看得見(jiàn)的“學(xué)習(xí)”成果

詹姆斯·馬圭爾

雖然人工智能常常被認(rèn)為是超未來(lái)的技術(shù)，但它已經(jīng)滲透到了日常生活中，甚至已司空見(jiàn)慣。

當(dāng)你用谷歌搜索東西、使用地圖軟件、在亞馬遜上購(gòu)物，或者對(duì)智能手機(jī)中的語(yǔ)音識(shí)別軟件說(shuō)話，其實(shí)都在使用人工智能。當(dāng)你登錄到Facebook，欣賞那些可愛(ài)的嬰兒照片，人工智能都在塑造你的體驗(yàn)。

所有這些應(yīng)用的背后都使用了算法，算法本質(zhì)上是形成分析過(guò)程的一組規(guī)則，能夠?qū)ψ兞枯斎胱龀鲰憫?yīng)。如今的算法，尤其是來(lái)自亞馬遜和Facebook等巨頭的算法，響應(yīng)速度快，還不斷學(xué)習(xí)。它們事先經(jīng)過(guò)編程，可采集來(lái)自用戶(hù)的更準(zhǔn)確的響應(yīng)；也就是說(shuō)，結(jié)果是為控制算法的那些廠商服務(wù)的。

了解和響應(yīng)

當(dāng)你在亞馬遜上購(gòu)物時(shí)，算法在后臺(tái)基于一個(gè)包含眾多購(gòu)買(mǎi)模式的龐大數(shù)據(jù)庫(kù)，執(zhí)行異常高級(jí)的運(yùn)算，之后決定將什么產(chǎn)品展示在你面前。它實(shí)時(shí)響應(yīng)你的點(diǎn)擊軌跡。

你可能覺(jué)得，有一個(gè)活生生的私人購(gòu)物助手是最好不過(guò)的選擇；她了解潮流，對(duì)你本人很了解。可是人工智能技術(shù)廠商Ayasdi的首席營(yíng)銷(xiāo)官丹尼爾·德魯克（Daniel Druker）表示，這樣的私人購(gòu)物助手與亞馬遜沒(méi)法比。亞馬遜“利用人工智能，結(jié)合你之前的購(gòu)買(mǎi)活動(dòng)，從100萬(wàn)件商品中推測(cè)眼下哪些商品最能吸引你的眼球。沒(méi)有哪個(gè)人能做到這一點(diǎn)。”

在Facebook上，出現(xiàn)在你個(gè)人動(dòng)態(tài)（feed）中的朋友不多，那是因?yàn)镕acebook的人工智能算法知道：你受不了個(gè)人動(dòng)態(tài)內(nèi)容太多的情況。于是，F(xiàn)acebook使用人工智能，對(duì)你關(guān)于私人關(guān)系圈的訊號(hào)做出敏感的反應(yīng)，打造你的個(gè)人動(dòng)態(tài)，建立起一種更有效的情感聯(lián)系。要是你以為人工智能冷若冰霜、缺乏人情味，F(xiàn)acebook用它來(lái)窺視你的內(nèi)心（以及Facebook另外12.3億日常用戶(hù)的內(nèi)心）。它威力強(qiáng)大，說(shuō)Facebook人工智能影響了美國(guó)總統(tǒng)大選毫不為過(guò)。

盡管人工智能目前具有巨大的影響力，但它仍被看作是太過(guò)遙遠(yuǎn)的一項(xiàng)神奇技術(shù)。人工智能技術(shù)廠商Sentient Technologies的創(chuàng)始人兼首席科學(xué)家巴巴克·霍加特 （Babak Hodjat）說(shuō)：“算法或應(yīng)用有多誘人、多新潮、多強(qiáng)大，并不重要。我常常出去介紹這些系統(tǒng)時(shí)，人們總是會(huì)說(shuō)‘是的，那很智能、那很酷，但這不是人工智能。”

人們之所以會(huì)有這種懷疑，是因?yàn)椤捌胀ü姸菑臉I(yè)人士常常誤以為人工智能是包含情感智能、創(chuàng)造力、自主性等一系列能力的人類(lèi)級(jí)一般智能。”霍加特說(shuō)，因而，人工智能“總是被認(rèn)為是我們會(huì)發(fā)明的下一大技術(shù)。我認(rèn)為，今后10年至15年還會(huì)是這種情況。”

他表示，在許多當(dāng)前的應(yīng)用中，人工智能比人類(lèi)更強(qiáng)大。“你只要說(shuō)一個(gè)方面，我可以告訴你這個(gè)方面是如何實(shí)施的、如何比人類(lèi)更強(qiáng)大。起碼，人工智能運(yùn)行起來(lái)更快，所以當(dāng)下人工智能的決策和行動(dòng)周期要比人類(lèi)響應(yīng)世界的速度快得多。”

人工智能在過(guò)去幾年得到了突飛猛進(jìn)的發(fā)展。百度硅谷人工智能實(shí)驗(yàn)室主任亞當(dāng)·科茨（Adam Coates）說(shuō)：“這在10年前是很難實(shí)現(xiàn)的。當(dāng)然，未來(lái)幾年，我們認(rèn)為在人類(lèi)非常擅長(zhǎng)處理、但計(jì)算機(jī)向來(lái)不擅長(zhǎng)的許多問(wèn)題上，人工智能會(huì)取得巨大進(jìn)展。比如說(shuō)，識(shí)別圖像中的實(shí)體，或者理解語(yǔ)音、對(duì)口語(yǔ)做出響應(yīng)，那些是深度學(xué)習(xí)和人工智能技術(shù)在未來(lái)幾年會(huì)持續(xù)改進(jìn)的問(wèn)題。”

推動(dòng)與向前

什么功能在推動(dòng)這些進(jìn)展？人工智能必須獲得什么樣的功能才能向前發(fā)展？

皮特·阿貝爾（Pieter Abbeel）是加州大學(xué)伯克利分校的計(jì)算機(jī)科學(xué)系教授，也是人工智能教育初創(chuàng)公司Gradescope的聯(lián)合創(chuàng)始人。他表示，首先，人工智能系統(tǒng)需要能夠在沒(méi)有人類(lèi)干預(yù)的情況下自主學(xué)習(xí)。此外，它還在被告知諸如“你從這個(gè)角度堆方塊，也許效果會(huì)更好”之類(lèi)的信息時(shí)，應(yīng)該有溝通和理解能力。“要是它無(wú)法領(lǐng)會(huì)這樣的信息，我們不會(huì)認(rèn)為它具有真正的智能。”

人類(lèi)（至少理論上）能夠利用過(guò)去的經(jīng)驗(yàn)來(lái)推斷和處理新環(huán)境，在這方面機(jī)器人則差的很遠(yuǎn)。為機(jī)器人編程、以便它在有限的環(huán)境下提供輔助要容易得多。人工智能科學(xué)家們想為機(jī)器人編程，以便處理相關(guān)的變化。

阿貝爾說(shuō)：“它們需要運(yùn)用過(guò)去獲得的經(jīng)驗(yàn)，推廣到不一樣但相類(lèi)似的新場(chǎng)景，了解這種關(guān)聯(lián)性。我對(duì)于機(jī)器人如何能真正從頭開(kāi)始學(xué)會(huì)做事很感興趣。”從頭開(kāi)始學(xué)起是人類(lèi)特有的能力；如果機(jī)器人能夠真正做到填補(bǔ)其空白，它有望成為獨(dú)立的個(gè)體。

但人工智能機(jī)器人的“學(xué)習(xí)能力”可能有許多不同的方式來(lái)定義，一些是很普通的“嘗試和獎(jiǎng)勵(lì)”方式，類(lèi)似于教狗學(xué)新花招。比如說(shuō)，人工智能強(qiáng)化學(xué)習(xí)可編寫(xiě)機(jī)器人的軟件，從試錯(cuò)過(guò)程中學(xué)習(xí)。加州大學(xué)伯克利分校的BRETT機(jī)器人基于行動(dòng)后獎(jiǎng)勵(lì)的多少來(lái)使用強(qiáng)化學(xué)習(xí)技術(shù)。阿貝爾說(shuō)：“獎(jiǎng)勵(lì)的變化讓該機(jī)器人得以分辨什么是好的，什么是不好的，進(jìn)而重點(diǎn)采用獲得獎(jiǎng)勵(lì)多的策略。”

與之相仿，人工智能科學(xué)家使用監(jiān)督式學(xué)習(xí)，為計(jì)算機(jī)饋送標(biāo)記輸入（這些是貓，這些是狗）的許多實(shí)例，并給出明確的目標(biāo)輸出（這是貓還是狗？）。非監(jiān)督式學(xué)習(xí)給計(jì)算機(jī)饋送非標(biāo)記數(shù)據(jù)（比如說(shuō)許多動(dòng)物的照片），計(jì)算機(jī)進(jìn)行分類(lèi)，或者以其他方式為該數(shù)據(jù)定義結(jié)構(gòu)模型（這些動(dòng)物身上的毛比其他這些動(dòng)物多得多）。科茨表示，非監(jiān)督式學(xué)習(xí)是“非常重要的研究熱點(diǎn)，因?yàn)槲覀冎廊祟?lèi)所做的在很大程度上是非監(jiān)督式學(xué)習(xí)。”

人工智能“學(xué)習(xí)”的核心是神經(jīng)網(wǎng)絡(luò)，它類(lèi)似人類(lèi)大腦。跟大腦一樣，面對(duì)更多的輸入，神經(jīng)網(wǎng)絡(luò)會(huì)自我調(diào)整。阿貝爾說(shuō)：“你展示足夠多的那些實(shí)例，神經(jīng)網(wǎng)絡(luò)就會(huì)自我調(diào)整，說(shuō)‘針對(duì)那個(gè)輸入，我需要那個(gè)輸出；所以，要做到這一點(diǎn)，唯一的途徑是，我需要調(diào)整聯(lián)系的部分強(qiáng)度，那樣我才能搞好那種對(duì)應(yīng)。所以，在某種意義上，你在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，是讓計(jì)算機(jī)學(xué)習(xí)它的計(jì)算機(jī)程序，而不是將計(jì)算程序編入到里面。”

科茨解釋?zhuān)贿^(guò)打造神經(jīng)網(wǎng)絡(luò)并非易事。“一大挑戰(zhàn)在于，我們不是非常清楚如何僅憑一些非標(biāo)記、非結(jié)構(gòu)化的數(shù)據(jù)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。我們不知道如何量化神經(jīng)網(wǎng)絡(luò)在處理這些種類(lèi)的任務(wù)中的好壞。等到我們?cè)谶@方面有了發(fā)現(xiàn)，那將是一大進(jìn)步。但我們還沒(méi)有到那一步。所以，這離人類(lèi)智能相差甚遠(yuǎn)。”

雖然人工智能還不是人類(lèi)智能，但像谷歌的DeepMind這些人工智能領(lǐng)導(dǎo)者表明了，人工智能學(xué)習(xí)的響應(yīng)速度有多快。比如說(shuō)，一臺(tái)計(jì)算機(jī)想玩好井字棋游戲，不需要什么特殊的智能；這個(gè)游戲很簡(jiǎn)單，計(jì)算機(jī)憑蠻力（計(jì)算能力）即可取勝。阿貝爾說(shuō)，相比之下，DeepMind玩經(jīng)典的雅達(dá)利游戲《打磚塊》時(shí)，它“實(shí)際上得學(xué)習(xí)概念”。DeepMind在學(xué)會(huì)玩的過(guò)程中，“知道要學(xué)習(xí)視覺(jué)系統(tǒng)，要學(xué)習(xí)基于操縱桿動(dòng)作的運(yùn)動(dòng)控制。其神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)響應(yīng)多個(gè)變量的能力不亞于人類(lèi)。

隨著神經(jīng)網(wǎng)絡(luò)技術(shù)不斷改進(jìn)，人工智能學(xué)習(xí)變得更像人類(lèi)。不過(guò)作為一名人工智能未來(lái)學(xué)家，阿貝爾設(shè)想有朝一日，可以把教人類(lèi)學(xué)生的人類(lèi)專(zhuān)家擁有的所有微妙特征和個(gè)人洞察力統(tǒng)統(tǒng)教給機(jī)器人。比如說(shuō)，就像職業(yè)籃球員教初學(xué)者：“投籃的時(shí)候雙眼盯著籃筐……利用籃板有好處。”也就是說(shuō)，像人類(lèi)那樣有無(wú)數(shù)種響應(yīng)方式。“現(xiàn)階段遠(yuǎn)未能做到這點(diǎn)，但那是你希望未來(lái)會(huì)出現(xiàn)的一幕。” 阿貝爾說(shuō)。