请选择 进入手机版 | 继续访问电脑版
开启辅助访问
链路首页链路财经目前收录 币种 : 4908 交易所 : 310钱包 : 17 24H 交易量 : $43,403,137,051 总市值 : $245,388,183,835
2019
08/13
06:47
分享
评论

  • 毋庸讳言,深度学习绝对不是人工智能领域的唯一解决方案,二者之间也无法画上等号。但说深度学习是当今乃至未来很长一段时间内引领人工智能发展的核心技术,则一点儿也不为过。

    深度学习可不是一下子从石头缝里蹦出来、横空出世的大神,它的历史几乎和人工智能的历史一样长。2000年后,计算机产业的发展带来了计算性能、处理能力的大幅提高,尤其是以谷歌为代表的前沿企业在分布式计算上取得了深厚积累,成千上万台计算机组成的大规模计算集群早已不再是稀罕物。而互联网产业的发展则使搜索引擎、电子商务等公司聚集了数以亿计的高质量的海量数据。大计算能力和大数据,正是深度学习这件深藏不露的千古神兵所等待的两大时机。

    我们可以由今天的深度学习追溯到它的核心计算模型——人工神经网络的诞生之日。早在通用计算机问世前的1943年,神经科学家沃伦·麦卡洛克(Warren Mc Culloch)和沃尔特·彼茨(Walter Pitts)就提出了一种大胆假说,描述了人类神经节沿着网状结构传递和处理信息的模型。这一假说一方面被神经科学家用于研究人类的感知原理;另一方面则被计算机科学家们借鉴,用于人工智能的相关研究。后者也被学术界称为人工神经网络。

    2006年是深度学习发展史上的分水岭。此前提过,杰弗里·辛顿在这一年发表了《一种深度置信网络的快速学习算法》及其他几篇重要论文,其他深度学习领域的泰斗、大师们也在这一年前后贡献了一批重要的学术文章,在基本理论方面取得了若干重大突破。深度学习也由此进入了高速发展的全盛期。

    深度学习能够大展身手的两个前提条件——强大的计算能力和高质量的大数据,都是在2010年前后逐渐步入成熟的。深度学习、大规模计算、大数据三位一体,神兵出世,一下子就可以摧城拔寨、无坚不摧。其中,最有代表性的事件,就是谷歌大脑(Google Brain)的建立,以及谷歌、Facebook、百度等一大批顶尖科技公司纷纷将“人工智能优先”设定为公司的科技发展战略。

    谷歌大脑是谷歌公司人工智能优先战略的核心,也是类似谷歌这样的顶级科技公司在人工智能方面全力投入的一个缩影。国内的高科技企业,如百度、阿里、腾讯、华为、小米、搜狗、滴滴、今日头条等,都在近年纷纷建立了人工智能研究团队,搭建了类似谷歌大脑的大规模深度学习集群,而这些集群已经在诸多产品中发挥着深度学习的神奇效能。

    从根本上来说,深度学习和所有机器学习方法一样,是一种用数学模型对真实世界中的特定问题进行建模,以解决该领域内相似问题的过程。用专业的术语来说,计算机用来学习的、反复看的图片叫“训练数据集”;“训练数据集”中,一类数据区别于另一类数据的不同方面的属性或特质,叫作“特征”;计算机在“大脑”中总结规律的过程,叫“建模”;计算机在“大脑”中总结出的规律,就是我们常说的“模型”;而计算机通过反复看图,总结出规律,然后学会认字的过程,就叫“机器学习”。

    当然,这种基于决策树的学习方法太简单了,很难扩展,也很难适应现实世界的不同情况。于是,科学家和工程师们陆续发明出了许许多多不同的机器学习方法。

    简单地说,深度学习就是把计算机要学习的东西看成一大堆数据,把这些数据丢进一个复杂的、包含多个层级的数据处理网络(深度神经网络),然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合,就保留这个网络作为目标模型,如果不符合,就一次次地、锲而不舍地调整网络的参数设置,直到输出满足要求为止。

    深度学习大致就是这么一个用人类的数学知识与计算机算法构建起整体架构,再结合尽可能多的训练数据以及计算机的大规模运算能力去调节内部参数,尽可能逼近问题目标的半理论、半经验的建模方式。指导深度学习的基本是一种实用主义的思想。

    目前的深度学习主要是建立在大数据的基础上,即对大数据进行训练,并从中归纳出可以被计算机运用在类似数据上的知识或规律

    根据马丁·希尔伯特(Martin Hilbert)的总结49,今天我们常说的大数据其实是在2000年后,因为信息交换、信息存储、信息处理三个方面能力的大幅增长而产生的数据:·信息交换:据估算,从1986年到2007年这20年间,地球上每天可以通过既有信息通道交换的信息数量增长了约217倍,这些信息的数字化程度,则从1986年的约20%增长到2007年的约99.9%。信息存储:全球信息存储能力大约每3年翻一番。从1986年到2007年这20年间,全球信息存储能力增加了约120倍,所存储信息的数字化程度也从1986年的约1%增长到2007年的约94%。·信息处理:有了海量的信息获取能力和信息存储能力,我们也必须有对这些信息进行整理、加工和分析的能力。

    从应用角度来说,今天的大数据越来越多地呈现出以下一种或几种特性:大数据越来越多地来源于生产或服务过程的副产品,但在价值上却往往超过了为了特定目的专门采集的数据。大数据往往可以取代传统意义上的抽样调查。许多大数据都可以实时获取。大数据往往混合了来自多个数据源的多维度信息,聚合更多数据源,增加数据维度,这是提高大数据价值的好办法。大数据的价值在于数据分析以及分析基础上的数据挖掘和智能决策。大数据的拥有者只有基于大数据建立有效的模型和工具,才能充分发挥大数据的价值。

    人工智能时代,深度学习和大数据成了密不可分的一对儿。深度学习可以从大数据中挖掘出以往难以想象的有价值的数据、知识或规律。简单来说,有足够的数据作为深度学习的输入,计算机就可以学会以往只有人类才能理解的概念或知识,然后再将这些概念或知识应用到之前从来没有看见过的新数据上。

    任何拥有大数据的领域,我们都可以找到深度学习一展身手的空间,都可以做出高质量的人工智能应用。任何有大数据的领域,都有创业的机会。需要注意的是,大数据和人工智能的结合也可能给信息流通和社会公平带来威胁。此外,在大数据发挥作用的同时,人工智能研发者也一定不要忘了,大数据的应用必然带来个人隐私保护方面的挑战。

    有效、合法、合理地收集、利用、保护大数据,是人工智能时代的基本要求,需要政府、企业、个人三方共同协作,既保证大规模信息的正常流动、存储和处理,又避免个人隐私被滥用或被泄露。

    杰弗里·辛顿与约书亚·本吉奥、扬·勒丘恩有时也被称为深度学习领域的“三巨头”。现在,杰弗里·辛顿一半时间在多伦多大学教书,一半时间在谷歌建设著名的谷歌大脑。2013年,扬·勒丘恩加入Facebook,领导Facebook的人工智能实验室。约书亚·本吉奥的许多项研究成果对深度学习的复兴意义重大,例如,他在自然语言处理的方向上建树颇多,研究成果直接推动了近年来语音识别、机器翻译等方向的发展。

    2006年到2012年,主流围棋对弈软件的棋力从业余二段猛升到业余五段甚至业余六段,但也就此停滞不前。Alpha Go出现前,围棋界专家对围棋对弈软件棋力的评估基本比较一致,大多认为最好的计算机程序已可以和业余高手过招,但和职业选手之间,还是有着本质的差别。

    从围棋角度说,Alpha Go最震撼的是计算机在人类传统认为极其玄妙的、电脑无法掌握的“大局观”上突飞猛进,远远将人类选手甩在身后。电脑计算“大局观”的方式,和人类培养“大局观”的思路,有根本的差别。人类不可能在这方面赶上电脑。

    从人工智能技术的角度说,Alpha Go用的是AI领域应用非常普遍的算法:深度学习、蒙特卡洛算法、增强学习等。可以说,机器视觉相关的深度学习技术,包含环境—决策—反馈的智能系统,里面都有Alpha Go的影子。当然,直接的代码实现层面,肯定没有复制、粘贴这样直接借用的关系,因为Alpha Go的深度学习模型毕竟是围绕围棋的特征建立的。

    站在Alpha Go背后的,是一个名叫Deep Mind的团队。这是谷歌公司于2014年收购的英国人工智能团队。在所有优秀的人工智能技术团队中,Deep Mind无疑是最有潜力之一的。不得不承认,他们是一个真正有梦想也真正关注人类未来的技术团队。Deep Mind的目标显然不是游戏本身。正如哈萨比斯在诸多场合所说过的那样,Deep Mind希望利用在游戏中证明过的技术,帮助人类解决计算机辅助医疗等更为复杂的问题。但游戏与Deep Mind的结缘,确实为这个独具特色的人工智能团队贴上了鲜明的标签。

    计算机在德州扑克领域取得的成功,让包括我在内的人工智能研究者都非常振奋,这主要有以下两个原因:·和围棋不同,在德州扑克的牌桌上,人工智能与人类选手一样,都只能看到部分信息。这种情况下,没有所谓的唯一的、最佳的打法。·Libratus基本是从零开始学习德州扑克策略,且主要依靠自我对局来学习。这对利用人工智能解决更为广泛的现实问题意义重大。

    弱人工智能(Weak AI) 也称限制领域人工智能(Narrow AI)或应用型人工智能(Applied AI),指的是专注于且只能解决特定领域问题的人工智能。毫无疑问,今天我们看到的所有人工智能算法和应用都属于弱人工智能的范畴。Alpha Go是弱人工智能的一个最好实例。

    强人工智能(Strong AI) 强人工智能又称通用人工智能(Artificial general intelligence)或完全人工智能(Full AI),指的是可以胜任人类所有工作的人工智能。一般认为,一个可以称得上强人工智能的程序,大概需要具备以下几方面的能力:1)存在不确定因素时进行推理,使用策略,解决问题,制定决策的能 力;2)知识表示的能力,包括常识性知识的表示能力;3)规划能力;4)学习能力;5)使用自然语言进行交流沟通的能力;6)将上述能力整合起来实现既定目标的能力

    超人工智能(Superintelligence) 假设计算机程序通过不断发展,可以比世界上最聪明、最有天赋的人类还聪明,那么,由此产生的人工智能系统就可以被称为超人工智能。

    也就是说,一个具备了人类水平认知能力和学习能力的机器,可以借助比人类强大得多的计算资源、网络资源甚至互联网知识库以及永不疲倦、不需要吃饭睡觉的特点,无休止地学习、迭代下去,并在令人吃惊的极短时间内,完成从强人工智能到超人工智能的跃迁!

    正如原本受摩尔定律左右的芯片性能发展已遭遇技术瓶颈那样,人工智能在从弱人工智能发展到强人工智能的道路上,未必就是一帆风顺的。从技术角度说,弱人工智能与强人工智能之间的鸿沟可能远比我们目前所能想象的要大得多。而且,最重要的是,由于基础科学(如物理学和生物学)尚缺乏对人类智慧和意识的精确描述,从弱人工智能发展到强人工智能,其间有很大概率存在难以在短期内解决的技术难题。

    如果说这个世界上还有几家纯粹理想主义的公司的话,Open AI一定算一个。Open AI一面聚集了一批AI领域的顶尖高手,研发最前沿的AI技术(主要是强化学习和无监督学习技术),甚至探索实现强人工智能的可能性;一面反复强调自己的使命是研发“安全的”人工智能,通过实践来探寻将人工智能技术的潜在威胁降至最低的方法。

    也就是说,在今天这个弱人工智能的时代里,人类对于人工智能,或者什么是“智能”的认识本身就是缺乏深度的,我们也没有一个合适的、可操作的标准,来真正定义什么是强人工智能,什么是超人工智能。

    AI技术在许多垂直领域内的局部进展,比如围棋,比如智慧医疗,比如自动驾驶,都比很多人之前预料的更早来到我们面前。但AI的整体发展,尤其是最重大的技术突破,几乎每一步都要比多数人的预测来得晚。比如,图灵测试刚提出时,很多人认为计算机达到图灵测试所标示的强人工智能的水平,最多只要三十年的时间,但直到今天,我们也不敢说,AI到底何时才能真正像成人一样自由对话。

    我赞同奥伦·伊茲奥尼的说法。我们今天还没有到必须分配精力去担心未来,或为可能的机器威胁做准备的地步。即便以今天的标准看来,弱人工智能的发展还有很长的一段路要走,科研人员、技术人员、各行业的从业者、政府、教育机构、社会组织等,还有大量的工作需要做。至少在目前,人类离超人工智能的威胁还相当遥远。

    用人类对“智能”定义的普遍理解和一般性的关于强人工智能的标准去衡量,今天的AI至少在以下七个领域还“稚嫩”得很。1、跨领域推理 人和今天的AI相比,有一个明显的智慧优势,就是举一反三、触类旁通的能力。2、抽象能力 人工智能界,少样本学习、无监督学习方向的科研工作,目前的进展还很有限。但是,不突破少样本、无监督的学习,我们也许就永远无法实现人类水平的人工智能。3、知其然,也知其所以然 人通常追求“知其然,也知其所以然”,但目前的弱人工智能程序,大多都只要结果足够好就行了。4、常识 人的常识,是个极其有趣,又往往只可意会、不可言传的东西。无论是自动驾驶汽车,还是下围棋的Alpha Go,这里说的常识,更多的还只是一些预设规则,远未如人类所理解的“常识”那么丰富。5、自我意识 6、审美 虽然机器已经可以仿照人类的绘画、诗歌、音乐等艺术风格,照猫画虎般地创作出电脑艺术作品来,但机器并不真正懂得什么是美。7、情感 天的机器完全无法理解人的喜怒哀乐、七情六欲、信任与尊重……

    人工智能不仅是一次技术层面的革命,未来它必将与重大的社会经济变革、教育变革、思想变革、文化变革等同步。人工智能可能成为下一次工业革命的核心驱动力,人工智能更有可能成为人类社会全新的一次大发现、大变革、大融合、大发展的开端。

    从18世纪至今,300余年间,这个世界通过三次工业革命,完成了自动化、电气化、信息化的改造。与工业革命前的中世纪相比,人类已经生活在一个完全不同的、由现代科技支撑和推动的全新家园。

    那么,将今天这个时代称为人类历史上的第二次文艺复兴也许就是恰如其分的。当哥白尼用日心说改变人类对天体运行的认知,与旧的世界彻底决裂时,今天的人工智能技术也正在彻底改变人类对机器行为的认知,重建人类与机器之间的相互协作关系;当哥伦布在大航海时代里第一次站在新大陆的土地上,用航海大发现重构整个世界的地理与政治地图时,今天的人工智能技术也正在用史无前例的自动驾驶重构我们头脑中的出行地图和人类生活图景;当达·芬奇、米开朗琪罗等人用划时代的艺术巨构激发全人类对美和自由的追求时,今天的人工智能技术也正在机器翻译、机器写作、机器绘画等人文和艺术领域进行大胆的尝试……

    从短期看,这种转变会带来一定程度的阵痛,我们也许很难避免某些行业、某些地区出现局部的失业现象。特别是在一个适应人工智能时代的社会保障和教育体系建立之前,这一阵痛在所难免。但从长远来看,这种工作转变绝不是一种以大规模失业为标志的灾难性事件,而是人类社会结构、经济秩序的重新调整,在调整基础上,人类工作会大量转变为新的工作类型,从而为生产力的进一步解放,人类生活的进一步提升,打下更好的基础。

    李开复的“五秒钟准则”一项本来由人从事的工作,如果人可以在5秒钟以内对工作中需要思考和决策的问题做出相应的决定,那么,这项工作就有非常大的可能被人工智能技术全部或部分取代。今天的自动化技术和人工智能技术足以完成这类简单的、中介性质的工作。这就是今天各大股票交易市场里传统意义上的交易员正大幅让位于计算机的原因所在。汽车驾驶工作终将被自动驾驶技术全面替代和超越。人工智能足以在更短时间内做出与人类一样或比人类还精准的判断,将驾驶安全等级提升一个档次。

    基于“五秒钟准则”,我个人预测,从事翻译、新闻报道、助理、保安、销售、客服、交易、会计、司机、家政等工作的人,未来10年将有约90%被人工智能全部或部分取代。如果就全人类的工作进行一个粗略的估计,我的预测是,约50%的人类工作会受到人工智能的影响。

    与杰瑞·卡普兰的观点相似,我认为在人工智能时代里,人类工作的转型在所难免,但这更多意味着新的工作方式,而非大量的失业 失业问题未必会如某些人想象的那样严重。技术发展将造成一部分简单工作、底层工作的消失或转变,但由此也会催生更多新型的、更需要人类判断力和创造力的工作类型。如设计师、架构师、建筑师、流程设计和管理者、艺术家、文学家……其工作不但不会被取代,反而会成为未来的稀缺资源,吸引更多在社会和经济转型中愿意尝试新领域的人来从事类似工作。

    因为智能调度算法的帮助,共享汽车的使用率会接近100%,城市里需要的汽车总量则会大幅减少。需要停放的共享汽车数量不多,只需要占用城市里有限的几个公共停车场的空间就足够了。停车难、大堵车等现象会因为自动驾驶共享汽车的出现而得到真正解决。那个时候,私家车只用于满足个人追求驾驶乐趣的需要,就像今天人们会到郊区骑自行车锻炼身体一样。

主题帖 181 关注 0 粉丝 0
情感指数

链路大数据分析置信度 0.99 %

TA的主题帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

快速回复 返回顶部 返回列表