第一章

人工智能，“吃一堑长一智”的机器

撰文：赵珊

主要技术：

机器能思考吗？

早在20世纪初，人类就开始想象机器像人类一样思考的可能性。

如果说1900年出版的童话故事《绿野仙踪》里渴望有一颗心的铁皮人还只是对这个话题的初步涉猎，那么到了20世纪50年代，著名科幻小说作家艾萨克·阿西莫夫所创作的机器人系列科幻小说就已经铺垫了史诗般的未来科幻世界架构，极大地丰富了机器人独立思考能力的各种细节。阿西莫夫笔下的机器人，除了在能力上可以成为人类工作和日常生活的助手，它们随着强大计算能力而衍生出的独立思想也会带来各种各样的威胁。

在各种文学作品里面我们看到的“思考的机器”，就是人工智能的起源。

到了20世纪50年代，科学家和数学家们迈出了实现机器思考这个可能性的第一步。人工智能（Articial Intelligencee，AI）这个概念被正式提出。英国科学家和数学家阿兰·图灵在1950年提出了这个问题：如果人类可以从已有信息进行推理和逻辑判断来解决问题，那为什么机器不可以这么做呢？

“可以”，很多人都是这么想的。

在之后的几十年，发达国家的政府都在人工智能上投入了大量的研究经费，还有世界顶尖的科学家耗费了巨大的心血和精力来证明“可以”这个答案。遗憾的是，这么多的投入却收效甚微。人工智能技术尽管有所发展，但离实际的应用还是十分遥远。

人工智能是在进入21世纪后才得以繁盛发展起来的，这主要得益于机器学习方式，尤其是深度学习领域的突破、电脑硬件急速发展和信息爆发式增长，这三个条件缺一不可。机器学习（Machine Learning）的手段是让电脑从大量的真实经验、信息和案例中学习，然后会像人类一样吃一堑长一智，在以后遇到同样的问题时，电脑就有能力用学习到的经验做出准确的判断。互联网的爆发让大数据变成了可能，给机器学习提供了充足的原材料。同时，我们的电脑越来越强大，能够存储并处理这些庞大的数据。1970年，Intel 4004处理器每秒可以运行92,000条指令，而我们现在的普通手机能每秒处理10亿条指令。

不断涌现的成果向投资者和研究者证明了人工智能是可以实现的，而且其应用能极大地提高商业利润和社会生产力。人工智能也在最近10年迎来了重要的发展，从实验室研究全面走向商业应用，并且普及到我们日常生活中的很多细节：在购物网站可以看到根据个人浏览和购买记录推荐的商品；智能手机的语音助手根据对话就能为人们提供天气信息，找到最优的出行路线；我们的车可以实现“自动驾驶”。很多这些在10年前只存在于想象中的场景，现在都在人工智能的推动下变成了人们生活中习以为常的事情。

2017年麦肯锡关于人工智能的报告指出，人工智能领域的投资仍在高速增长中，主要以Google（谷歌）和百度这样的科技巨头为主。全球范围内，人工智能领域2016年吸引的投资高达390亿美元。其中科技巨头占了最大头，投资预测在200亿~300亿美元，其中90%的投资是花费在研发上，而10%是用于人工智能相关的收购。私募资金、风险投资和种子资金的增长也十分迅速，加起来虽然比不上大科技公司，但总体也达到相当庞大的60亿~90亿美元。机器学习作为人工智能的主要技术手段，吸收了高达六成的投资份额 ^[1] 。

除了企业和民间投资之外，各国政府也大力支持人工智能的科研项目。美国政府2015年投资于人工智能领域的研发高达10亿美元。韩国政府宣布投资1万亿韩元（将近60亿元人民币）和其国内领先的联合企业共同创建一个人工智能研究中心。中国已将人工智能列为重大科技项目 ^[2] ，并于2017年建立了以百度为首的深度学习技术及应用国家工程实验室。

人工智能领域的相关技术在近五年频繁入选《麻省理工科技评论》十大突破性技术。在2017年和2018年，全球十大突破性技术里人工智能领域连续两年独占三项，可见人工智能领域近几年受到的关注之大。

人工智能领域在过去10年来达到目前的发展高度，技术上最大的功臣无疑是深度学习（Deep Learning）。深度学习利用多层人工神经网络，从极大的数据量中学习，对未来做出预测，让机器变得更加聪明。

过去10年，深度学习是人工智能领域里绝对的王牌主力，被《麻省理工科技评论》评为十大突破性技术的其他重要人工智能技术的发展都得益于深度学习的技术支持。深度学习的涵盖范围之大，对社会和科技发展的影响之深，使其无论是现在还是在未来10年都会是人工智能领域里最重要的课题之一。

除了深度学习之外，强化学习（Reinforcement Learning）也是近几年来机器学习领域的热门技术。强化学习能使计算机在没有明确指导的情况下像人一样自主学习。在达到足够的学习量之后，强化学习的系统最后能够预测正确的结果，从而做出正确的决定。强化学习和深度学习的整合，让机器学习有了进一步的运用，衍生出深度强化学习（Deep Reinforcement Learning）。2016年，Google的围棋软件利用深度强化学习击败了世界围棋冠军，成为人工智能的又一个里程碑。虽然国际象棋、围棋等脑力运动代表着人类智慧的堡垒，但是强化学习技术的“接地气”的应用场景还不算多，目前也无法在产出的商业价值上与深度学习相媲美。这主要是受限于很多领域目前还无法提供强化学习系统训练过程中所需的极大数据量。

无论是深度学习还是强化学习，在发展到一定程度之后都受到一个瓶颈的困扰：主要的机器学习手段还是来自蛮力计算，而且极其依赖大量的数据来训练系统。Dueling Neural Networks，又称为Generative Adversarial Networks（对抗性神经网络，GAN），是近年来最有潜力解决这个困扰的重要机器学习模型，在2018年入选了十大突破性技术。GAN的原理是两个人工智能系统可以通过相互对抗来创造超级真实的原创图像或声音。GAN赋予了机器创造和想象的能力，也让机器学习减少了对数据的依赖性，对于人工智能是一大突破。

有了技术上的突破，人工智能的商业应用也是全面开花。其中《麻省理工科技评论》认为最具突破性的应用，是利用人工智能改进自动驾驶汽车的表现，如特斯拉自动驾驶仪（2016年）、自动驾驶货车（2017年），还有图像识别，如苹果支付（2015年）、刷脸支付（2017年），以及语音识别，如巴别鱼耳塞（2018年）。

对抗性神经网络的原理

下面，本章将先介绍人工智能里最有发展前景的三种机器学习方式：深度学习、强化学习和对抗性神经网络，然后细述这些技术支持下最显著的商业应用及其市场前景。