作者：王天一

一批人認(rèn)為可以通過(guò)模擬大腦的結(jié)構(gòu)（神經(jīng)網(wǎng)絡(luò)）來(lái)實(shí)現(xiàn)，而另一批人則認(rèn)為可以從那些簡(jiǎn)單生物體與環(huán)境互動(dòng)的模式中尋找答案。他們分別被稱為連接學(xué)派和行為學(xué)派。與此相對(duì)，傳統(tǒng)的人工智能則被統(tǒng)稱為符號(hào)學(xué)派。自20世紀(jì)80年代到90年代的十年間，這三大學(xué)派形成了三足鼎立的局面。

人機(jī)大戰(zhàn)是符號(hào)主義學(xué)派人工智能的標(biāo)志性應(yīng)用。

連接主義學(xué)派并不認(rèn)為人工智能源于數(shù)理邏輯，也不認(rèn)為智能的關(guān)鍵在于思維方式。這一學(xué)派把智能建立在神經(jīng)生理學(xué)和認(rèn)知科學(xué)的基礎(chǔ)上，強(qiáng)調(diào)智能活動(dòng)是由大量簡(jiǎn)單的單元通過(guò)復(fù)雜的相互連接后并行運(yùn)行的結(jié)果。

連接主義學(xué)派最主要的成果是人工神經(jīng)網(wǎng)絡(luò)技術(shù)。

但連接主義學(xué)派依然面臨著難以解決的問(wèn)題：科學(xué)家們雖然會(huì)向大腦學(xué)習(xí)如何構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，卻根本不清楚這些神經(jīng)網(wǎng)絡(luò)究竟是如何工作的。智能仍然躲在黑盒子里，深藏不露。

行為主義學(xué)派的出發(fā)點(diǎn)與符號(hào)主義學(xué)派和連接主義學(xué)派完全不同，他們認(rèn)為人工智能源于由美國(guó)數(shù)學(xué)家諾伯特·維納（Nor-bert Wiener）建立的全新學(xué)科——控制論。

根據(jù)感覺(jué)同態(tài)原理，事物性質(zhì)（或質(zhì)的定性）由此而產(chǎn)生的模糊性、非單調(diào)性和矛盾性等各種不確定性，不僅要同態(tài)地映射到人的感知記憶集中，而且，要在人的各種思維活動(dòng)中反映出來(lái)。也就是說(shuō)，所謂人類思維與智能的各種不確定性，實(shí)質(zhì)上只是事物性質(zhì)（或質(zhì)的定性）的各種不確定性的表現(xiàn)而已。

進(jìn)化是個(gè)修補(bǔ)匠，而不是工程師?？烧切扪a(bǔ)匠的縫縫補(bǔ)補(bǔ)，補(bǔ)出了宇宙中最令人嘆為觀止的智能奇跡。

驗(yàn)證碼的出現(xiàn)恰是人類智能絕妙的體現(xiàn)：識(shí)字的小朋友都能完成的任務(wù)，迄今為止卻沒(méi)有任何計(jì)算機(jī)算法能夠做到。

學(xué)習(xí)、歸納與推理 ——這才是人工智能。

選擇性注意機(jī)制的生理學(xué)基礎(chǔ)是模塊化的層次結(jié)構(gòu)和分布式表征。

智能是主體在各種各樣的紛繁復(fù)雜的環(huán)境中實(shí)現(xiàn)目標(biāo)的能力。

得到的結(jié)果就是通用歸納模型和序貫決策理論的結(jié)合。通用歸納將歸納轉(zhuǎn)化為預(yù)測(cè)，而預(yù)測(cè)的關(guān)鍵是對(duì)數(shù)據(jù)的建模或編碼表示，預(yù)測(cè)的精度依賴于對(duì)模式的掌握程度。諸如分類、類比、聯(lián)想、泛化等與智能相關(guān)的要素，都可以被廣義地理解為對(duì)模式的追求，對(duì)計(jì)算機(jī)而言則是找尋最優(yōu)編碼。但找尋最優(yōu)編碼的過(guò)程無(wú)法通過(guò)解析方式執(zhí)行，只能通過(guò)試錯(cuò)不斷逼近。其核心是用可控的主觀概率代替未知的客觀概率，不同的主觀概率則來(lái)源于對(duì)描述客觀世界的不同算法的反向推演。

歸納是一個(gè)不斷試錯(cuò)的學(xué)習(xí)過(guò)程，算法概率使得我們可以根據(jù)經(jīng)驗(yàn)不斷修正信念、逼近真實(shí)的客觀概率，再借助序貫決策理論。

幫助我們追逐效用，能夠自動(dòng)適應(yīng)各種可能環(huán)境的超級(jí)智能體就橫空出世了。

深藍(lán)的核心在于”算”：利用強(qiáng)大的計(jì)算資源來(lái)優(yōu)化目標(biāo)函數(shù)。

它使用了兩個(gè)各司其職的神經(jīng)網(wǎng)絡(luò)：策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)。

如果說(shuō)策略網(wǎng)絡(luò)關(guān)注的核心是“知彼”，價(jià)值網(wǎng)絡(luò)關(guān)注的就是“知己”：在當(dāng)前的局勢(shì)下，我下在哪個(gè)位置能得到最大的勝算。

最初的一步 ——模式識(shí)別。

模式空間。

特征空間。

關(guān)于神經(jīng)網(wǎng)絡(luò)的作用，在國(guó)外的問(wèn)答網(wǎng)站Quora上有非常通俗的描述：如果你去買芒果，但又不知道什么樣的芒果最好吃，最簡(jiǎn)單的方法就是每一個(gè)都親口嘗一嘗，吃完就知道個(gè)頭大、顏色深的比較好吃，再買的時(shí)候選這種就行了。要是把這個(gè)方法套用到計(jì)算機(jī)上，讓計(jì)算機(jī)“嘗”一遍所有芒果，它就能夠總結(jié)出關(guān)于芒果好吃判斷標(biāo)準(zhǔn)的一套規(guī)律。有了這套規(guī)律后，一旦把新芒果的特征輸入計(jì)算機(jī)，計(jì)算機(jī)就能夠根據(jù)已有規(guī)則判斷出芒果的好壞，豈不美哉。

神經(jīng)元的實(shí)質(zhì)就是分類器，它把由所有輸入信號(hào)構(gòu)成的空間一分為二，兩邊的元素分別屬于不同的類。

人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)本質(zhì)是一種特殊的有向圖，這個(gè)有向圖可以由一層或多層節(jié)點(diǎn)組成，每一層的節(jié)點(diǎn)都通過(guò)有向弧指向上一層的節(jié)點(diǎn)，每一條有向弧都用一個(gè)權(quán)值來(lái)描述，同一層的節(jié)點(diǎn)之間則并無(wú)連接。

人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量由三個(gè)要素決定：網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)函數(shù)，訓(xùn)練數(shù)據(jù)的質(zhì)量和完備性、訓(xùn)練方法的合理性。

深度學(xué)習(xí)又被稱為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network），其基礎(chǔ)也是人工神經(jīng)網(wǎng)絡(luò)，“深度”則體現(xiàn)在神經(jīng)網(wǎng)絡(luò)的層數(shù)以及每一層的節(jié)點(diǎn)數(shù)量。

深度學(xué)習(xí)從原始自然信號(hào)中提取特征完成任務(wù)的過(guò)程是個(gè)“黑盒子”，缺乏可解釋性，類似于哺乳動(dòng)物的低級(jí)認(rèn)知功能。

從工業(yè)時(shí)代到信息時(shí)代的轉(zhuǎn)變，是從機(jī)械思維到數(shù)據(jù)思維的轉(zhuǎn)變。

所謂機(jī)械思維，是指建立在思辨的邏輯推理基礎(chǔ)上的思維方式。

20世紀(jì)初量子力學(xué)的誕生與發(fā)展迫使人們接受了微觀世界這個(gè)全新的觀察視角，同時(shí)也不得不承認(rèn)不確定性才是世界的本質(zhì)。

消除不確定性的唯一方法就是引入信息。

而大數(shù)據(jù)的出現(xiàn)，意味著信息時(shí)代最有力的工具已經(jīng)悄然到來(lái)，更意味著信息時(shí)代的下一次進(jìn)化。

大數(shù)據(jù)是指以容量大、類型多、存取速度快、應(yīng)用價(jià)值高為主要特征的數(shù)據(jù)集合。

大數(shù)據(jù)的出現(xiàn)顛覆了原有的認(rèn)知模式：認(rèn)識(shí)事物的方式變成了先尋找相關(guān)關(guān)系，再尋找因果關(guān)系。

在大數(shù)據(jù)時(shí)代，只要知其然就已經(jīng)足夠了。

情感、直覺(jué)和情緒并不是與智能不同的東西，而只是另一種人類特有的思維方式。情感是先于理智存在的，人工智能只有智力，沒(méi)有情感，不是真正的智能。

人類的情感，就是人類主體對(duì)于客觀事物的價(jià)值關(guān)系的一種主觀反映。

人們猛然醒覺(jué)人工智能的發(fā)展離不開(kāi)神經(jīng)科學(xué)與心理學(xué)，下一個(gè)技術(shù)突破必將來(lái)源于對(duì)情感和情緒的了解，這無(wú)疑是現(xiàn)有人工智能的瓶頸。

所謂情感計(jì)算，意在通過(guò)賦予計(jì)算機(jī)識(shí)別、理解、表達(dá)和適應(yīng)人的情感的能力，來(lái)建立和諧的人機(jī)環(huán)境，并使計(jì)算機(jī)具有更高的、更全面的智能。

這也是為什么我們?nèi)匀徽嬲\(chéng)地相信，創(chuàng)造性和想象力將會(huì)是人類最后的陣地。

人工智能會(huì)誘導(dǎo)人自愿放棄思考的權(quán)利，用種種潛在的鎖鏈塑造出一條看不見(jiàn)的流水線，用數(shù)據(jù)和算法生產(chǎn)出一個(gè)真實(shí)的“人”。

它如此事無(wú)巨細(xì)地影響著我的生活體驗(yàn)，會(huì)不會(huì)有一天變成由它來(lái)決定我喜歡什么。我想我們都希望能做智能的主人，而不是智能的奴隸。

1993年7月5日的《紐約客（New Yorker）》上配發(fā)的題為“在互聯(lián)網(wǎng)上，沒(méi)人知道你是條狗！”的漫畫(huà)，成為對(duì)網(wǎng)絡(luò)空間虛擬性的絕妙嘲諷。

虛擬現(xiàn)實(shí)通過(guò)欺騙我們的大腦，進(jìn)而控制我們的意識(shí)。一旦進(jìn)入這個(gè)虛擬的世界，你就會(huì)身不由己地被它操作。

人類通常會(huì)把一個(gè)句子視為整體，即使對(duì)其進(jìn)行拆分也并不簡(jiǎn)單地依賴字詞，而是根據(jù)邏輯關(guān)系進(jìn)行處理。這使得人類翻譯非常靈活。

即通過(guò)學(xué)習(xí)一個(gè)非線性投影函數(shù)，把圖像空間投影到特征空間中。在這個(gè)特征空間里，跨年齡的同一個(gè)人的兩張人臉的距離會(huì)比不同人的相似年齡的兩張人臉的距離要小。

降維算法的應(yīng)用開(kāi)啟了人工智能對(duì)推薦系統(tǒng)的改造。

人工智能中的負(fù)反饋 ——強(qiáng)化學(xué)習(xí)。

當(dāng)然，我們的描述只用了寥寥百余字，但這百余字背后是百萬(wàn)行數(shù)量級(jí)的復(fù)雜代碼，其實(shí)現(xiàn)實(shí)過(guò)程非常復(fù)雜。

司馬賀對(duì)學(xué)習(xí)給出了一個(gè)簡(jiǎn)單的定義：性能的改進(jìn)就是學(xué)習(xí)。

Deep Mind將深度神經(jīng)網(wǎng)絡(luò)與所有動(dòng)物都有的通過(guò)大腦多巴胺驅(qū)動(dòng)獎(jiǎng)勵(lì)機(jī)制的“強(qiáng)化學(xué)習(xí)（Re-inforcement Learning）”結(jié)合起來(lái)，在神經(jīng)圖靈機(jī)、人工智能輔助醫(yī)療以及人工智能安全等方向上取得了頗多建樹(shù)。