撰 文|黑爪

人類自古就在夢想，要制造出會(huì)思考的機(jī)器。這個(gè)愿望至少可以追溯到古希臘時(shí)代，傳說中的皮格馬利翁、代達(dá)洛斯、赫菲斯托斯都被賦予了傳奇發(fā)明家的形象，經(jīng)他們之手而誕生的葛拉蒂雅、塔羅斯、潘多拉，也許便是出現(xiàn)在人類敘述中最早的人工智能。

今天，人工智能已經(jīng)真實(shí)地活躍在眾多的應(yīng)用和研究領(lǐng)域。但它不是魔術(shù)，也不創(chuàng)造奇跡。讓我們透過喧囂，回顧一下人工智能的前世今生，借此看清它究竟是什么，現(xiàn)在能作什么，未來能作什么。

早期的人工智能，迅捷地攻占了一些對(duì)人類大腦而言相對(duì)困難，而對(duì)計(jì)算機(jī)來說則顯得直截了當(dāng)?shù)膯栴}，換句話說，那些可以用一系列數(shù)學(xué)規(guī)則所描述的問題。

但人工智能所面臨的真正挑戰(zhàn)卻恰恰相反。我們希望它能替代我們的，有更多的是人類很容易執(zhí)行，卻非常難以用規(guī)則來描述的任務(wù)，那些我們通過直覺來解決的問題。例如，聽懂別人說話，或者在一幅圖片里找到人臉。

第一波浪潮：

難以理解現(xiàn)實(shí)的專家系統(tǒng)

人工智能的第一次技術(shù)發(fā)展，是基于人類專家知識(shí)的人工智能。人工智能專家提取特定領(lǐng)域的知識(shí)，將其轉(zhuǎn)換成可輸入計(jì)算機(jī)的規(guī)則，以及遵循不同規(guī)則帶來的不同后果。計(jì)算機(jī)繼而運(yùn)用邏輯推理來“懂得”這些采用正規(guī)語言所描述的說明。

這個(gè)技術(shù)可以用于日程安排，棋類游戲（例如IBM戰(zhàn)勝國際象棋大師卡斯帕羅夫的超級(jí)計(jì)算機(jī)深藍(lán)），或者替人報(bào)稅等，有非常明確而具體的條件，執(zhí)行明確的任務(wù)。對(duì)現(xiàn)實(shí)世界進(jìn)行認(rèn)知，則是第一波人工智能的短板。此外，它不具備自我訓(xùn)練和提高的能力，這恰恰又是作為智能體的一個(gè)要素。那期間有個(gè)著名的項(xiàng)目叫作Cyc，由推理引擎加數(shù)據(jù)庫組成。人們希望這樣的一套系統(tǒng)，可以利用足夠的復(fù)雜度，來精確地描述現(xiàn)實(shí)世界。然而Cyc讓人失望了。例如，它試圖去讀一個(gè)故事，故事里有個(gè)人叫弗雷德，每天早上會(huì)刮胡子。然而它的推理引擎檢測到了故事中有一處前后矛盾：它知道人的身上沒有電動(dòng)部件，可是每當(dāng)弗雷德剃須時(shí)手里拿著電動(dòng)剃須刀，于是它相信這個(gè)“剃須時(shí)的弗雷德”身上包含了電動(dòng)部件，因此它問，弗雷德剃須時(shí)還是不是人。

這是仰仗硬編碼知識(shí)的智能系統(tǒng)，也就是第一波人工智能所面臨的一個(gè)經(jīng)典困難。它說明人工智能系統(tǒng)需要具備通過從元數(shù)據(jù)中提取規(guī)律來自主獲取知識(shí)的能力，這就是我們今天說的機(jī)器學(xué)習(xí)。

但這并不意味著第一波技術(shù)對(duì)于今天毫無意義，去年美國國防高研署（DARPA）成功完成了一項(xiàng)數(shù)字安全測試，便是基于第一波人工智能技術(shù)的應(yīng)用。孤立的技術(shù)，在外部環(huán)境（硬件、數(shù)據(jù)量、配套技術(shù)）不成熟的情況下，可以作的另一件事，就是等待。

第二波浪潮：

個(gè)體精度欠缺的機(jī)器學(xué)習(xí)系統(tǒng)

第二波人工智能出現(xiàn)的最好例子，也出自美國國防高研署。他們在2004到2005年兩年間鼓勵(lì)并組織業(yè)界進(jìn)行了大量的自駕車研究，并推出一個(gè)挑戰(zhàn)賽，看誰的自駕車能在加利福尼亞和內(nèi)華達(dá)的沙漠里跑150英里。結(jié)果，2004年那一屆，沒有一輛車跑完，事實(shí)上沒有一輛車跑過了8英里。原因是這些自駕車的視覺系統(tǒng)分辨不出遠(yuǎn)處的黑色物體，究竟是陰影還是石塊，“我”是應(yīng)該避開呢，還是應(yīng)該碾過去。因此它們大多在這個(gè)問題上翻了船。到了2005年這一屆，情況一下子大不一樣，有5輛車跑完了全程。

造成這個(gè)差別的原因，正是他們大多開始使用機(jī)器學(xué)習(xí)的技術(shù)，運(yùn)用概率方法來處理信息。這就是人工智能技術(shù)的第二波。

這一波的特點(diǎn)是統(tǒng)計(jì)學(xué)習(xí)。它在語音識(shí)別，人臉識(shí)別等應(yīng)用領(lǐng)域作得非常成功。人們常常會(huì)說，計(jì)算機(jī)“就是”會(huì)學(xué)習(xí)啊。但事實(shí)真的不是你以為的那樣“就是”，若沒有背后強(qiáng)大的，將現(xiàn)實(shí)問題用統(tǒng)計(jì)數(shù)學(xué)模型來描述的支撐，它便“就是”不會(huì)學(xué)習(xí)。

我們現(xiàn)在看見的、談?wù)摰模⑶艺嬲龖?yīng)用到商業(yè)領(lǐng)域的，大多是此處描述的第二波人工智能技術(shù)。撇開它鋪天蓋地的輿論影響，真正被有效利用的類型極其有限。近來幾乎所有的人工智能進(jìn)展都只是一種，那就是輸入數(shù)據(jù)（A），迅速產(chǎn)生簡單響應(yīng)（B），如表 1所示。

就這么簡單地輸入A，輸出B，已經(jīng)足夠改變許多行業(yè)了。然而“A→B”與科幻小說向我們許諾的有感知的機(jī)器人，畢竟相去甚遠(yuǎn)，人類的智力更是遠(yuǎn)非“A→B ”所能相比。為什么這么說？例如有一張拿著牙刷的小男孩圖片，被人工智能識(shí)別為，一個(gè)拿著棒球棍的小男孩。

這讓我們發(fā)笑，因?yàn)槲覀內(nèi)祟惤^不會(huì)這樣說。從這個(gè)例子可以看出，第二波技術(shù)在大量的工作中一次又一次地讓我們嘆服，但也會(huì)忽然間爆出這種笑料來。它所反映出來的一個(gè)結(jié)論則是，第二波人工智能在統(tǒng)計(jì)學(xué)范疇表現(xiàn)出色，但個(gè)體樣例不可靠。而這種個(gè)案的不可靠，若是發(fā)生在金融領(lǐng)域，就是災(zāi)難性的。

將“A→B”放到具體的商業(yè)環(huán)境下意味著什么？前百度首席科學(xué)家吳恩達(dá)教授用這樣一句話來解釋：一個(gè)正常普通人能夠用少于一秒鐘的思考所完成的任務(wù)，都可以通過人工智能來實(shí)現(xiàn)。

第三波浪潮：

初現(xiàn)成效的語境適應(yīng)系統(tǒng)

借用美國國防高研署對(duì)第三波的定義，那就是“語境適應(yīng)”。第三波的系統(tǒng)，會(huì)逐漸建造出“有意義”的模型用以描繪現(xiàn)實(shí)世界的現(xiàn)象。

舉個(gè)例子，讓第二波系統(tǒng)來甄別一張貓的圖片不是問題，但如果你問它，為什么你認(rèn)為它是一只貓呢？它的答案肯定是：“經(jīng)過大量的計(jì)算，結(jié)果顯示貓位居榜首。”這個(gè)答案顯然并不能令人滿意，我們希望它說，當(dāng)然是貓了，你看它有耳朵，有爪子，有毛，以及各種把貓與其他東西區(qū)分開來的特征呢。具備了這種知道“為什么”的能力的第三波系統(tǒng)，便絕不會(huì)在把前面提到的圖片標(biāo)注為“拿棒球棍的小男孩”。

第二波系統(tǒng)對(duì)數(shù)據(jù)的依賴，幾乎達(dá)到“喪心病狂”的地步，這也是吳恩達(dá)為什么說，當(dāng)今的人工智能企業(yè)要成功，最重要的一是數(shù)據(jù)，二是人才。比如你要教會(huì)一個(gè)系統(tǒng)識(shí)別一個(gè)手寫的數(shù)字，大概需要交給它5萬甚至10萬個(gè)例子，才能保證基本不出錯(cuò)，設(shè)想如果你教一個(gè)小孩識(shí)字，每一個(gè)字要教5萬到10萬次是什么情景。

因此，第三波基于“語境”模型系統(tǒng)的到來便成為一件自然而然的事。

IBM的辯論機(jī)器人從海量的辯論文本中學(xué)習(xí)提取有說服力的論點(diǎn)，谷歌剛剛推出的“觀點(diǎn)接口”用以在社交媒體上辨別惡意評(píng)論，都是較為成功的應(yīng)用嘗試。從前面的分析可以看出，第一波人工智能，基于嚴(yán)格的問題定義（硬編碼）而獲得了較強(qiáng)的推理能力，略有認(rèn)知，卻完全欠缺學(xué)習(xí)和抽象能力。第二波人工智能建立在統(tǒng)計(jì)模型基礎(chǔ)上，能夠進(jìn)行精準(zhǔn)分類和預(yù)測，其認(rèn)知和學(xué)習(xí)能力有了長足進(jìn)步，卻喪失了第一波技術(shù)的推理能力，同時(shí)抽象能力依然十分不足。第三波人工智能，理論上可以粗略理解為前兩波的取長補(bǔ)短，然而并非把二者相加那樣簡單。基于統(tǒng)計(jì)模型的學(xué)習(xí)和基于嚴(yán)格問題定義的專家系統(tǒng)，同時(shí)存在于同一個(gè)智能系統(tǒng)這個(gè)目標(biāo)，還有大量需要克服的技術(shù)實(shí)現(xiàn)以及成本問題。越仰仗人類直覺、感知的問題，對(duì)機(jī)器的挑戰(zhàn)越大。去年圣誕期間，一輛優(yōu)步無人車在舊金山當(dāng)代藝術(shù)博物館門前闖紅燈的事故，就是一例。

是不是泡沫？

答案很堅(jiān)決，不是。那怎樣解釋反復(fù)出現(xiàn)的漲潮退潮呢？又得回頭看歷史，這一次我們單獨(dú)回顧一下目前最主流的“深度學(xué)習(xí)”技術(shù)的歷史。

深度學(xué)習(xí)的變遷 深度學(xué)習(xí)經(jīng)歷了漫長而豐富的歷史，跌宕起伏的熱度，也被叫過不同的名字，每一個(gè)名字都反映了特定年代下的視角和觀點(diǎn)。

今天深度學(xué)習(xí)在很多人眼里是一個(gè)令人振奮的新技術(shù)，而事實(shí)上，它的歷史可以回溯到20世紀(jì)40年代。它之所以看上去新，僅僅是因?yàn)樗诮鼛啄甑倪@股熱潮之前不被人看好，也因?yàn)樗?jīng)歷了許多不同的名字，直到最近，才定下來被叫作“深度學(xué)習(xí)”。

最早的學(xué)習(xí)算法很多是生物學(xué)習(xí)的計(jì)算模型，所以它曾經(jīng)叫作人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs），是實(shí)實(shí)在在基于生物大腦的啟發(fā)為基礎(chǔ)的學(xué)習(xí)系統(tǒng)。所以那個(gè)階段的“學(xué)習(xí)”概念比今天的更寬泛。

對(duì)今天的深度學(xué)習(xí)而言，神經(jīng)科學(xué)僅僅被當(dāng)作啟發(fā)和參照，已經(jīng)不再是這個(gè)領(lǐng)域的主導(dǎo)指南。因?yàn)槿缃竦目茖W(xué)對(duì)大腦的認(rèn)識(shí)依然非常有限，遠(yuǎn)不能給人工智能提供足夠的信息來進(jìn)行模擬。而媒體對(duì)輿論的誤導(dǎo)往往正源于此，它們通常會(huì)將深度學(xué)習(xí)與生物大腦聯(lián)系在一起。理解了現(xiàn)代深度學(xué)習(xí)技術(shù)除了從大腦獲得靈感外，它的技術(shù)體系還架構(gòu)在大量對(duì)線性代數(shù)、概率、博弈理論、以及數(shù)字優(yōu)化的基礎(chǔ)之上這一點(diǎn)，也許將不再會(huì)被輿論所帶來的威脅論嚇倒。當(dāng)然，也不會(huì)對(duì)人工智能正在帶來的顛覆視而不見。

到了80年代，伴隨著認(rèn)知科學(xué)的興起，神經(jīng)網(wǎng)絡(luò)又熱過一次，被稱作符號(hào)推理。這期間值得一提的是一種叫聯(lián)結(jié)主義的觀點(diǎn)——大量可以進(jìn)行簡單計(jì)算的單元聯(lián)結(jié)在一起，能夠執(zhí)行智能任務(wù)。這個(gè)潮流持續(xù)到90年代中期而終止，它的“遺產(chǎn)”到了今天，在包括谷歌在內(nèi)的很多項(xiàng)目中仍然得到廣泛的應(yīng)用。

這一波原本非常有價(jià)值的研究之所以戛然而止，很大程度上是因?yàn)槟切╅_展這項(xiàng)研究的公司在尋求投資時(shí)夸大其詞，而結(jié)果并未能達(dá)到浮夸的預(yù)期，導(dǎo)致了投資者失望。

人工智能行業(yè)有一個(gè)眾所周知的事實(shí)，許多自20世紀(jì)80年代起就存在的算法如今表現(xiàn)優(yōu)秀，但它們的優(yōu)秀在大約2006年之前并不明顯，原因恐怕只能用硬件開銷來解釋。當(dāng)今強(qiáng)大而廉價(jià)的計(jì)算能力、存儲(chǔ)能力彌補(bǔ)了超前優(yōu)秀算法的時(shí)代鴻溝。

大數(shù)據(jù)讓人工智能從“藝術(shù)”變?yōu)椤凹夹g(shù)” 深度學(xué)習(xí)早在50年代就出現(xiàn)了，為什么到了最近才忽然重要起來？這是一種隨機(jī)出現(xiàn)的狂熱和泡沫嗎？

其實(shí)從90年代起，它就有過不少成功的商業(yè)應(yīng)用，但人們更多地視之為“藝術(shù)”而不是“技術(shù)”。不可否認(rèn)，提升深度學(xué)習(xí)算法的性能需要一些技巧，但幸運(yùn)的是，技巧的需求與訓(xùn)練數(shù)據(jù)的尺寸之間是反比關(guān)系，隨著數(shù)據(jù)量的猛增，對(duì)技巧的需求也隨之降低。

今天的學(xué)習(xí)算法在一些復(fù)雜任務(wù)的執(zhí)行能力上達(dá)到人類的水平，但這些算法本身與80年代用來解決一些小兒科問題都十分掙扎的算法幾乎一模一樣。帶來巨變的無疑是今天的海量數(shù)據(jù)。這些海量的數(shù)據(jù)來自高度聯(lián)網(wǎng)的計(jì)算機(jī)，來自全社會(huì)生活的數(shù)字化，人們的每一個(gè)行為，甚至每一個(gè)步驟都被數(shù)字化后記錄了下來，這是“大數(shù)據(jù)”年代給機(jī)器學(xué)習(xí)領(lǐng)域的大禮。

人工智能商業(yè)時(shí)代需要什么

理解了眼下的人工智能所能做和不能做的，下一步便需要企業(yè)家們將這一理解貫徹到企業(yè)的策略之中，這意味著，理解價(jià)值在哪個(gè)環(huán)節(jié)產(chǎn)生，什么是難以復(fù)制的。人工智能行業(yè)是一個(gè)非常開放的領(lǐng)域，幾乎所有的頂級(jí)研究人員都沒有保留地在發(fā)表最新成果，分享經(jīng)驗(yàn)、想法以至開放源代碼。在這個(gè)開源的世界里，如下資源因而變得極其寶貴：

數(shù)據(jù) 頂尖的人工智能團(tuán)隊(duì)要復(fù)制別人的軟件，大多數(shù)不會(huì)超過一到兩年就能做到。但是要獲得別人的數(shù)據(jù)卻難于上青天。因此，數(shù)據(jù)而不是軟件，是許多企業(yè)的防御堡壘。

人才 簡單的下載，再把開源代碼應(yīng)用到你的數(shù)據(jù)上，通常很難奏效。人工智能要求對(duì)你的商業(yè)環(huán)境和數(shù)據(jù)進(jìn)行量身定制，這正是眼下硝煙彌漫的人工智能人才戰(zhàn)的起因。

至于人工智能模仿人性善惡兩極的潛能，已經(jīng)有許多的討論。然而它對(duì)于每一個(gè)個(gè)體，在未來可見時(shí)間里的最大威脅，可能還是對(duì)一部分人力工種的取代。致力于建造一個(gè)讓每一個(gè)個(gè)體都有繁榮機(jī)會(huì)的世界，是作為企業(yè)領(lǐng)袖的責(zé)任。理解人工智能可以做什么，并將它運(yùn)用到企業(yè)策略中只是一個(gè)開始，而不是結(jié)束。