今日推薦170——《人工智能》：改變世界,重建未來

隨州新華書店

[摘要]人工智能作為人類的偉大作品，也對我們的生活產(chǎn)生了重大影響，不管是智能制造還是未來就業(yè)，人工智能都不可避免地參與到人類的未來命運中。

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

圖源于網(wǎng)絡

2014年，在谷歌旗下一家名為“DeepMind”的人工智能公司的辦公室里，一臺計算機通過玩一款名為《打磚塊》（Breakout）的老雅達利（Atari）2600 電子游戲消磨時間。該款游戲是兩個年輕人在20世紀70年代初設計的，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》實際上是乒乓球游戲《乒乓》（Pong）的一個變體。不同之處在于，不是在屏幕上將球揮向另一位玩家，而是對著磚墻擊球，將磚塊擊碎。這款游戲的目標是摧毀所有磚塊。

正如我們在上一章中提到的，人工智能玩電子游戲并沒有什么稀奇的。艾倫·圖靈早在1947年就開發(fā)出了首款象棋程序，盡管當時的計算機不能運行這一程序。如今電子游戲的特點是有大量非玩家控制角色，這一編程將簡單的規(guī)則結合起來產(chǎn)生復雜的行為。這樣看來，DeepMind的人工智能玩游戲又有什么特別的呢？

針對這個問題的回答有兩個。一是DeepMind 的人工智能會逐漸變得更加成熟。就像見證孩子逐漸長大一樣，如果一直盯著計算機看，很難察覺到它的變化。然而，每隔50 多次游戲再看一下，效果是十分驚人的。開始的時候，DeepMind 的人工智能在《打磚塊》游戲中的表現(xiàn)簡直糟透了，最簡單的擊球都做不好，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）手柄交到90 歲的老奶奶手里，并希望她立刻知道應該做什么一樣。雖然它也會偶爾得分，但即使最樂觀的旁觀者也只能稱之為運氣。

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：即使不是持續(xù)得分，也可謂能夠輕松得分。再經(jīng)過數(shù)百次游戲，游戲中的人工智簡直如同《星球大戰(zhàn)4：新希望》結束時的天行者盧克（Luke Skywalker）或《黑客帝國》中的尼奧（Neo）一樣，懶散地擊球，毫不費力。所有無關的動作都消失了，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原因是，它不需要進行大規(guī)模訓練。傳統(tǒng)人工智能的核心原則是必須將規(guī)則預先載入系統(tǒng)，這就像是老師在學生參加考試前會依次教他們問題的答案一樣。DeepMind 的人工智能與眾不同之處在于，它能夠自主學習，甚至無須告訴它應該怎樣做。它所需要接入的就是構成《打磚塊》游戲每一幀的30 000 個像素點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會了其他48個游戲，包括拳擊模擬器、武術游戲甚至是3D（三維）賽車游戲。然而，要想突破電子游戲的“微型世界”還有很長的路要走。但這仍是一項驚人的成就，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”。

自主學習的重要性

人類的與眾不同之處就在于能夠學習，這也一直是傳統(tǒng)人工智能一直努力要實現(xiàn)的。第一章中描述的系統(tǒng)只有在能夠遵從規(guī)則時進行學習，這些知識是從“知識工程師”的知識中提煉并編入系統(tǒng)架構的。它是對知識自上而下的一種想象，并暗示一個假設，即機器不能自動學習知識。相反，必須將知識進行編程，而且一次編一條。這一點在很多情況下都能夠很好地實現(xiàn)，進而在可接受的水平上完成有限的任務。隨著解決方案的增多，問題也開始顯現(xiàn)。像官僚機構一樣，它們開始變得龐大、笨拙、緩慢而且昂貴。

這提出了一個顯而易見的問題。華盛頓大學計算機科學教授普德羅·多明戈斯（Pedro Domingos）指出：“如果機器人掌握了人類除學習以外的所有能力，人類很快就會拋棄它�！钡�是從一開始就存在一種與人工智能的發(fā)展并行的觀點，這一觀點現(xiàn)在正觸發(fā)該領域的諸多進展。該人工智能學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驗的實證研究法。這類人工智能并非知識工程師的作品，而是屬于名為“機器學習者”的計算機科學家領域。

這一流派的人工智能由統(tǒng)計學家、神經(jīng)科學家和理論物理學家開創(chuàng)的概率模型主導，大部分基于所謂的“神經(jīng)網(wǎng)絡”（或者計算術語中所說的“神經(jīng)網(wǎng)”）來運行，該網(wǎng)絡的功能與人腦近似。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 億個神經(jīng)元，大約和銀河系中的星星一樣多。記憶是通過加強不同神經(jīng)元共同放電而形成的：這一過程被稱作“長時程增強”。盡管我們尚須建立一個與人腦一樣復雜的神經(jīng)網(wǎng)絡（下一章將詳細介紹），但人工神經(jīng)網(wǎng)絡為創(chuàng)造記憶和學習借用了人腦的機制。人腦與神經(jīng)網(wǎng)絡最基本的不同在于，人腦中的長時程增強是一個生物化學過程，而在神經(jīng)網(wǎng)絡中，學習是通過修改其自身代碼，以在復雜或不明朗的情況下，找到輸入和輸出之間或者原因和結果之間的聯(lián)系而發(fā)生的。

雖然神經(jīng)網(wǎng)絡今天在人工智能領域具有重要地位，但在過去許多年里，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80年代進入這一領域的知名研究人員戴維·艾克利（David Ackley）所說：“我們接觸到神經(jīng)網(wǎng)絡時，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。當時，人們認為人工智能是與符號相關的。它所涉及的是生產(chǎn)系統(tǒng)、專家系統(tǒng)等。進入卡內(nèi)基–梅隆大學讀研究生時，我已經(jīng)十分厭倦與傳統(tǒng)的符號化的計算機相關的事物……我似乎對推理的關注過多，而對判斷的關注太少�！�

艾克利影響了一代人工智能研究者，他們幾乎使統(tǒng)計工具替代了主流意識中的傳統(tǒng)人工智能。這樣一來，神經(jīng)網(wǎng)絡就實現(xiàn)了以前的研究人員做夢都想實現(xiàn)的東西：建造能夠學習如何玩電子游戲、理解語言、識別相片中的人臉或開車比人類更安全的機器。

我們在本章中將介紹一些這樣的應用。但是在此之前，我們必須回到過去，去認識一個名叫圣地亞哥·拉蒙·卡哈爾（Santiago Ramóny Cajal）的人。

神經(jīng)科學之父

圣地亞哥·拉蒙·卡哈爾是19世紀西班牙病理學家，被稱作現(xiàn)代神經(jīng)科學之父。拉蒙·卡哈爾首次對人類大腦進行了細致的檢查。1887年拉蒙·卡哈爾在巴塞羅那大學工作，他發(fā)現(xiàn)重鉻酸鉀和硝酸銀可以將神經(jīng)元染成深色，而周圍的細胞還都能夠保持透明。后來他回憶道，“染色后的神經(jīng)細胞連最精細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可比擬的清晰度，就像用墨汁畫的素描一樣清晰”。這項神經(jīng)細胞染色技術意味著拉蒙·卡哈爾能夠就人腦展開大量的研究，在過去使用最先進的顯微鏡是無論如何都做不到這一點的。這樣一來，他首次證明了神經(jīng)元是構建中樞神經(jīng)系統(tǒng)的基礎。

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)建了首個正式的神經(jīng)元模型，盡管文章的標題《神經(jīng)活動內(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）組成了一個不同尋常的組合。沃倫·麥卡洛克1898 年出生在一個律師、工程師、醫(yī)生和神學家組成的家庭。他在當時被稱為“美國帽子之都”的新澤西州奧蘭治長大。麥卡洛克起初打算從政，但后來改變了主意，去耶魯大學學習了哲學和心理學，并對神經(jīng)生理學，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 年出生在一個工人階級家庭， 這樣的家庭似乎不太可能培養(yǎng)出神童。13 歲時，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了圖書館。據(jù)說，皮茨在接下來的一周都泡在圖書館里，讀完了三卷《數(shù)學原理》的數(shù)學教材。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，指出他認為第一卷中存在的根本錯誤。這封信給羅素留下了深刻的印象，他甚至邀請皮茨到英國劍橋大學學習，而皮茨卻沒有接受邀請。皮茨在不到20歲時就被蘇聯(lián)數(shù)學物理學家尼古拉斯·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)學生物物理學領域。正是憑借著這種能力，沃爾特·皮茨遇到了沃倫·麥卡洛克，并最終開始與其共事。

麥卡洛克和皮茨共同提出了針對機器內(nèi)部復制的功能神經(jīng)元的簡化模型。他們在1943年發(fā)表的論文中稱，從根本上來講，神經(jīng)元是一個“邏輯單元”。他們還指出，由這類單元構成的網(wǎng)絡幾乎能夠完成所有的計算操作。

以神經(jīng)元模型為基礎的感知器

麥卡洛克和皮茨的工作取得了至關重要的進展，但同樣存在嚴重的局限性：這個模型不能自主學習。6年后，這一問題在理論上得到了解決，加拿大心理學家唐納德·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)元都會使人腦中的神經(jīng)通路加強，人們就是這樣學習的。他寫道：“細胞A的一個原子離細胞B足夠近，并且持續(xù)或不斷參與激發(fā)細胞B，其中一個或兩個細胞增長或產(chǎn)生代謝更換，這就會導致細胞A激發(fā)細胞B的效率提高�！焙唵蝸碚f，赫布的意思是，當人類大腦中有兩個神經(jīng)元同時受到激發(fā)時，二者之間的聯(lián)系就增強了。有時我們可以這樣來記憶：“同激發(fā)、同連接的神經(jīng)元�！�

赫布的這一思想在10 年后才真正應用到計算機研究中，而這要歸功于弗蘭克·羅森布拉特（Frank Rosenblatt）。羅森布拉特在計算機歷史上是一個有趣的人物：他是一個真正博學多才的文藝復興式人物，對音樂、天文、數(shù)學和計算機無不精通。碰巧的是，他和我們上一章提到的馬文·明斯基是同學，他們在20 世紀40 年代早期都在布朗克斯科學高中讀書。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·麥卡錫組織達特茅斯會議期間，羅森布拉特拿到了康奈爾大學實驗心理學博士學位，學習期間，他被神經(jīng)網(wǎng)絡這一學科深深吸引。羅森布拉特將神經(jīng)網(wǎng)絡稱作“感知器”，并努力證明其能夠有效地充當人類學習、記憶和認知的模型。

羅森布拉特最初在紐約布法羅康奈爾航空實驗室嘗試建造“感知器”。他在那里創(chuàng)建了PARA 項目，即“感知和識別自動化”。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， 同時基于能夠通過“試錯”進行學習的神經(jīng)網(wǎng)絡。每個神經(jīng)元都有一個輸入、一個輸出和一組自己的“權重”。開始的時候，“特性”之間的關聯(lián)和神經(jīng)元都會獲得隨機權重。然后，神經(jīng)元根據(jù)網(wǎng)絡顯示，選擇激發(fā)或不激發(fā)。片刻后，它就能夠將見到的所有事物分為兩類，即“X”和“非X”。

由于當時的計算機運行速度太慢，羅森布拉特并沒有將其感知器做成軟件，而是做成了硬件。他用調光器中使用的可變電阻創(chuàng)建了權重，并用電動機和電阻完成了學習過程。接下來的演示以及羅森布拉特對感知器發(fā)展?jié)摿Φ目鋸堦愂�，足以讓人們心潮澎湃�?958年《科學》雜志上發(fā)表的一篇極有先見之明的文章上指出：“感知器最終一定能夠自主學習、做出決定以及翻譯語言�！迸c此同時，《紐約客》上一篇新發(fā)表的文章引用了羅森布拉特的話，“感知器應當證明它能夠通過計算機視覺指出‘貓和狗之間的不同點’”。

1960年，羅森布拉特對“阿爾法感知器”計算機的創(chuàng)建工作進行了監(jiān)督，他為此收到了美國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反復試錯學習新技能的計算機之一�！都~約時報》將其稱為“邊做邊學的新海軍設備”。

......

作品簡介

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

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？擁有人類的創(chuàng)造力、復制人類的思維、與人類相愛……人工智能究竟能走多遠？智能時代，人類的工作、價值、思維是更進化還是會被淘汰？

從無所不知的語音助手到復制人類思維的虛擬替身，這本書將人工智能發(fā)展歷史上一個個有趣的故事串聯(lián)起來，并梳理了計算機之父艾倫·圖靈、深度學習鼻祖杰夫·辛頓等眾多對人工智能的發(fā)展起到重要作用的歷史人物，把科幻與真實交錯、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代的精彩。

人工智能作為人類的偉大作品，也對我們的生活產(chǎn)生了重大影響，不管是智能制造還是未來就業(yè)，人工智能都不可避免地參與到人類的未來命運中。我們該如何抓住機遇，積極迎接人工智能帶來的挑戰(zhàn)？答案就在這本書中。