人工智能的發(fā)展及預(yù)測(cè)學(xué)習(xí)報(bào)告

人工智能的發(fā)展及預(yù)測(cè)學(xué)習(xí)報(bào)告

姓名

人工智能（AritificialIntelligence，AI）是一門(mén)融合了計(jì)

算機(jī)科學(xué)、統(tǒng)學(xué)、腦神經(jīng)學(xué)和社會(huì)科學(xué)的前沿綜合性學(xué)科。它的目標(biāo)

是希望計(jì)算機(jī)擁有像人一樣的智力能力，可以替代人類(lèi)實(shí)現(xiàn)識(shí)別、認(rèn)

知、分類(lèi)和決策等多種功能。

一、實(shí)現(xiàn)人工智能的方法----機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)最基本的做法，是使用算法來(lái)解析數(shù)據(jù)、從中學(xué)習(xí)，然

后對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。與傳統(tǒng)的為解決特定任務(wù)、

硬編碼的軟件程序不同，機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來(lái)“訓(xùn)練”，通過(guò)

各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。

機(jī)器學(xué)習(xí)直接來(lái)源于早期的人工智能領(lǐng)域。傳統(tǒng)算法包括決策樹(shù)

學(xué)習(xí)、推導(dǎo)邏輯規(guī)劃、聚類(lèi)、強(qiáng)化學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等等。眾所周知，

我們還沒(méi)有實(shí)現(xiàn)強(qiáng)人工智能。早期機(jī)器學(xué)習(xí)方法甚至都無(wú)法實(shí)現(xiàn)弱人

工智能。

機(jī)器學(xué)習(xí)最成功的應(yīng)用領(lǐng)域是計(jì)算機(jī)視覺(jué)，雖然也還是需要大量

的手工編碼來(lái)完成工作。人們需要手工編寫(xiě)分類(lèi)器、邊緣檢測(cè)濾波器，

以便讓程序能識(shí)別物體從哪里開(kāi)始，到哪里結(jié)束；寫(xiě)形狀檢測(cè)程序來(lái)

判斷檢測(cè)對(duì)象是不是有八條邊；寫(xiě)分類(lèi)器來(lái)識(shí)別字母“ST-O-P”。使

用以上這些手工編寫(xiě)的分類(lèi)器，人們總算可以開(kāi)發(fā)算法來(lái)感知圖像，

判斷圖像是不是一個(gè)停止標(biāo)志牌。

這個(gè)結(jié)果還算不錯(cuò)，但并不是那種能讓人為之一振的成功。特別

是遇到云霧天，標(biāo)志牌變得不是那么清晰可見(jiàn)，又或者被樹(shù)遮擋一部

分，算法就難以成功了。這就是為什么前一段時(shí)間，計(jì)算機(jī)視覺(jué)的性

能一直無(wú)法接近到人的能力。它太僵化，太容易受環(huán)境條件的干擾。

隨著時(shí)間的推進(jìn)，學(xué)習(xí)算法的發(fā)展改變了一切。

二、實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)—深度學(xué)習(xí)

人工神經(jīng)網(wǎng)絡(luò)（Artificialeuraletworks）是早期機(jī)器學(xué)習(xí)

中的一個(gè)重要的算法，歷經(jīng)數(shù)十年風(fēng)風(fēng)雨雨。神經(jīng)網(wǎng)絡(luò)的原理是受我

們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個(gè)

神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡(luò)具有離

散的層、連接和數(shù)據(jù)傳播的方向。

例如，我們可以把一幅圖像切分成圖像塊，輸入到神經(jīng)網(wǎng)絡(luò)的

第一層。在第一層的每一個(gè)神經(jīng)元都把數(shù)據(jù)傳遞到第二層。第二層的

神經(jīng)元也是完成類(lèi)似的工作，把數(shù)據(jù)傳遞到第三層，以此類(lèi)推，直到

最后一層，然后生成結(jié)果。每一個(gè)神經(jīng)元都為它的輸入分配權(quán)重，這

個(gè)權(quán)重的正確與否與其執(zhí)行的任務(wù)直接相關(guān)。最終的輸出由這些權(quán)重

加總來(lái)決定。我們?nèi)砸酝Ｖ梗⊿top）標(biāo)志牌為例。將一個(gè)停止標(biāo)志牌

圖像的所有元素都打碎，然后用神經(jīng)元進(jìn)行“檢查”：八邊形的外形、

救火車(chē)般的紅顏、鮮明突出的字母、交通標(biāo)志的典型尺寸和靜止不

動(dòng)運(yùn)動(dòng)特性等等。神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論，它到底是不是一個(gè)

停止標(biāo)志牌。神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)所有權(quán)重，給出一個(gè)經(jīng)過(guò)深思熟慮的猜

測(cè)——“概率向量”。這個(gè)例子里，系統(tǒng)可能會(huì)給出這樣的結(jié)果：86%

可能是一個(gè)停止標(biāo)志牌；7%的可能是一個(gè)限速標(biāo)志牌；5%的可能是一

個(gè)風(fēng)箏掛在樹(shù)上等等。然后網(wǎng)絡(luò)結(jié)構(gòu)告知神經(jīng)網(wǎng)絡(luò)，它的結(jié)論是否正

確。即使是這個(gè)例子，也算是比較超前了。直到前不久，神經(jīng)網(wǎng)絡(luò)也

還是為人工智能圈所淡忘。其實(shí)在人工智能出現(xiàn)的早期，神經(jīng)網(wǎng)絡(luò)就

已經(jīng)存在了，但神經(jīng)網(wǎng)絡(luò)對(duì)于“智能”的貢獻(xiàn)微乎其微。主要問(wèn)題是，

即使是最基本的神經(jīng)網(wǎng)絡(luò)，也需要大量的運(yùn)算。神經(jīng)網(wǎng)絡(luò)算法的運(yùn)算

需求難以得到滿(mǎn)足。

不過(guò)，還是有一些虔誠(chéng)的研究團(tuán)隊(duì)，以多倫多大學(xué)的Geoffrey

Hinton為代表，堅(jiān)持研究，實(shí)現(xiàn)了以超算為目標(biāo)的并行算法的運(yùn)行

與概念證明。但也直到GPU得到廣泛應(yīng)用，這些努力才見(jiàn)到成效。我

們回過(guò)頭來(lái)看這個(gè)停止標(biāo)志識(shí)別的例子。神經(jīng)網(wǎng)絡(luò)是調(diào)制、訓(xùn)練出來(lái)

的，時(shí)不時(shí)還是很容易出錯(cuò)的。它最需要的，就是訓(xùn)練。需要成百上

千甚至幾百萬(wàn)張圖像來(lái)訓(xùn)練，直到神經(jīng)元的輸入的權(quán)值都被調(diào)制得十

分精確，無(wú)論是否有霧，晴天還是雨天，每次都能得到正確的結(jié)果。

只有這個(gè)時(shí)候，我們才可以說(shuō)神經(jīng)網(wǎng)絡(luò)成功地自學(xué)習(xí)到一個(gè)停止

標(biāo)志的樣子；或者在Facebook的應(yīng)用里，神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)了你媽媽

的臉；又或者是2012年吳恩達(dá)（Andrewg）教授在Google實(shí)現(xiàn)了

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到貓的樣子等等。

吳教授的突破在于，把這些神經(jīng)網(wǎng)絡(luò)從基礎(chǔ)上顯著地增大了。層

數(shù)非常多，神經(jīng)元也非常多，然后給系統(tǒng)輸入海量的數(shù)據(jù)，來(lái)訓(xùn)練網(wǎng)

絡(luò)。在吳教授這里，數(shù)據(jù)是一千萬(wàn)YouTube視頻中的圖像。吳教授為

深度學(xué)習(xí)（deeplearning）加入了“深度”（deep）。這里的“深

度”就是說(shuō)神經(jīng)網(wǎng)絡(luò)中眾多的層。

現(xiàn)在，經(jīng)過(guò)深度學(xué)習(xí)訓(xùn)練的圖像識(shí)別，在一些場(chǎng)景中甚至可以比

人做得更好：從識(shí)別貓，到辨別血液中癌癥的早期成分，到識(shí)別核磁

共振成像中的腫瘤。Google的AlphaGo先是學(xué)會(huì)了如何下圍棋，然

后與它自己下棋訓(xùn)練。它訓(xùn)練自己神經(jīng)網(wǎng)絡(luò)的方法，就是不斷地與自

己下棋，反復(fù)地下，永不停歇。

三、人工智能的發(fā)展歷程

上圖是人工智能的發(fā)展史，短短的70年間，人工智能的發(fā)展取

得了巨大的成功，并不斷細(xì)化。從機(jī)器學(xué)習(xí)開(kāi)始飛速進(jìn)步，再到深度

學(xué)習(xí)驅(qū)動(dòng)人工智能蓬勃發(fā)展，以至于造成了前所未有的巨大影響。

1956年，幾個(gè)計(jì)算機(jī)科學(xué)家相聚在達(dá)特茅斯會(huì)議（Dartmouth

Conferences），提出了“人工智能”的概念。其后，人工智能就一

直縈繞于人們的腦海之中，并在科研實(shí)驗(yàn)室中慢慢孵化。之后的幾十

年，人工智能一直在兩極反轉(zhuǎn)，或被稱(chēng)作人類(lèi)文明耀眼未來(lái)的預(yù)言；

或者被當(dāng)成技術(shù)瘋子的狂想扔到垃圾堆里。坦白說(shuō)，直到2012年之

前，這兩種聲音還在同時(shí)存在。

過(guò)去幾年，尤其是2015年以來(lái)，人工智能開(kāi)始大爆發(fā)。很大一

部分是由于GPU的廣泛應(yīng)用，使得并行計(jì)算變得更快、更便宜、更有

效。當(dāng)然，無(wú)限拓展的存儲(chǔ)能力和驟然爆發(fā)的數(shù)據(jù)洪流（大數(shù)據(jù)）的

組合拳，也使得圖像數(shù)據(jù)、文本數(shù)據(jù)、交易數(shù)據(jù)、映射數(shù)據(jù)全面海量

爆發(fā)。這些方向的進(jìn)步為包括谷歌、微軟、facebook等國(guó)際互聯(lián)網(wǎng)

巨頭和包括百度、阿里、騰訊等國(guó)內(nèi)人工智能發(fā)展的第一梯隊(duì)帶來(lái)了

巨大的潛在市場(chǎng)價(jià)值。

四、人工智能與人類(lèi)智能較量（從AlphaGo理解預(yù)測(cè)）

以前人們說(shuō)圍棋AI十年內(nèi)打不過(guò)職業(yè)棋手，于是

1、AlphaGoFan贏了樊麾；

2、AlphaGoLee贏了人類(lèi)李世石；

3、AlphaGoLee有各種漏洞，于是AlphaGoMaster連贏60

局，圍棋峰會(huì)毫無(wú)懸念打出3-0，還留下一堆“神”譜；

4、AlphaGoZero自我強(qiáng)化學(xué)習(xí)3天終結(jié)了AlphaGoLee；

這次AlphaZero的出世，意義不止在于研究棋類(lèi)游戲；

它表明深度神經(jīng)網(wǎng)絡(luò)還有大量的潛力有待挖掘，尤其是與

之類(lèi)似的對(duì)抗增強(qiáng)的網(wǎng)絡(luò)模型。

但是，AlphaZero的強(qiáng)化學(xué)習(xí)訓(xùn)練耗費(fèi)了海量的硬件資

源，暗示著想要實(shí)現(xiàn)更強(qiáng)的人工智能還需要更多的計(jì)算力。

有句話(huà)說(shuō)“有多少人工就有多少智能”，所以這次的

AlphaZero短期帶來(lái)的最大影響，可能是AI的各個(gè)研究領(lǐng)

域要開(kāi)始發(fā)展硬件了。

我認(rèn)為人工智能發(fā)展始終圍繞著人類(lèi)的發(fā)展，所謂“較

量”或許終究是人與人的較量、人與未來(lái)的較量，人與落

后的較量。我們應(yīng)保持樂(lè)觀積極的發(fā)展態(tài)度，給人工智能

以摧殘的未來(lái)，同時(shí)，警惕技術(shù)觸及倫理與道德和法律的

底線，我們的明天終會(huì)更加美好！

參考資料：

[1]《機(jī)器學(xué)習(xí)》-周志華