出品 | 新浪科技《科學(xué)大家》

撰文 | 鄧志東  清華大學(xué) 計(jì)算機(jī)系 教授 博士生導(dǎo)師、中國(guó)自動(dòng)化學(xué)會(huì)智能自動(dòng)化專業(yè)委員會(huì)主任、中國(guó)人工智能產(chǎn)業(yè)創(chuàng)新聯(lián)盟專家委主任委員。

“人工智能”這個(gè)被一時(shí)間帶火的“熱詞”，已成為當(dāng)下最火熱的產(chǎn)業(yè)之一，從蘋(píng)果Siri到谷歌的AlphaGo等，AI的大規(guī)模運(yùn)用，將給當(dāng)下的社會(huì)生產(chǎn)力帶來(lái)爆炸式的增長(zhǎng)，我們?cè)?jīng)憧憬的未來(lái)世界，都在人工智能的撬動(dòng)下，已悄然掀開(kāi)了序幕。

人工智能的核心：深度卷積神經(jīng)網(wǎng)絡(luò)&深度強(qiáng)化學(xué)習(xí)

什么叫人工智能？迄今有許多定義。智能這個(gè)詞已經(jīng)變得很大眾化隨處可見(jiàn)，那什么是真正的人工智能？這個(gè)問(wèn)題比較大，但還是可以說(shuō)清楚。

人工智能也就是人造的智能。意識(shí)不是人造的，其中的自我意識(shí)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(shí)的物質(zhì)基礎(chǔ)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(jié)果。

換句話說(shuō)，現(xiàn)在復(fù)興的人工智能更多僅限于最底層的，比如說(shuō)視覺(jué)、聽(tīng)覺(jué)的目標(biāo)分割（定位）與識(shí)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(dòng)物的強(qiáng)化學(xué)習(xí)方法，并且依舊是建基于大數(shù)據(jù)深度學(xué)習(xí)之上的。其他更高級(jí)的“認(rèn)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(shuō)人工智能接近于人類水平——達(dá)到或超過(guò)就更不用說(shuō)了，那我們就可以說(shuō)它是真正具有智能的。把簡(jiǎn)單的邏輯判斷稱之為智能顯然是不科學(xué)的。畢竟接近于人類水平的人工智能技術(shù)更具應(yīng)用與商業(yè)價(jià)值。但在現(xiàn)階段的所有算法中，只有大數(shù)據(jù)驅(qū)動(dòng)的深度卷積神經(jīng)網(wǎng)絡(luò)，還有深度強(qiáng)化學(xué)習(xí)，就某個(gè)“點(diǎn)”的特定應(yīng)用場(chǎng)景來(lái)說(shuō)，確確實(shí)實(shí)達(dá)到了人類水平，甚至超過(guò)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(kāi)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(luò)現(xiàn)在涌現(xiàn)出許多極其成功的例子，包括人臉識(shí)別等；基于深度強(qiáng)化學(xué)習(xí)的 AlphaGo 也打敗了人類最強(qiáng)圍棋冠軍；Facebook發(fā)布的神經(jīng)機(jī)器翻譯系統(tǒng)僅用了純粹的深度卷積神經(jīng)網(wǎng)絡(luò)，不僅翻譯準(zhǔn)確度進(jìn)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(fù)興不是虛幻、不是泡沫，而是實(shí)實(shí)在在的進(jìn)步，至少有深度卷積神經(jīng)網(wǎng)絡(luò)和深度強(qiáng)化學(xué)習(xí)這兩個(gè)革命性的進(jìn)展，盡管算法仍不完美。其他的前沿技術(shù)目前還在探索之中。

人工智能那些未來(lái)發(fā)展之路

展望前沿技術(shù)探索，未來(lái)三到五年最有可能出現(xiàn)突破的就是半監(jiān)督的學(xué)習(xí)方法?，F(xiàn)在深度卷積神經(jīng)網(wǎng)絡(luò)很好，但是它有缺點(diǎn)，即依賴于帶標(biāo)簽的完備大數(shù)據(jù)，沒(méi)有大數(shù)據(jù)喂食就不可能達(dá)到人類水平，但是要獲得完備的大數(shù)據(jù)，需要付出的資源代價(jià)太大，很多應(yīng)用場(chǎng)景甚至得不到，比如把全世界的火車照片都搜集起來(lái)，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(xué)習(xí)，訓(xùn)練數(shù)據(jù)不大，但是還能夠達(dá)到人類水平。

我們做過(guò)很多實(shí)驗(yàn)，人為地去掉一半甚至去掉1/4的標(biāo)簽數(shù)據(jù)去訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，希望網(wǎng)絡(luò)能夠具有舉一反三的能力，通過(guò)小樣本或小數(shù)據(jù)的學(xué)習(xí)同樣能夠達(dá)到人類水平。這方面的研究不管是利用生成式對(duì)抗網(wǎng)絡(luò)，還是與傳統(tǒng)統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法相結(jié)合，或者是與認(rèn)知計(jì)算方法的結(jié)合，證明難度都挺大。比如我們看到了土狗的照片，從來(lái)沒(méi)見(jiàn)過(guò)藏獒、寵物狗，但通過(guò)舉一反三就能夠識(shí)別出來(lái)。這靠什么？靠推理。人類不完全是基于特征提取，還靠知識(shí)推理獲得更強(qiáng)的泛化能力。而現(xiàn)在的深度卷積神經(jīng)網(wǎng)絡(luò)是靠多級(jí)多層的特征提取，如果特征提取不好，識(shí)別結(jié)果就不好，就達(dá)不到人類水平。總之，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(shí)推理”的半監(jiān)督或者無(wú)監(jiān)督的深度卷積神經(jīng)網(wǎng)絡(luò)三到五年會(huì)有突破，而且還是基于端到端學(xué)習(xí)的，其中也會(huì)融入先驗(yàn)知識(shí)或模型。相對(duì)而言，通用人工智能的突破可能需要的時(shí)間更長(zhǎng)，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(wú)監(jiān)督深度學(xué)習(xí)方法突破之后，很多行業(yè)應(yīng)用包括人工智能場(chǎng)景研發(fā)都會(huì)快速推進(jìn)。實(shí)際應(yīng)用時(shí)我們一般都通過(guò)數(shù)據(jù)迭代、算法迭代向前推進(jìn)。從這個(gè)角度來(lái)說(shuō)，AlphaGo中體現(xiàn)的深度強(qiáng)化學(xué)習(xí)代表著更大的希望。因?yàn)樗彩腔谏疃染矸e神經(jīng)網(wǎng)絡(luò)的，包括以前用的13層網(wǎng)絡(luò)，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(luò)，帶來(lái)的性能提升是很顯著的。

為什么深度強(qiáng)化學(xué)習(xí)更有意義？首先它有決策能力，決策屬于認(rèn)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(xué)習(xí)。3000萬(wàn)的6-9段人類職業(yè)棋手的棋局，對(duì)人類來(lái)說(shuō)已經(jīng)是大數(shù)據(jù)了，但對(duì)圍棋本身的搜索空間來(lái)講則是一個(gè)小數(shù)據(jù)。不管柯潔還是聶衛(wèi)平，都無(wú)法記住3000萬(wàn)個(gè)棋局，但19x19的棋盤(pán)格上，因每個(gè)交叉點(diǎn)存在黑子、白子或無(wú)子三種情況，其組合數(shù)或搜索空間之巨大，超過(guò)了全宇宙的粒子數(shù)。對(duì)具有如此復(fù)雜度的棋局變化，人類的3000萬(wàn)個(gè)已知棋局真的就是一個(gè)小數(shù)據(jù)，AlphaGo首先通過(guò)深度監(jiān)督學(xué)習(xí)，學(xué)習(xí)人類的3000萬(wàn)個(gè)棋局作為基礎(chǔ)，相當(dāng)于站在巨人的肩膀上，然后再利用深度強(qiáng)化學(xué)習(xí)，通過(guò)自我對(duì)弈、左右互搏搜索更大的棋局空間，是人類3000萬(wàn)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(jiàn)過(guò)的棋譜或者棋局。

總的來(lái)說(shuō)，深度強(qiáng)化學(xué)習(xí)有兩大好處，它尋找最優(yōu)策略函數(shù)，給出的是決策，跟認(rèn)知聯(lián)系起來(lái)。第二，它不依賴于大數(shù)據(jù)。這就是前面說(shuō)的小數(shù)據(jù)半監(jiān)督學(xué)習(xí)方法。因?yàn)樵谡J(rèn)知層面上進(jìn)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(wú)窮。相信深度強(qiáng)化學(xué)習(xí)非常有潛力繼續(xù)向前發(fā)展，將大大擴(kuò)展其垂直應(yīng)用領(lǐng)域。但是它本身并不是一個(gè)通用人工智能。AlphaGo只能下圍棋不能同時(shí)下中國(guó)象棋、國(guó)際象棋，因此還只是專注于一個(gè)“點(diǎn)”上面的，仍屬于弱人工智能。

實(shí)現(xiàn)通用人工智能，把垂直細(xì)分領(lǐng)域變寬或者實(shí)現(xiàn)多任務(wù)而不是單任務(wù)學(xué)習(xí)，對(duì)深度神經(jīng)網(wǎng)絡(luò)而言，沿什么樣的技術(shù)途徑往前走現(xiàn)在還未知，但是肯定要與基于學(xué)習(xí)的符號(hào)主義結(jié)合起來(lái)。通用人工智能現(xiàn)在沒(méi)有找到很好的線索往前走，原因一是因?yàn)樯窠?jīng)網(wǎng)絡(luò)本身是黑箱式的，內(nèi)部表達(dá)不可解析，二是因?yàn)閭鹘y(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)本身不能完成多任務(wù)學(xué)習(xí)?？梢钥紤]跟知識(shí)圖譜、知識(shí)推理等符號(hào)主義的方法結(jié)合，但必須是在新的起點(diǎn)上，即在已有大數(shù)據(jù)感知智能的基礎(chǔ)上，利用更高粒度的自主學(xué)習(xí)而非以往的規(guī)則設(shè)計(jì)來(lái)進(jìn)行。另外從神經(jīng)科學(xué)的角度去做也是可能的途徑之一。

前面說(shuō)過(guò)，我們可能需要從隱含特征的學(xué)習(xí)邁向隱含規(guī)則的學(xué)習(xí)。對(duì)于經(jīng)驗(yàn)性規(guī)則人類是通過(guò)自主學(xué)習(xí)獲得的，不是靠人工設(shè)計(jì)。例如一名司機(jī)從駕校畢業(yè)到開(kāi)了幾十萬(wàn)公里里程變成很有經(jīng)驗(yàn)的老師傅，整個(gè)過(guò)程其實(shí)是通過(guò)“試錯(cuò)式”的長(zhǎng)期實(shí)踐或強(qiáng)化學(xué)習(xí)得到的，駕駛技巧或規(guī)則被模糊分割得越來(lái)越細(xì)，對(duì)極端與緊急情況的處理，也拿捏得越來(lái)越細(xì)膩與及時(shí)，但是這些代表經(jīng)驗(yàn)或知識(shí)的規(guī)則顯然是隱含的，只可意會(huì)不可言傳，很難被人為地總結(jié)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(luò)和深度強(qiáng)化學(xué)習(xí)，與知識(shí)工程、概率圖模型或與傳統(tǒng)機(jī)器學(xué)習(xí)方法相結(jié)合，在更高的粒度上進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)隱含規(guī)則的自動(dòng)學(xué)習(xí)以及更高知識(shí)粒度的學(xué)習(xí)推理。從某種意義上說(shuō)，認(rèn)知水平的推理機(jī)制或能獲得更強(qiáng)的泛化能力。例如，我們倒車入庫(kù)的時(shí)候不是都靠視覺(jué)感知，如果后面因盲區(qū)看不見(jiàn)，我們就靠隱含規(guī)則推理，看車的后視鏡跟側(cè)方泊車差不多平行，不用感知智能，靠認(rèn)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(gè)“人工智能”爆發(fā)的時(shí)代，有很多人表現(xiàn)出對(duì)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(mén)的話題始終是，它是否會(huì)造成大規(guī)模失業(yè)，是否會(huì)搶奪人類的飯碗？

過(guò)去20多年，我們已經(jīng)先后感受過(guò)PC、互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)對(duì)我們社會(huì)的沖擊，其實(shí)人工智能的沖擊可能會(huì)更大?，F(xiàn)在我們?nèi)耸忠慌_(tái)智能手機(jī)，相當(dāng)于人手一臺(tái)高性能電腦，隨時(shí)隨地就可跟地球上的另一個(gè)人聯(lián)系，現(xiàn)金都不用帶就可上街，這個(gè)變化已經(jīng)很大而且已經(jīng)成為現(xiàn)實(shí)。人工智能極有可能給我們的社會(huì)帶來(lái)更大的改變，一些工種或職業(yè)可能會(huì)消失，但同時(shí)也會(huì)產(chǎn)生一些新的職業(yè)。

那些很短時(shí)間內(nèi)能夠完成、不需要深思熟慮或者僅依靠人類視聽(tīng)覺(jué)與簡(jiǎn)單腦力勞動(dòng)就能完成的工種，確實(shí)很有可能會(huì)被取代，比如電話客服或者前臺(tái)咨詢員等，也有可能是長(zhǎng)途貨車司機(jī)，出租車司機(jī)，快遞員，產(chǎn)線工人，金融從業(yè)者，翻譯，會(huì)計(jì)，稅務(wù)人員，審計(jì)人員，醫(yī)生，傳媒從業(yè)者，教師，司法從業(yè)者等。在移動(dòng)互聯(lián)網(wǎng)時(shí)代，人工智能掌握的資料和知識(shí)又多又快，它每天收集與“閱讀”海量涌現(xiàn)的大數(shù)據(jù)，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(shí)消化的信息就更少；而人工智能則可以每天24小時(shí)不吃飯不睡覺(jué)，快速進(jìn)行大量的基于深度學(xué)習(xí)的數(shù)據(jù)自動(dòng)化處理，其時(shí)效性、規(guī)模性和實(shí)際產(chǎn)出等，肯定比人類好很多。

按我的說(shuō)法就是，在馬車時(shí)代，突然汽車問(wèn)世了，你不用恐懼，新時(shí)代來(lái)臨，也會(huì)產(chǎn)生很多新的工種。你當(dāng)不了馬車夫，但你可以去當(dāng)汽車司機(jī)，也可以當(dāng)個(gè)汽車售票員，還可以修馬路、造汽車，這些都是全新的職業(yè)機(jī)會(huì)。隨著人工智能的不斷發(fā)展，由于算法的自主性與環(huán)境適應(yīng)性提高，很多較復(fù)雜的體力勞動(dòng)以及更多的簡(jiǎn)單腦力勞動(dòng)，不需要人去做，這其實(shí)是對(duì)人類生產(chǎn)力的大解放。

《科學(xué)大家》專欄投稿郵箱：sciencetougao@sina.com  來(lái)稿請(qǐng)注明姓名、單位、職務(wù)