人工智慧何以成為“超強大腦”？

　　人類棋手一滴淚下,為這場似乎一開始便已註定結局的人機圍棋大戰畫上了句號。是什麼給了“阿爾法狗”如此高超的棋藝?是什麼讓人工智慧成為“超強大腦”?答案是演算法。

　　演算法是指由電腦執行的一系列獨立的指令和動作。從初始狀態和初始輸入開始,這些指令描述了完整的計算步驟——通過一系列有限的、確切的指令,産生並輸出答案和數據,最終止于結束狀態。

　　人工智慧的演算法是一套利用機器智慧解決問題的複雜手段。過去,我們給電腦下達規則式的指令來解決問題;現在,我們只要告訴電腦想解決的問題,它就可以自行選擇演算法來解決問題——這便是人工智慧帶來的根本性變革。

　　人工智慧最重要的是學習能力,即根據機器以往的經驗來不斷優化演算法。第一次人工智慧的浪潮始於上世紀70年代,當時的人工智慧演算法採用的是符號邏輯推理規則,以實現知識表徵。由於缺乏自我學習能力,彼時的人工智慧無法解決新領域中出現的問題。第二代人工智慧雖然在學習和感知能力上表現更佳,但由於當時的機器學習模型不具備大量吸收訓練數據的能力,與人類的水準仍有很大差距。

　　大約在10年前,深層與結構化機器學習,或稱為深度學習的新範式,讓人工智慧演算法的智慧程度越來越高。傳統的機器學習方法讓電腦學習的“知識”,要由人來設計並輸入,因為需要掌握大量的專業知識,導致特徵工程成為機器學習的瓶頸。深度學習打破了這一瓶頸,通過多層結構演算法,機器對數據集的“特徵”進行篩選和提取,通過反覆訓練,最終獲得了提取抽象概念的能力。

　　隨著神經網路研究的深入,電腦視覺和聽覺等讓人工智慧技術再次迎來發展的拐點,電腦的演算法也越來越精進。未來,電腦對自然語言的應用還將大幅提高,電腦可以聽懂、讀懂人類平常所用的語言,而不僅僅是機器指令。這樣,存在於網際網路和局域網中的海量資訊,都可以成為深度學習的素材。

　　通過深度學習,人工智慧可以達到近似或超過人類的識別精度。但與人類相比,機器所需要的訓練數據、 能耗和計算資源卻要多得多。從統計學角度看,雖然機器能夠達到的識別精度總體上令人印象深刻,但在個體應用中的表現往往不盡如人意。此外,由於目前大多數深度學習模型不具備推理和解釋能力,因而無法預測和提前防範嚴重錯誤的出現。

　　在提高人工智慧學習能力的過程中,科學家和研究者們從未放鬆過對與之相關的倫理道德問題的思考。例如美國電氣與電子工程師協會(IEEE)去年便發佈了全球首個《人工智慧道德準則設計草案》,力求讓人工智慧更好地為人類服務。相信隨著未來在範式、演算法和硬體領域不斷出現新的突破,人工智慧的浪潮將深刻影響人類的生活方式。