简析AI：深度学习让AI正在变得像人类一样神秘

从20世纪60年代开始，人们就在期待像哈尔（HAL）这样的科幻级别的AI，然而直到最近，PC和机器人还是非常愚笨。现在，科技巨头和创业公司宣告了AI革命的到来：无人驾驶汽车、机器人医生、机器投资者等等。普华永道认为，到2030年，AI将会向世界经济贡献15.7万亿美元。AI是2017年的热词，就像。com是1999年的时髦用语那样，每一个人都宣称自己对AI感兴趣。不要被有关AI的炒作所迷惑，它是泡沫还是真实？和旧有的AI潮流相比，它现在有什么新颖之处？

AI并不会轻易或迅速地被应用。最令人兴奋的AI实例往往来自大学或者科技巨头。任何许诺用最新的AI技术让公司发生革命性变革的自封的AI专家，都只是在传递错误的AI信息，其中某些人只是重塑旧有技术的形象，把它们包装成AI。每个人都已经通过使用Google、微软、亚马逊的服务，来体验了最新的AI技术。但是，深度学习不会迅速地被大企业所掌握，用来定制内部项目。大多数人都缺乏足够的相关数字数据，不足以可靠地用来训练AI。结果就是，AI并不会杀死所有的工作机会，尤其因为它在训练和测试每个AI的时候还是需要人类。

AI目前已经能够用眼睛看到，并精通一些视觉相关的工作了，比如：通过医学影像识别癌症或其他疾病，在统计学上优于人类放射科医师、眼科医师、皮肤科医师等，还有驾驶汽车、读唇语。AI能通过学习样本（比如毕加索或者你的画作）画出任何一种风格的图画。反过来，它也能通过一幅画，补足缺失的信息，猜出真实的照片是什么。AI看着网页或应用的屏幕截图，就能写出代码制作出类似的网页或应用。

AI目前还能用耳朵听到，它不只能听懂你的话，还能通过听Beatles或你的音乐，创作出新的音乐，或者模拟它听到的任何人的声音。一般人无法分辨出一幅画或一首曲子是由人还是由机器创作的，也无法分辨出一段话是由人类还是AI说出的。

被训练用来赢得扑克比赛的AI学会了虚张声势，能够处理丢牌、潜在的造假行为，还能误导信息。被训练用来谈判的机器人也学会了欺骗，能猜测出你什么时候在说谎，如果需要它们也会撒谎。一个用来在日语和英语间翻译或者在韩语和英语间翻译的AI，也能在韩语和日语间进行翻译转换。看起来翻译AI自己创造了一种中间语言，能不分语言的界限演绎任何一个句子。

机器学习（ML）是AI的一个子类别，KUKA机器人电路板维修，它能让机器从经验中学习，从真实世界的实例中学习，数据量越大，它就能学到越多。据说，如果一台机器完成一项任务的表现随着经验的增多越来越好，那它就能根据这项任务的经验进行学习。但大部分AI还是根据固定规则制造出来的，它们并不能学习。从现在开始，我将使用机器学习这个词来指称从数据中进行学习的AI，以此强调它和其他AI的区别。

人工神经网络只是通往机器学习的其中一种方式，其他路径还包括决策树、支持向量机等。深度学习是一种具有许多抽象层次的人工神经网络。不去谈深度这个有炒作意味的词，很多机器学习方法都是浅显的。成功的机器学习通常是混合的，也就是很多方法的组合，比如树+深度学习+其他，它们都是被分别训练而成的，再把它们结合在一起。每一个方法都可能带来不同的错误，所以，平均了它们每一个方法成功的结果，它们就胜过了单独一种方法。

旧有的AI并不能学习。它是基于规则的，它只是几个人类写成的如果那么。它只要能解决问题就被称作是AI，但它不是机器学习，因为它不能从数据中进行学习。目前的AI和自动系统中大部分依然是基于规则的代码。机器学习从20世纪60年代开始才被人了解，但就像人类大脑一样，它需要大量的计算设备处理大量的数据。在20世纪80年代，要在PC上训练一个ML需要几个月时间，而那时候的数字数据也非常稀少。手动输入的基于规则的代码能快速地解决大部分问题，所以机器学习就被遗忘了。但用我们现在的硬件，你能在几分钟内就训练出一个ML，我们知道最佳的参数，而且数字数据也更多了。然后在2010年之后，一个又一个AI领域开始被机器学习所掌控，从视觉、语音、语言翻译到玩游戏，机器学习胜过了基于规则的AI，而且通常也能胜过人类。

为什么AI在1997年的国际象棋比赛中就击败了人类，但直到2016年，才在围棋比赛中击败了人类呢？因为在1997年，计算机仅仅简单地计算出了国际象棋8x8棋盘中所有的可能性，但围棋拥有19x19的可能性，计算机要计算出所有可能性需要十亿年。这就像要随机组合出所有字母，以此得到这样一整篇文章一样：这根本不可能。所以，人们已知的唯一的希望在于训练出一个ML，但是ML是近似的，不是确定的，机器学习是随机的，它可以被用于统计分析的模式，但不能用于准确的预测。

机器学习让自动化成为可能，只要你准备好训练ML的正确数据就可以了。

大多数机器学习都属于监督学习，这里用来训练的实例都是有标签的，标签就是关于每个实例的描述或者标注。你首先需要人工把那些关于猫的照片从关于狗的照片中分离出来，或者把垃圾邮件从正常邮件中分离出来。如果你错误地给数据打了标签，最后ML就会不正确，这至关重要。把未打标签的数据放到ML里，这就是无监督学习，在这里ML会发现有用的数据的模型和群组，但它不能单独用来解决很多问题。所以有些ML是半监督式的。

在异常检测中，你可以识别出不同寻常的东西，比如欺诈或者赛博入侵。一个通过老式欺诈训练出来的ML会错过那些新式的欺诈。你可以让ML对任何可疑的不同之处做出警告。政府部门已经开始用ML来侦查逃税行为了。

强化学习在1983年的电影《战争游戏》中就已经有了体现，在电影里，计算机通过打通光速中的每一个场景，从而避免了第三次世界大战。这个AI在百万计的失败与尝试中探索，最终得到了巨大的回报。AlphaGo是这样被训练而成的：它曾数百万次地扮演自己的对手，从而获得超越人类的技能。它使出了前所未见的招数，人类选手甚至可能会把它看做错误的招数。但后来，这些招数被公认为机智非凡。ML开始变得比人类围棋选手更富有创造性。

在人们认为AI不是真正智能的时候，AI效应就出现了。人们在潜意识里需要相信魔力，需要相信人类在宇宙中的独一无二。每一次机器在某一项智能活动中超越了人类时，比如在下象棋、识别图片或者翻译时，人们总是会说：那只是强力计算能力，那不是智能。很多app里都有AI存在，然而一旦被广泛应用，它就不再被称作智能。如果智能只是AI没有达成的技能（也就是独属于大脑的技能），那字典每一年都要被更新，比如：数学在20世纪50年代之前才被认为是智力活动，现在已经不是了。这真是太奇怪了。关于强力计算能力，一个人类大脑拥有100万亿个神经元连接，比地球上任何一个计算机所拥有的都多得多。机器学习不能做强力计算，如果让机器学习去尝试所有连接，那需要花上十亿年的时间。机器学习只会在被训练的基础上进行猜测，并且它使用的计算能力比大脑使用的要少。所以，应该是AI来宣称人类大脑不够智能，来宣称人类大脑只是强力计算能力而已。