1700526440
1700526441
下文中简要说明的几种方法会在附录二“如何打造一台智能机器”中做详细讨论。
1700526442
1700526443
下面我们将看到一些看似普通却作用强大的模式。付诸实践后，相信你也能制造智能机器。
1700526444
1700526445
递归公式：问题说明要仔细
1700526446
1700526447
所谓递归过程就是调用启动自身程序的过程。递归是一种有用的方法，可以生成一个问题所有可能的解决方法。拿下棋来说，递归可以列出每步棋后所有可能的走法。
1700526448
1700526449
以棋类比赛为例。我们设计了一个运算棋局走法的程序，名叫“挑选最优行动方案”。开始运行后，程序会根据当前棋局列出所有可能的走法。设计这一部分时，为了总结出所有可能的走法，我们需要考虑棋局的规则，对问题进行明确说明。针对每一步走法，该程序又会模拟假设出走这一步以后的棋局。我们又要根据假设的棋局考虑对手会如何应对。这时递归法开始发挥作用，因为“挑选最优行动方案”同样也会为对手选出最佳走法。此程序通过解答自身上一步提出的问题，又为对手罗列出所有可能的走法。
1700526450
1700526451
“挑选最优行动方案”不断调用自身程序，尽可能多地预测出可能的走法，步步累加，形成一棵巨大的博弈树。这是典型的指数级增长案例，因为每增加半步，电脑的计算量就会变为原来的5倍。
1700526452
1700526453
递归公式的答案很简单，只要对这棵博弈树修枝剪叶，阻止大树枝叶继续生长即可。下棋程序中，如果双方都无法在棋盘上继续前行，那么棋局走法的博弈树便会在此处停止扩展，此节点就成了整棵树的“最后一片树叶”，在此之前的最后一步棋便是决定胜负的那一步。
1700526454
1700526455
整个嵌套程序完成后，下棋程序便会在限定的时间内为当前棋局选出最佳的一步棋。当然，是在一定的时间限制内。
1700526456
1700526457
递归公式作用强大，造出了一部机器，一部特别设计的IBM超级计算机，打败了世界棋王（其实“深蓝”计算机录入了20世纪几乎所有顶尖级棋局对决的数据信息，并根据此数据库进行递归分析与推论）。10年前，我在《智能机器的时代》（The Age of Intelligent Machines）中提到，最强大的下棋电脑以每年45分（rating points）的速度提升自身能力，而最聪明的人脑进步几乎为零，因此，电脑会在1998年打败世界冠军。然而，我的估算还是太保守了，因为“深蓝”计算机1997年便击败了世界冠军。希望我在本书中的预测会更准确。17
1700526458
1700526459
简易递归法可以杀一盘世界级的棋，那么问题来了，除此之外它还能做什么呢？其实，只要洞悉了其他游戏的规则，替换下棋软件中推算棋局走法的部分，便可以击败人类。德国计算机科学家汉斯·波尔莱纳利用递归法设计了一个下西洋十五子棋的程序，击败了十五子棋的冠军，而当时用的还是20世纪80年代的电脑，慢吞吞的。18
1700526460
1700526461
递归公式在数学领域也大有作为。假设要解一道数学问题，比如证明一项数学定理，所需遵循的规则就是数学领域中各项相关公理，包括之前已被证明过的定理。证明过程中，每一步扩展只要能被可用定理证明，即可成立。1957年，艾伦·纽厄尔（Allen Newell）、J·C·肖和赫伯特·西蒙利用这个方法设计了“通用问题解算机”，在一些疑难数学问题的解答上甚至超越了伟大数学家罗素和怀特海，人们也因此开始对早期人工智能有了信心。
1700526462
1700526463
上述例子似乎证明递归法只适用于能被明确定义规则的问题，其实不然，它在艺术创作领域也大有潜力。本书作者雷·库兹韦尔的“电脑诗人”（Cybernetic Poet）就利用递归分析法，19为每个单词设计了一套标准——要押韵，符合诗歌行文结构，措辞贴合上下语境。如果无法找到与这套标准匹配的单词，程序便会删去前一个单词，重新设定标准，再选词推进。若选用的词仍不合适，则重复上述过程，不断回删设定，直到找到“心仪”的单词为止。如果所有的选词都走进了死胡同，此时程序便会放松限制条件，重新选定单词。人们只看到最终的诗歌，没人知道这个程序其实违背了自己的原则。
1700526464
1700526465
递归法在音乐编曲程序中也备受青睐。这一次的“棋步”就是乐曲中的音符，20包括音高、音长、音响、演奏风格等属性。但是，如何规定预期效果就比较麻烦，我们只能对其韵律和曲调结构加以限制。利用递归法编写艺术创作程序的关键在于如何定义“最后一片树叶”，在这里，简单的方法就行不通了，人们通常会使用更复杂的方法对其进行定义。虽然我们还无法用简单的公式完整描述“智能”，但已经通过以下两方面的结合取得了极大进步：通过精确描述问题及大量运算的递归手段解决问题。就许多问题而言，20世纪末的一台个人电脑解决起来已经不在话下了。
1700526466
1700526467
神经网络：自组织与人脑计算
1700526468
1700526469
神经网络是一种尝试模拟人脑神经元的运算方式。我们将一系列输入视为待解决的问题。21例如，输入为一串需要识别的图像像素，这些信息就会随机构成一层模拟神经元。每个模拟神经元都可作为一个简易电脑程序，模拟人脑神经的运算模式，也可作为一条电子执行命令。
1700526470
1700526471
每一个输入点（此处即图片中的每一处像素）都与第一层模拟神经元随机相连。每一个连接都有其突触强度，表示此连接的值，该值的设定也是随机的。每加入一个神经元，突触强度的信号便会相应增加。当信号增加到一定数值时，神经元就会向其输出连接发出信号；若达不到一定数值则无信号发出，输出值为零。每个神经元的输出与下一层神经元的输入随机连接。以此类推，直至最顶层的一个或多个神经元（当然也是随机选择的），向我们提供答案。
1700526472
1700526473
一个问题（如印刷文字识别）提交给输入层，输出神经元就会产出结果，这种有入有出的反应对于许多问题而言可谓准确迅速。可事实上，这些反应给出的答案一点都不准确，至少开始时是不准确的。输出最初是完全随机的，既然整个系统都是基于随机性建立起来的，我们还能指望什么呢？
1700526474
1700526475
我忽略了一个重要步骤，即神经网络有自己的学习任务。拿哺乳动物的大脑来说，其中的神经网络始于懵懂无知。神经网络有自己的老师，这位老师可能是人类、电脑程序或是另外一个已经完成学习任务的更加成熟的神经网络，它们在学生做对时给予奖励，反之则施以惩罚。“老师们”给出的反馈成了“学生们”调节神经细胞间连接强度的依据——加强正确的连接，减弱错误的连接。久而久之，神经网络便能独立判断连接的正误。研究证明，即使“老师们”的教学不准确，即使只有60%的内容是正确的，神经网络也能自我学习，学会判断连接的正误。
1700526476
1700526477
因此，若能正确教导神经网络，这一模式便会无限强大，可以效仿更多人类的模式识别功能。文字识别系统运用多层神经网络识别潦草的字迹，其准确度非常接近人类水平。22人脸识别长久以来都被视为电脑无法企及的人脑特有功能，然而，如今美国新英格兰州一家名叫Miros的公司利用神经网络技术，发明了一种人脸识别自动取款机，可以通过识别顾客样貌确认其身份，然后允许其取款。23可别举着一张账号用户的照片就想骗过机器的识别系统，它可没那么好骗，因为人脸识别是由两台摄像机全方位立体采集图像完成的。显然这台机器非常可靠，银行可以放心地让客户取走自己的钱。
1700526478
1700526479
神经网络已经在医学领域得到应用。美国加州科学软件公司开发的BrainMaker系统可以提供人体内酶的相关数据，帮助医生准确诊断心脏病。它也可以拍摄人体内部图像，帮助医生识别出癌症细胞。神经网络也擅长预测——LBS资金管理公司利用BrainMaker预测出标准普尔500指数。它提前一天甚至一星期的预测结果能够完胜传统的公式计算预测法。
1700526480
1700526481
如今有很多自组织方法都是由上述神经网络模型衍生而成的。其中一种名为“马尔可夫”模型的方法在自动语音识别系统中运用广泛。如今在60 000个词汇以内，这些系统已能准确理解人类正常语速说话的内容。
1700526482
1700526483
虽然递归法擅长搜索各种不同可能性的组合，比如棋步的序列，但神经网络也是模式识别的一种方式。人脑比思考逻辑组合更擅长模式的识别，正是凭借这种优势，人脑才能进行思维活动。事实上，人脑识别模式大部分都是由神经线路组成的。神经元的触发间隔时间只有5毫秒，每个神经元连接每秒内只进行200次计算。24所以，紧急情况下，我们通常想不出太多的好方法。人脑的做法是，对分析结果进行预处理，然后将分析结果存储起来以备日后参考。随后，人脑利用模式识别能力识别出与先前存储结果相似的事件，类比先前想好的解决方法做出反应。在未经事先多次思考前，人脑通常无法想出好的对策。
1700526484
1700526485
信息毁灭：开启智能的钥匙
1700526486
1700526487
计算转换有两种方式：一种是信息存储，另一种是信息毁灭。前一种方法的典型例子就是用除0以外的数字与常数相乘，且此过程可逆：只要将所得数字除以常数即可。但我们若用0与其他数字相乘，得到结果后过程就不可逆了，无法再回到先前的数字，因为0除以0是个不定式。此种转换便毁坏了系统的输入信息。
1700526488
1700526489
这是时间不可逆的又一个例子（第一个是熵增定律），因为信息毁灭的过程同样不可逆。
[
上一页 ]
[ :1.70052644e+09 ]
[
下一页 ]