这项技术在国际计算机视觉竞赛中得到证明晚了4年。
1700512575
1700512576
美国的大学和科技公司由于数十年来都能够吸引到全球各地的人才，从而获取了巨额利润。人工智能的发展似乎也不例外，美国好像又要遥遥领先，尤其是聚集在硅谷的顶尖研究人员，可以利用硅谷丰沛的融资环境、独特的文化和群聚的产业龙头来发展和研究人工智能。在华尔街分析师眼里，中国科技业在未来的全球人工智能发展与应用中，注定要继续扮演数十年来一直保持的角色：一群被尖端领导者远远甩在身后的模仿者大军。
1700512577
1700512578
在后边各章我会说明这样的看法是错误的。这是基于对中国科技环境的过时假设，也在根本上误解了人工智能革命背后的主要动力。西方国家点燃了深度学习的火炬，但最大的受益者将会是中国，这种全球性的变化是由两方面转变引起的：从发明的年代转变为实干的年代；从专家的年代转变为数据的年代。
1700512579
1700512580
许多人之所以误认为美国在人工智能领域具有重大优势，主要是因为他们还停留在我们生活在“发明的年代”的印象中：在发明的年代，人工智能的顶尖研究人员不断打破旧有典范，最终破解存在已久的谜题，媒体不断报道人工智能的最新成就，更是助长了这种印象。例如在某些癌症的诊断上，人工智能做得比医生更好；在德州扑克的人机大赛中，人工智能击败了人类冠军；不用人为干预，人工智能就自己学会并精通新技能等。媒体如此关注报道人工智能的每一项新成就，也难怪一般观察者甚至是专业分析师会认为人工智能研究将不断获得突破性的新发现。
1700512581
1700512582
我认为，这种现象有误导作用，因为在这些“新里程碑”中，很多成就其实只是把过去10年的技术性突破应用到新问题上，其中主要是深度学习，但还有一些互补的技术，例如强化学习（reinforcement learning）和迁移学习（transfer learning）。研究人员做这些事，需要卓越的技能和深度的专业知识，不仅要有能力思考、撰写复杂的数学算法，还要能够处理巨量数据，针对不同问题调整人工神经网络。这往往需要博士级的专业知识技能，但这些发展都不过是依赖着深度学习这项科技的大发展所做的渐进式改善和优化。
1700512583
1700512585
实干的年代
1700512586
1700512587
这些渐进式的改善和优化，其实是把深度学习在模式识别与预测上的强大能力应用到种种不同的领域上，如疾病诊断、核发保单、开车、中英翻译等。但这些改善和优化并不代表我们正在朝着“通用人工智能”的方向快速前进，或是出现了类似深度学习的重大技术性突破。简单来说，人工智能正式进入了实干的年代，想要利用这个时期赚钱的公司，需要拥有有远见和才干的创业者、工程师和产品经理。
1700512588
1700512589
深度学习的先驱吴恩达认为，人工智能类似于第二次工业革命中电力的发明(9) ，本身是一项突破性的技术，一旦被大幅采用，就能革新许多不同的产业。就像19世纪的创业者很快学会运用电力烹饪食物、照亮房间、启动工业设备，今天的人工智能创业者也运用深度学习来落实各种创新应用。人工智能许多抽象的研究工作大都已经完成，研究中遇到的困难大都也已解决，现在是创业者“撸起袖子加油干”，把深度学习算法转换为持续经营的事业的时候了。
1700512590
1700512591
当然我绝对没有对基础研究泼冷水的意思。唯有真正落地应用于生产生活中，学术研究才能变得有意义，才能真正改变我们的日常生活。实干的年代指的是在历经数十年看似前景不错的研究之后，我们终于能看到人工智能在真实世界中开始运用，这是我在成年后一直期盼看到的场景。
1700512592
1700512593
我要表达的是只有分辨清楚发明的年代与实干的年代，才能理解人工智能将如何影响我们的生活，以及什么力量（或哪个国家）将主导人工智能的发展。在发明的年代，所有重要的成就主要是由少数几个顶尖思想家所驱动的，他们几乎全部聚集在美国和加拿大，他们的研究洞察力和独特的知识创新，引领电脑科学与人工智能产生了重大的突破。自从深度学习出现以后，目前还没有其他领域的研究人员或工程师达到过类似规模的创新。
1700512594
[
上一页 ]
[ :1.700512545e+09 ]
[
下一页 ]