隨州網(wǎng)

本文摘自《人工智能》，（美）盧克•多梅爾（Luke Dormehl） 著，中信出版社，2016年11月

2014年，在谷歌旗下一家名為“DeepMind”的人工智能公司的辦公室里，一臺(tái)計(jì)算機(jī)通過(guò)玩一款名為《打磚塊》（Breakout）的老雅達(dá)利（Atari）2600 電子游戲消磨時(shí)間。該款游戲是兩個(gè)年輕人在20世紀(jì)70年代初設(shè)計(jì)的，他們就是蘋果公司的創(chuàng)始人史蒂夫·喬布斯和史蒂夫·沃茲尼亞克�！洞虼u塊》實(shí)際上是乒乓球游戲《乒乓》（Pong）的一個(gè)變體。不同之處在于，不是在屏幕上將球揮向另一位玩家，而是對(duì)著磚墻擊球，將磚塊擊碎。這款游戲的目標(biāo)是摧毀所有磚塊。

正如我們?cè)谏弦徽轮刑岬降�，人工智能玩電子游戲并沒(méi)有什么稀奇的。艾倫·圖靈早在1947年就開(kāi)發(fā)出了首款象棋程序，盡管當(dāng)時(shí)的計(jì)算機(jī)不能運(yùn)行這一程序。如今電子游戲的特點(diǎn)是有大量非玩家控制角色，這一編程將簡(jiǎn)單的規(guī)則結(jié)合起來(lái)產(chǎn)生復(fù)雜的行為。這樣看來(lái)，DeepMind的人工智能玩游戲又有什么特別的呢？

針對(duì)這個(gè)問(wèn)題的回答有兩個(gè)。一是DeepMind 的人工智能會(huì)逐漸變得更加成熟。就像見(jiàn)證孩子逐漸長(zhǎng)大一樣，如果一直盯著計(jì)算機(jī)看，很難察覺(jué)到它的變化。然而，每隔50 多次游戲再看一下，效果是十分驚人的。開(kāi)始的時(shí)候，DeepMind 的人工智能在《打磚塊》游戲中的表現(xiàn)簡(jiǎn)直糟透了，最簡(jiǎn)單的擊球都做不好，而且它似乎并不清楚狀況，就好像是把PS4（索尼第四代游戲主機(jī)）手柄交到90 歲的老奶奶手里，并希望她立刻知道應(yīng)該做什么一樣。雖然它也會(huì)偶爾得分，但即使最樂(lè)觀的旁觀者也只能稱之為運(yùn)氣。

200 次游戲后，一切變得大為不同�，F(xiàn)在游戲中的球拍能夠在屏幕上左右移動(dòng)：即使不是持續(xù)得分，也可謂能夠輕松得分。再經(jīng)過(guò)數(shù)百次游戲，游戲中的人工智簡(jiǎn)直如同《星球大戰(zhàn)4：新希望》結(jié)束時(shí)的天行者盧克（Luke Skywalker）或《黑客帝國(guó)》中的尼奧（Neo）一樣，懶散地?fù)羟�，毫不費(fèi)力。所有無(wú)關(guān)的動(dòng)作都消失了，而且它產(chǎn)生了清晰的策略。

令DeepMind 的人工智能具有重要意義的另一個(gè)原因是，它不需要進(jìn)行大規(guī)模訓(xùn)練。傳統(tǒng)人工智能的核心原則是必須將規(guī)則預(yù)先載入系統(tǒng)，這就像是老師在學(xué)生參加考試前會(huì)依次教他們問(wèn)題的答案一樣。DeepMind 的人工智能與眾不同之處在于，它能夠自主學(xué)習(xí)，甚至無(wú)須告訴它應(yīng)該怎樣做。它所需要接入的就是構(gòu)成《打磚塊》游戲每一幀的30 000 個(gè)像素點(diǎn)和屏幕上的選手得分。其他需要做的事，就是給它輸入得分最大化的指令。之后，人工智能就可以隨著游戲的進(jìn)展獲得游戲“規(guī)則”，然后逐漸形成能夠改善其表現(xiàn)的策略。

DeepMind的人工智能可以玩的游戲并不只有《打磚塊》。它最早玩的游戲是《太空入侵者》（Space Invaders），在掌握極少信息的情況下還學(xué)會(huì)了其他48個(gè)游戲，包括拳擊模擬器、武術(shù)游戲甚至是3D（三維）賽車游戲。然而，要想突破電子游戲的“微型世界”還有很長(zhǎng)的路要走。但這仍是一項(xiàng)驚人的成就，為人工智能的下一步發(fā)展指明了方向。下一步發(fā)展是什么？按照DeepMind的宗旨，下一步就是“解決人工智能”。

自主學(xué)習(xí)的重要性

人類的與眾不同之處就在于能夠?qū)W習(xí)，這也一直是傳統(tǒng)人工智能一直努力要實(shí)現(xiàn)的。第一章中描述的系統(tǒng)只有在能夠遵從規(guī)則時(shí)進(jìn)行學(xué)習(xí)，這些知識(shí)是從“知識(shí)工程師”的知識(shí)中提煉并編入系統(tǒng)架構(gòu)的。它是對(duì)知識(shí)自上而下的一種想象，并暗示一個(gè)假設(shè)，即機(jī)器不能自動(dòng)學(xué)習(xí)知識(shí)。相反，必須將知識(shí)進(jìn)行編程，而且一次編一條。這一點(diǎn)在很多情況下都能夠很好地實(shí)現(xiàn)，進(jìn)而在可接受的水平上完成有限的任務(wù)。隨著解決方案的增多，問(wèn)題也開(kāi)始顯現(xiàn)。像官僚機(jī)構(gòu)一樣，它們開(kāi)始變得龐大、笨拙、緩慢而且昂貴。

這提出了一個(gè)顯而易見(jiàn)的問(wèn)題。華盛頓大學(xué)計(jì)算機(jī)科學(xué)教授普德羅·多明戈斯（Pedro Domingos）指出：“如果機(jī)器人掌握了人類除學(xué)習(xí)以外的所有能力，人類很快就會(huì)拋棄它�！钡�是從一開(kāi)始就存在一種與人工智能的發(fā)展并行的觀點(diǎn)，這一觀點(diǎn)現(xiàn)在正觸發(fā)該領(lǐng)域的諸多進(jìn)展。該人工智能學(xué)派不是將思維概念化， 而是源于在電腦內(nèi)部建立大腦模型。該學(xué)派不相信邏輯推理是獲取真理的最佳（可能是唯一的）途徑，而是采用基于觀察和實(shí)驗(yàn)的實(shí)證研究法。這類人工智能并非知識(shí)工程師的作品，而是屬于名為“機(jī)器學(xué)習(xí)者”的計(jì)算機(jī)科學(xué)家領(lǐng)域。

這一流派的人工智能由統(tǒng)計(jì)學(xué)家、神經(jīng)科學(xué)家和理論物理學(xué)家開(kāi)創(chuàng)的概率模型主導(dǎo)，大部分基于所謂的“神經(jīng)網(wǎng)絡(luò)”（或者計(jì)算術(shù)語(yǔ)中所說(shuō)的“神經(jīng)網(wǎng)”）來(lái)運(yùn)行，該網(wǎng)絡(luò)的功能與人腦近似。信息在人腦中以神經(jīng)元電子放電模式存在。人腦中約有 1 000 億個(gè)神經(jīng)元，大約和銀河系中的星星一樣多。記憶是通過(guò)加強(qiáng)不同神經(jīng)元共同放電而形成的：這一過(guò)程被稱作“長(zhǎng)時(shí)程增強(qiáng)”。盡管我們尚須建立一個(gè)與人腦一樣復(fù)雜的神經(jīng)網(wǎng)絡(luò)（下一章將詳細(xì)介紹），但人工神經(jīng)網(wǎng)絡(luò)為創(chuàng)造記憶和學(xué)習(xí)借用了人腦的機(jī)制。人腦與神經(jīng)網(wǎng)絡(luò)最基本的不同在于，人腦中的長(zhǎng)時(shí)程增強(qiáng)是一個(gè)生物化學(xué)過(guò)程，而在神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)是通過(guò)修改其自身代碼，以在復(fù)雜或不明朗的情況下，找到輸入和輸出之間或者原因和結(jié)果之間的聯(lián)系而發(fā)生的。

雖然神經(jīng)網(wǎng)絡(luò)今天在人工智能領(lǐng)域具有重要地位，但在過(guò)去許多年里，它都是被忽視的；它被視作真正人工智能的“異父兄弟”。正如20世紀(jì)80年代進(jìn)入這一領(lǐng)域的知名研究人員戴維·艾克利（David Ackley）所說(shuō)：“我們接觸到神經(jīng)網(wǎng)絡(luò)時(shí)，人們并未將其視作人工智能。于是，我們被人工智能拒之門外。當(dāng)時(shí)，人們認(rèn)為人工智能是與符號(hào)相關(guān)的。它所涉及的是生產(chǎn)系統(tǒng)、專家系統(tǒng)等。進(jìn)入卡內(nèi)基–梅隆大學(xué)讀研究生時(shí)，我已經(jīng)十分厭倦與傳統(tǒng)的符號(hào)化的計(jì)算機(jī)相關(guān)的事物……我似乎對(duì)推理的關(guān)注過(guò)多，而對(duì)判斷的關(guān)注太少�！�

艾克利影響了一代人工智能研究者，他們幾乎使統(tǒng)計(jì)工具替代了主流意識(shí)中的傳統(tǒng)人工智能。這樣一來(lái)，神經(jīng)網(wǎng)絡(luò)就實(shí)現(xiàn)了以前的研究人員做夢(mèng)都想實(shí)現(xiàn)的東西：建造能夠?qū)W習(xí)如何玩電子游戲、理解語(yǔ)言、識(shí)別相片中的人臉或開(kāi)車比人類更安全的機(jī)器。

我們?cè)诒菊轮袑⒔榻B一些這樣的應(yīng)用。但是在此之前，我們必須回到過(guò)去，去認(rèn)識(shí)一個(gè)名叫圣地亞哥·拉蒙·卡哈爾（Santiago Ramóny Cajal）的人。

神經(jīng)科學(xué)之父

圣地亞哥·拉蒙·卡哈爾是19世紀(jì)西班牙病理學(xué)家，被稱作現(xiàn)代神經(jīng)科學(xué)之父。拉蒙·卡哈爾首次對(duì)人類大腦進(jìn)行了細(xì)致的檢查。1887年拉蒙·卡哈爾在巴塞羅那大學(xué)工作，他發(fā)現(xiàn)重鉻酸鉀和硝酸銀可以將神經(jīng)元染成深色，而周圍的細(xì)胞還都能夠保持透明。后來(lái)他回憶道，“染色后的神經(jīng)細(xì)胞連最精細(xì)的分枝都變成了棕黑色，在透明的黃色背景映襯下顯示出了無(wú)可比擬的清晰度，就像用墨汁畫的素描一樣清晰”。這項(xiàng)神經(jīng)細(xì)胞染色技術(shù)意味著拉蒙·卡哈爾能夠就人腦展開(kāi)大量的研究，在過(guò)去使用最先進(jìn)的顯微鏡是無(wú)論如何都做不到這一點(diǎn)的。這樣一來(lái)，他首次證明了神經(jīng)元是構(gòu)建中樞神經(jīng)系統(tǒng)的基礎(chǔ)。

1943 年，拉蒙·卡哈爾去世9 年后，兩位人工智能研究人員在一篇很有影響力的論文中創(chuàng)建了首個(gè)正式的神經(jīng)元模型，盡管文章的標(biāo)題《神經(jīng)活動(dòng)內(nèi)在概念的邏輯演算》稍顯呆板。

兩位研究人員麥卡洛克（McCulloch）和皮茨（Pitts）組成了一個(gè)不同尋常的組合。沃倫·麥卡洛克1898 年出生在一個(gè)律師、工程師、醫(yī)生和神學(xué)家組成的家庭。他在當(dāng)時(shí)被稱為“美國(guó)帽子之都”的新澤西州奧蘭治長(zhǎng)大。麥卡洛克起初打算從政，但后來(lái)改變了主意，去耶魯大學(xué)學(xué)習(xí)了哲學(xué)和心理學(xué)，并對(duì)神經(jīng)生理學(xué)，也就是神經(jīng)系統(tǒng)的研究產(chǎn)生了濃厚的興趣。

皮茨比麥卡洛克小25 歲，1923 年出生在一個(gè)工人階級(jí)家庭， 這樣的家庭似乎不太可能培養(yǎng)出神童。13 歲時(shí)，皮茨為了躲避父親的虐待離家出走，露宿街頭。一天，他為了躲避一群地痞流氓的追趕躲進(jìn)了圖書館。據(jù)說(shuō)，皮茨在接下來(lái)的一周都泡在圖書館里，讀完了三卷《數(shù)學(xué)原理》的數(shù)學(xué)教材。讀完以后，皮茨決定給該書的作者之一伯特蘭·羅素（Bertrand Russell）寫信，指出他認(rèn)為第一卷中存在的根本錯(cuò)誤。這封信給羅素留下了深刻的印象，他甚至邀請(qǐng)皮茨到英國(guó)劍橋大學(xué)學(xué)習(xí)，而皮茨卻沒(méi)有接受邀請(qǐng)。皮茨在不到20歲時(shí)就被蘇聯(lián)數(shù)學(xué)物理學(xué)家尼古拉斯·拉舍夫斯基（Nicolas Rashevsky）的著作深深吸引，拉舍夫斯基的著作主要涉及數(shù)學(xué)生物物理學(xué)領(lǐng)域。正是憑借著這種能力，沃爾特·皮茨遇到了沃倫·麥卡洛克，并最終開(kāi)始與其共事。

麥卡洛克和皮茨共同提出了針對(duì)機(jī)器內(nèi)部復(fù)制的功能神經(jīng)元的簡(jiǎn)化模型。他們?cè)?943年發(fā)表的論文中稱，從根本上來(lái)講，神經(jīng)元是一個(gè)“邏輯單元”。他們還指出，由這類單元構(gòu)成的網(wǎng)絡(luò)幾乎能夠完成所有的計(jì)算操作。

以神經(jīng)元模型為基礎(chǔ)的感知器

麥卡洛克和皮茨的工作取得了至關(guān)重要的進(jìn)展，但同樣存在嚴(yán)重的局限性：這個(gè)模型不能自主學(xué)習(xí)。6年后，這一問(wèn)題在理論上得到了解決，加拿大心理學(xué)家唐納德·赫布（Donald Hebb）在1949年寫了《行為的組織》這本書。赫布稱，每次使用神經(jīng)元都會(huì)使人腦中的神經(jīng)通路加強(qiáng)，人們就是這樣學(xué)習(xí)的。他寫道：“細(xì)胞A的一個(gè)原子離細(xì)胞B足夠近，并且持續(xù)或不斷參與激發(fā)細(xì)胞B，其中一個(gè)或兩個(gè)細(xì)胞增長(zhǎng)或產(chǎn)生代謝更換，這就會(huì)導(dǎo)致細(xì)胞A激發(fā)細(xì)胞B的效率提高�！焙�(jiǎn)單來(lái)說(shuō)，赫布的意思是，當(dāng)人類大腦中有兩個(gè)神經(jīng)元同時(shí)受到激發(fā)時(shí)，二者之間的聯(lián)系就增強(qiáng)了。有時(shí)我們可以這樣來(lái)記憶：“同激發(fā)、同連接的神經(jīng)元�！�

赫布的這一思想在10 年后才真正應(yīng)用到計(jì)算機(jī)研究中，而這要?dú)w功于弗蘭克·羅森布拉特（Frank Rosenblatt）。羅森布拉特在計(jì)算機(jī)歷史上是一個(gè)有趣的人物：他是一個(gè)真正博學(xué)多才的文藝復(fù)興式人物，對(duì)音樂(lè)、天文、數(shù)學(xué)和計(jì)算機(jī)無(wú)不精通。碰巧的是，他和我們上一章提到的馬文·明斯基是同學(xué)，他們?cè)?0 世紀(jì)40 年代早期都在布朗克斯科學(xué)高中讀書。然而，羅森布拉特一直處于人工智能研究主流的邊緣。明斯基和約翰·麥卡錫組織達(dá)特茅斯會(huì)議期間，羅森布拉特拿到了康奈爾大學(xué)實(shí)驗(yàn)心理學(xué)博士學(xué)位，學(xué)習(xí)期間，他被神經(jīng)網(wǎng)絡(luò)這一學(xué)科深深吸引。羅森布拉特將神經(jīng)網(wǎng)絡(luò)稱作“感知器”，并努力證明其能夠有效地充當(dāng)人類學(xué)習(xí)、記憶和認(rèn)知的模型。

羅森布拉特最初在紐約布法羅康奈爾航空實(shí)驗(yàn)室嘗試建造“感知器”。他在那里創(chuàng)建了PARA 項(xiàng)目，即“感知和識(shí)別自動(dòng)化”。他的感知器以麥卡洛克和皮茨提出的神經(jīng)元模型為基礎(chǔ)， 同時(shí)基于能夠通過(guò)“試錯(cuò)”進(jìn)行學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。每個(gè)神經(jīng)元都有一個(gè)輸入、一個(gè)輸出和一組自己的“權(quán)重”。開(kāi)始的時(shí)候，“特性”之間的關(guān)聯(lián)和神經(jīng)元都會(huì)獲得隨機(jī)權(quán)重。然后，神經(jīng)元根據(jù)網(wǎng)絡(luò)顯示，選擇激發(fā)或不激發(fā)。片刻后，它就能夠?qū)⒁?jiàn)到的所有事物分為兩類，即“X”和“非X”。

由于當(dāng)時(shí)的計(jì)算機(jī)運(yùn)行速度太慢，羅森布拉特并沒(méi)有將其感知器做成軟件，而是做成了硬件。他用調(diào)光器中使用的可變電阻創(chuàng)建了權(quán)重，并用電動(dòng)機(jī)和電阻完成了學(xué)習(xí)過(guò)程。接下來(lái)的演示以及羅森布拉特對(duì)感知器發(fā)展?jié)摿Φ目鋸堦愂�，足以讓人們心潮澎湃�?958年《科學(xué)》雜志上發(fā)表的一篇極有先見(jiàn)之明的文章上指出：“感知器最終一定能夠自主學(xué)習(xí)、做出決定以及翻譯語(yǔ)言�！迸c此同時(shí)，《紐約客》上一篇新發(fā)表的文章引用了羅森布拉特的話，“感知器應(yīng)當(dāng)證明它能夠通過(guò)計(jì)算機(jī)視覺(jué)指出‘貓和狗之間的不同點(diǎn)’”。

1960年，羅森布拉特對(duì)“阿爾法感知器”計(jì)算機(jī)的創(chuàng)建工作進(jìn)行了監(jiān)督，他為此收到了美國(guó)海軍研究辦公室信息系統(tǒng)部提供的贊助。阿爾法感知器也成為歷史上最早能夠通過(guò)反復(fù)試錯(cuò)學(xué)習(xí)新技能的計(jì)算機(jī)之一�！都~約時(shí)報(bào)》將其稱為“邊做邊學(xué)的新海軍設(shè)備”。

......

作品簡(jiǎn)介

為何只能在有限范圍使用的弱人工智能突然變得聰明起來(lái)？擁有人類的創(chuàng)造力、復(fù)制人類的思維、與人類相愛(ài)……人工智能究竟能走多遠(yuǎn)？智能時(shí)代，人類的工作、價(jià)值、思維是更進(jìn)化還是會(huì)被淘汰？

從無(wú)所不知的語(yǔ)音助手到復(fù)制人類思維的虛擬替身，這本書將人工智能發(fā)展歷史上一個(gè)個(gè)有趣的故事串聯(lián)起來(lái)，并梳理了計(jì)算機(jī)之父艾倫·圖靈、深度學(xué)習(xí)鼻祖杰夫·辛頓等眾多對(duì)人工智能的發(fā)展起到重要作用的歷史人物，把科幻與真實(shí)交錯(cuò)、古老與現(xiàn)代并存的人工智能全方位、多角度地展現(xiàn)在我們面前，傾情描繪了人工智能時(shí)代的精彩。

人工智能作為人類的偉大作品，也對(duì)我們的生活產(chǎn)生了重大影響，不管是智能制造還是未來(lái)就業(yè)，人工智能都不可避免地參與到人類的未來(lái)命運(yùn)中。我們?cè)撊绾巫プ�機(jī)遇，積極迎接人工智能帶來(lái)的挑戰(zhàn)？答案就在這本書中。