1700512500
但与此不同的是，柯洁对弈AlphaGo虽是棋盘上的战事，却和真实世界中的巨变密不可分。这些改变包括AlphaGo对抗赛在中国激起的人工智能热，以及让AlphaGo制胜的核心技术的应用。驱动AlphaGo的核心技术深度学习，是人工智能领域的突破性技术，大大增强了机器的认知能力。使用深度学习的程序如今已经在人脸识别、语音识别、核发贷款等工作上超越了人类。在过去长达数十年间，人工智能革命总像是“再过5年”才会到来，5年复5年，直到深度学习在过去几年里有了长足发展，这场革命才终于到来。生产力会因此爆发式增长，人工智能也会在各个领域取代人工，颠覆劳动力市场，对人们产生深刻的社会心理影响。
1700512501
1700512502
柯洁对弈AlphaGo期间，真正让我担心害怕的不是其他知名科技界人士都惧怕的人工智能杀手机器人，而是真实世界里大规模失业可能引发的严重冲击，以及伴随而来的社会动乱。人工智能对就业构成的威胁来势之快，远远超过多数专家的预期。而且无论是蓝领、白领，无论劳动者受教育程度的高低，都可能被卷入人工智能革命的大潮中，受到被人工智能替代的威胁。柯洁对弈AlphaGo的那天，深度学习摘下了人类棋王的桂冠，很快这项技术就将进入工厂和办公室，端走人们的饭碗。
1700512503
1700512504
AI·未来 [:1700512212]
1700512505
围棋机器里的幽灵
1700512506
1700512507
不过，在柯洁与AlphaGo的对弈中，我也看到了希望。其中一局比赛进行到2小时51分时，柯洁遇到了瓶颈。他已经竭尽全力，但他也知道这还不足以对抗强大的AlphaGo。他的头低垂在棋盘上方，皱着眉头，噘起嘴唇……他取下眼镜，再也无法克制自己的情绪，用手背轻拭双眼泛出的泪水。这些动作转瞬即逝，但所有人都能看出他的情绪。
1700512508
1700512509
1700512510
1700512511
1700512512
柯洁输给AlphaGo后落泪（图片来源：达志）
1700512513
1700512514
那些泪水引发了人们对柯洁的同情与支持。在这三局比赛中，柯洁流露出了人类起伏的真实情绪——自信、焦虑、害怕、希望和心碎。这展现了他的拼搏精神，我也看到了真正的爱——出于对围棋、围棋历史，以及对这项游戏纯粹的爱，他愿意与无法战胜的对手缠斗。看了柯洁比赛的人，也对他报以同样的爱意。AlphaGo获得了比赛的胜利，落败的柯洁却成了人们心目中的斗士。在人们相互之间的爱意中，我窥见了人工智能时代寻找工作与生命意义的希望。
1700512515
1700512516
我相信，如果能用好人工智能技术，中国就有赶上甚至超越美国的机会。更重要的是，这还会让人们有机会看清身为人类的真正意义。
1700512517
1700512518
首先得从了解这项技术的基本原理，以及它将如何改变世界开始讲起。
1700512519
1700512520
AI·未来 [:1700512213]
1700512521
深度学习发展简史
1700512522
1700512523
机器学习（machine learning，涵盖深度学习的一个人工智能技术领域）是一项改变历史的技术。这项技术历经了半个世纪纷乱无章的探索研究，最终幸存下来。自问世以来人工智能几经兴衰，每当人们以为看到了希望，紧接着就会迎来“人工智能寒冬”——由于缺乏落地的应用成果，导致研究经费大减。要了解深度学习为何能带来不同于以往的发展，就要回顾人工智能是如何走到今天的。
1700512524
1700512525
20世纪50年代中期，人工智能的先驱者们为自己制订了一个极其宏大且定义明确的使命：在机器上搭建人类智能。这项结合了明确目标与复杂任务的使命，吸引了新兴的计算机科学领域中最杰出的人士如马文·明斯基（Marvin Minsky）、约翰·麦卡锡（John McCarthy）、赫伯特·西蒙（Herbert Simon）。关于人工智能的这一切使一个1979年年初进入哥伦比亚大学计算机科学系的学生大开眼界，引发了这名学生对人工智能未来的无限遐想。
1700512526
1700512527
我在1961年出生于中国台湾，11岁时移居美国田纳西州，在那里完成了初中及高中学业。在哥伦比亚大学取得学士学位后，我决定开始钻研人工智能，同时申请了卡内基·梅隆大学计算机科学系的博士，那里是世界人工智能尖端研究的温床。1983年，我在博士生研究计划中针对这个领域写下了一段初生牛犊般的宣言：
1700512528
1700512529
人工智能是人类学习过程的阐明，人类思考过程的量化，人类行为的解释，以及对智能原理的了解。它是人类了解自身的最后一步，我希望投身这门新的、有前景的科学。
1700512530
1700512531
这段让我得以进入计算机系攻读博士的文字，显示了当时我对这个领域天真的理解：既高估了我们人类了解自身的能力，也低估了人工智能在特定领域产生超人智能的能力。
1700512532
1700512533
我开始攻读博士时，人工智能领域已经分化为两个阵营：其一是规则式（rule-based）方法，其二是神经网络（neural network）方法。规则式人工智能系统有时也称为符号式系统（symbolic systems）或专家系统（expert systems）。之所以称“专家系统”，是由于该阵营的研究人员认为，要使人工智能软件更好地适应现实世界，必须将相关领域的人类专家的智慧编写进软件。他们用一系列写好的逻辑规则来教导计算机如何思考，如“若X，则Y”。这种方法很适用于简单且定义明确的游戏（所谓的“玩具问题”——toy problems），但是当可能的选择或操作数目大增时，这种方法就行不通了。
1700512534
1700512535
“神经网络”阵营则另辟蹊径，他们不把人脑熟稔的逻辑规则传授给计算机，而是干脆在机器上重建人脑。科学研究结果已经得知，动物的智能只有一个源头——动物脑部错综复杂的神经元网络，于是这个阵营的研究人员决定从根源做起，模仿人脑结构，构建类似生物神经元网络的结构来收发信息。不同于规则式方法，人工神经元网络的建造者通常不会给人工智能系统设定决策规则，而只是把某一现象（图片、国际象棋赛、人声等）的大量例子输入人工神经元网络，让网络从这些数据中学习、识别规律。换言之，神经网络的原则是来自人的干预越少越好。
1700512536
1700512537
用这两种方法处理某个简单问题如“辨识一张图片里是否有猫”，就可以看出它们的差别。规则式方法确定以“若X，则Y”的逻辑规则来帮助程序做出决策：“若一个圆形物体上方有两块三角形，那么，这张图片中可能有一只猫。”神经网络方法则是把数百万张标示了“有猫”或“没有猫”的样本图片“喂”给计算机系统，让它自行从这数百万张图片中去辨察哪些特征和“猫”的标签最密切相关。
1700512538
1700512539
20世纪50年代到60年代，早期的人工神经网络获得了乐观且让人振奋的成果。但到了1969年时，规则式阵营予以还击，使得很多研究人员认为神经网络法不可靠且用途有限。神经网络方法很快“退烧”，人工智能随之在20世纪70年代陷入了早期的寒冬。
1700512540
1700512541
接下来数十年，神经网络方法在短暂的时间内恢复了一些声望，但后来又几乎被完全放弃。1986年，我使用一种近似神经网络、名为“隐马尔可夫模型”（Hidden Markov Models）的方法，建造出世界上第一套非指定语者连续性大词汇语音识别系统Sphinx。(5) 这项成就使我登上了《纽约时报》（The New York Times ）(6) ，该系统也被《商业周刊》（Business Week ）评为年度最重要创新产品，但这并没有改变神经网络法再度失宠的命运，几乎在整个20世纪90年代，人工智能再度陷入了冗长的寒冬期。
1700512542
1700512543
1700512544
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