【中國智能制造網(wǎng) 技術(shù)前沿】人類對人工智能寄予厚望，賦予其無盡的遐想，更是許多科幻大片的主題。但人工智能的發(fā)展一直不如人意，直至一種名為深度學(xué)習(xí)的強大技術(shù)橫空出世，這一情況才發(fā)生了根本性轉(zhuǎn)變。

　人工智能成長不易

人工智能的開發(fā)可以追溯到上世紀五十年代。隨著計算機的出現(xiàn)，人工智能有了新的發(fā)展，并在跳棋上戰(zhàn)勝了人類，同時在數(shù)學(xué)定理證明上展現(xiàn)出強大能力。許多科學(xué)家興奮地認為，利用軟硬件形成的人工智能可在任何領(lǐng)域內(nèi)戰(zhàn)勝人類。麻省理工學(xué)院科學(xué)家馬文·明斯基則公開宣稱，人工智能只需要一代人的時間就可以戰(zhàn)勝人類。這一愿望推動了一大批科研人員投身到這一研究領(lǐng)域。

然而現(xiàn)在看來，這樣的想法還是太過于天真了，人類大腦的復(fù)雜性遠遠超出了科學(xué)家的預(yù)想。當(dāng)時的計算機由于算法過于簡單、數(shù)據(jù)不足及速度過慢等原因，相繼在診斷和圖片識別方面敗北，使人們對人工智能的憧憬變?yōu)橘|(zhì)疑。到本世紀初，有關(guān)構(gòu)建仿人類智能機器的想法幾乎在科學(xué)界銷聲匿跡，甚至連人工智能這一名詞也似乎遠離了嚴肅科學(xué)。

　腦科學(xué)為人工智能注入活力
　　
2005年，深度學(xué)習(xí)技術(shù)開始從腦科學(xué)的發(fā)展中汲取營養(yǎng)，通過模擬神經(jīng)元來逐漸學(xué)習(xí)如何識別圖像、理解語言，甚至作出自己的決定。該技術(shù)主要基于人工神經(jīng)網(wǎng)絡(luò)和一般的數(shù)學(xué)原理，從實例中學(xué)習(xí)如何識別圖像和翻譯語言。深度學(xué)習(xí)技術(shù)使人們恢復(fù)了對人工智能的憧憬。2012年，谷歌開發(fā)出智能個人助理GoogleNow，用自然語言來回答用戶問題，提供建議，并根據(jù)用戶以往的搜索習(xí)慣預(yù)測其可能需要的信息。此后，谷歌又推出圖片搜索引擎GooglePhotos。智能手機助理軟件更是一日千里，成為人們不可或缺的生活工具。谷歌AlphaGo戰(zhàn)勝圍棋高手李世石的消息更是成為轟動世界的頭條新聞。技術(shù)進步推動深度學(xué)習(xí)技術(shù)迅速商業(yè)化，并成為人工智能發(fā)展的重要推手。為了搶占先機，各大信息巨頭紛紛砸數(shù)十億美元巨資支持其發(fā)展。

多年來，人工智能進展緩慢，主要是由于人類是以自己能夠理解的方式，而不是機器所能理解的方式來認識世界，處理問題，因此，對人類來說容易的事，對機器來說則千難萬難。而深度學(xué)習(xí)有潛力之處，就是讓機器自己學(xué)習(xí)，通過自主學(xué)習(xí)教會自己如何做出正確的決定。然而，讓機器對特定情境做出正確決定并非一件輕而易舉的事。人類之所以比較容易做出正確的決定，是因為一些相關(guān)知識早已儲存在大腦中，事到臨頭可以直覺的方式瞬間作出反應(yīng)，并可在今后的實踐中不斷積累經(jīng)驗。因此，機器學(xué)習(xí)的一個重要方面是為其編碼學(xué)習(xí)算法，讓機器從分析比較大量實例中學(xué)習(xí)提高。

編碼學(xué)習(xí)算法面臨的另一個挑戰(zhàn)，是沒有一個放之四海而皆準(zhǔn)的固定模式可以處理機器所面對的各種情境。而人類則不然，人類似乎天生就可以處理各種情境、學(xué)習(xí)各種知識。因此，人類大腦自然就成為設(shè)計人工神經(jīng)網(wǎng)絡(luò)重要的模型。

技術(shù)進步助推深度學(xué)習(xí)發(fā)展
　　
人類大腦通過神經(jīng)元來進行計算，每個神經(jīng)元通過突觸傳遞信號。神經(jīng)元在學(xué)習(xí)過程中可以加強突觸的強度，并向臨近的神經(jīng)元傳遞信息。因此，早期深度學(xué)習(xí)技術(shù)也從構(gòu)建虛擬神經(jīng)元來形成人工神經(jīng)網(wǎng)絡(luò)，并通過增強連接神經(jīng)元間的突觸優(yōu)勢來實現(xiàn)機器學(xué)習(xí)。現(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)用不斷改變每個突觸連接的數(shù)值來表示該連接強度。雖然每次學(xué)習(xí)其數(shù)值改變很小，但已可以使人工神經(jīng)網(wǎng)絡(luò)提高預(yù)測的準(zhǔn)確性。

為了取得佳效果，目前的學(xué)習(xí)算法還需要人類的參與，稱之為監(jiān)督學(xué)習(xí)。如通過為機器提供日落的圖片來作為輸入，這樣“日落”一詞經(jīng)過人工智能才能輸出。每次提供不同的日落圖片，不斷改變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)突觸連接的數(shù)值和強度，以此來完成學(xué)習(xí)任務(wù)。這一學(xué)習(xí)過程的關(guān)鍵是不讓機器單純地死記硬背，而是遇到新的日落圖片時，同樣可以產(chǎn)生有關(guān)日落的輸出。雖然這一任務(wù)表面上看很簡單，但由于即便是日落這一簡單的情境，其圖片也會產(chǎn)生無窮的變化，因此要求學(xué)習(xí)算法在類似的輸入下，會產(chǎn)生類似的輸出，尤其不能出現(xiàn)指鹿為馬的情況。

有一種處理圖像識別問題的神經(jīng)網(wǎng)絡(luò)稱之為卷積神經(jīng)網(wǎng)絡(luò)，是人工智能的關(guān)鍵技術(shù)，其有多層神經(jīng)元，對圖像中重要內(nèi)容的些微變化不敏感。卷積神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)中獲得了較為廣泛的應(yīng)用，其靈感主要來自人類視覺皮層的多層結(jié)構(gòu)。

此外，深度學(xué)習(xí)在近年來能夠取得成功得益于兩個關(guān)鍵因素：一是計算機運算速度提高了近十倍，尤其是圖形處理能力大幅提高;二是深度學(xué)習(xí)可順序計算的能力，能對圖像、聲音或數(shù)據(jù)一步一步地進行分析或構(gòu)造。而對聲音和圖像進行識別需要多層網(wǎng)絡(luò)結(jié)構(gòu)。

人工神經(jīng)網(wǎng)絡(luò)在圖像識別上主要表現(xiàn)為對靜態(tài)圖像的識別能力。目前又出現(xiàn)了一種新型神經(jīng)網(wǎng)絡(luò)，稱之為回歸神經(jīng)網(wǎng)絡(luò)，可對隨時間展開的事件進行標(biāo)記。回歸神經(jīng)網(wǎng)絡(luò)與人類大腦的處理方式有很多相似之處，它可以預(yù)測一個句子將出現(xiàn)什么單詞，并在閱讀句子后，對其意思進行猜測，今后可應(yīng)用于語義加工和語言翻譯。

人工智能技術(shù)走過了寒冬，迎來了發(fā)展的春天，這不僅僅是技術(shù)的進步，還對我們今后應(yīng)如何支持科學(xué)技術(shù)的發(fā)展有著更為深刻的意義。當(dāng)某項技術(shù)的發(fā)展遇到暫時挫折，我們該如何更好地應(yīng)對挑戰(zhàn)，堅持多樣化發(fā)展策略，有效幫助其走出困境，這對整個科技發(fā)展都有重要的啟示作用。