人工智能变形记.docx

?

?

人工智能变形记

?

?

方弦

不管我们是否愿意，形形色色的人工智能（ArtificialIntelligence，简称AI）早已深入日常生活。对违章车辆车牌的自动识别，网上搜索的自动推荐，懂得自己充电和探索地形的扫地机器人，还有会帮你自动排好日程的智能助理……这一切，将人们从种种无趣的脑力劳动中解放出来，同时也带来了众多机遇和挑战。但鲜为人知的是，在背后支撑这些人工智能的，其实是一个个数学定理和计算机算法。

懂推理的AI

思考向来是人类的专长。通过思考，人类获得了其他动物不具备的能力。自然，人们也想要造出能够辅助思考的机器，以减轻自己的负担，这就是AI的起点。

思考既然如此强大，要模拟它就很困难，于是，人们将起点放在其中比较简单的一部分—逻辑推理。AI最初的一步，就是教会机器逻辑推理的方法，即具体的算法。

但在考虑算法之前，有一个更根本的问题：我们怎么知道逻辑推理一定正确，而正确的命题必定能通过逻辑推理得到吗？换句话说，真理是否一定能被证明？

这个问题属于数理逻辑的范畴，对不同的逻辑系统，答案也不同。幸好，美国数学家哥德尔证明了在所谓“一阶谓词演算”的体系中，答案是肯定的。这个定理铺平了自动逻辑推理的道路。从20世纪60年代开始，各种自动推理系统陆续出现，只要向它们输入以逻辑命题表达的某个领域的知识，它们就摇身一变，成为“专家系统”，并自动进行推理，回答人们提出的相关问题。

作为早期的AI，自动推理系统曾被寄予厚望，但人们逐渐发现它有不少弱点。首先，它需要专家花费宝贵的时间来将知识整理成逻辑命题；其次，这些知识常常充满各种例外，难以用逻辑完全概括。如果勉强去概括的话，得到的就是一个“头脑简单”的AI，虽然能正确应对大多数情况，但面对少数情况时会束手无策甚至闹出笑话。所以，目前它主要被用于一些相对狭隘简单的领域，比如数学和交通调度。怎样才能避免这个缺点呢？

分析数据的AI

专家系统的问题在于，它需要专家为它总结知识。但专家也是人，在整理自己的知识时，难免有疏漏，忽略某些罕见的情况。就像医生遇见感冒症状，并不会一下子想到心肌炎。但医生在结合其他少见的症状后，仍然能做出正确的诊断，这就是人的优势—懂得变通。

那能不能将这个优势移植到AI上呢？还是以医生为例：如果让医生用自己的经验为人工智能编写一部教科书，这将是个艰巨的任务。但医生的经验也体现在诊断结果上，如果能直接从医生经手的病历中学到他们的经验，这不仅节省了时间，还不会漏掉那些不常见但确实会出现的病例。

为了做到这一点，计算机科学家依靠大量线性代数、统计学和概率论的知识，发明了各种各样的算法，从看似杂乱无章的海量数据中提取统计上有意义的规律，这就是统计学习和大数据分析的基础之一。人们利用这些算法，能从互联网无数页面之间的相互链接中推断某个网站的重要性，从而改善网络搜索；也能通过对大量病例的分析，为某些特定的疾病提供早期的发现和诊断；还能从互联网海量的双语对照资料中，得知如何将一种语言翻译为另一种语言。

大数据的应用可谓数不胜数，虽然这些算法本质上属于某种统计方法，做不到绝对可靠，但在实践中它们的表现十分出色。例如IBM研发的AI系统Watson，在阅读大量资料后，摇身一变成为星级客服，能回答顾客各种各样的提问。

但统计学习也有无法解决的问题。比如，要判断一张照片中有没有猫，对于人类来说是小菜一碟，但对于机器来说，图片包含的信息太多，即使对于统计学习，要利用这样的数据还是太棘手了。那么，人类的大脑又是怎么处理这些信息的呢？能不能将这种处理方法搬到机器上呢？

模仿大脑的AI

在人类大脑中，负责处理数据的是上千亿个名为“神经元”的细胞。它们之间通过电脉冲互相传递信息，每个神经元受到一定阈值的刺激，就会向自身连接的其他神经元发送电信号。这些纷繁复杂的信号组成了人类的思维。AI研究者尝试在计算机上重现类似的系统，试图模仿人类思维这一演化的奇迹。这就是所谓的“神经网络”。当然，我们现在仍然无法模拟整个大脑，但即使是数万个神经元组成的系统，能力已经非同凡响。

跟人一样，神经网络也需要利用相应的数据进行大量的学习，才能解决问题，而学习的方法会深刻影响最后的结果。目前，神经网络的研究主要集中于所谓的“前馈神经网络”，数学家证明了它们在理论上足以解决所有问题。为了得到实用的神经网络，科学家利用数学分析中的知识，借鉴人脑的部分结构，设计了特殊的神经网络结构，还有配套的高速并行学习算法，利用大型计算机、显卡以及专用芯片提供的大量计算能力，训练出优秀的神经网络以供应用。只要向训练好的神经网络输入数据，它就能输出相应的计算结果。

尽管人工智能现在已经能解决很多问题，但对它的研究才刚刚开始。之前提到的所有实现人工智能的方法，全都需要处理海量的数据，但反观人类自身，我们能举一反三，不需要阅读整