三大突破讓人工智能成為現實

在紐約約克敦海茨的IBM實驗室，可以一瞥正快速到來且人們期待已久的人工智能。這裡是Watson的家，它在2011年稱霸智能競賽節目Jeopardy!。初版Watson還在這，大概有一個臥室大，10台冰箱狀的機器組成了四面牆。這些機器內部的小細孔可以讓技術人員們連到機器後面的線纜上。而且這裡面很溫暖，就像這個集群活過來了一樣。
現在的Watson發生了天翻地覆的變化。它不再只存在於由十幾台機器組成的集群中，而是在由開源標準服務器組成的雲中，一次運行數百個人工智能“實例”。和所有云端化的東西一樣，Watson要同時服務世界各地的客戶，這些客戶通過手機、桌面機或數據服務器連接。這種人工智能可以按需擴大或縮小規模。

隨著人們的使用，人工智能會得到改善，Watson正變得越來越聰明；它從一個實例中學到的東西會立即傳輸給其他實例。它不是一個程序，而是由多個軟件引擎組成的集合體，它的邏輯推導引擎和語言解析引擎可能使用不同的代碼，運行在不同的芯片上，位於不同的地理位置。所有這些部分都聰明地集合成了統一的智能流。
消費者們可以直接連線這一永久在線的智能，也可以使用駕馭了這一人工智能雲力量的第三方應用。就像許多睿智的父母一樣，IBM希望Watson能從醫，因此有一款醫療診斷工具正在開發中也就不稀奇了。此前，大部分試圖製造診斷AI的企圖都以失敗告終，但Watson真的可行。比如，你告訴Watson自己曾染上的一種病的症狀，它給出了一張可能性由高到低的疾病清單。目前這一技能還沒有直接提供給病人；IBM的合作夥伴們可以利用Watson的智能，從而開發對用戶友好的界面，提供給訂閱服務的醫生和醫院。 “我覺得Watson很快就能成為全世界最好的診斷醫生。按照現在AI技術的提高速度，這個時代出生的孩子長大成人時，就很少需要看醫生了”，Scanadu首席醫學官Alan Greene表示道。 Scanadu是一家創業公司，正在開發一款借鑒了《星際迷航》中醫用三錄儀( tricorder)，由雲AI驅動的診斷設備。
醫療只是開始。所有大雲服務公司以及眾多創業公司都爭先恐後地推出了類似於Watson的認知服務。根據定量分析公司Quid的數據，在2009年以來，AI吸引了超過170億美元的投資。去年一年就有超過20億美元投資給了擁有類AI技術的322家公司。 Facebook和Google已經招募研究人員加入它們的內部AI研究團隊。自去年以來，雅虎、英特爾、 Dropbox、LinkedIn、Pinterest和Twitter都收購了AI公司。過去四年間，AI領域的私人投資以年增長率62%的速度增加，預計這一速度將延續。

在所有這些活動中，未來的AI正逐漸顯現，它不是像《2001：太空漫遊》中的HAL 9000一樣擁有與人類相似的意識，也不是奇點論者宣稱的超智能。未來的AI更像是廉價、可靠、工業化的亞馬遜網絡服務，讓數字智能運行在所有事物之後，平時幾乎不可見。這一通用設施將提供你所需要的智能，不多不少，恰如其分。和所有設施一樣，AI會超級無聊，即便它轉變了互聯網、全球經濟和文明。它會讓無生命的物體活躍起來，就像一個世紀之前的電一樣。如今，我們接受了所有電器。而新的實用性AI也將增強個人生活（加深我們的記憶，加速我們的認知）和整個人類的生活。通過加入額外的智能，所有東西都能變得有趣而不同。事實上，接下來一萬家創業公司的商業計劃書很容易預測：在某件事情中加入AI。這是了不起的事情，現在它出現了。

大約在2002年時，Google舉辦了一個小聚會，這時Google還沒有IPO，重心完全放在搜索上。聯合創始人拉里·佩奇被問到，“拉里，我還是不明白，市面上有這麼多搜索公司。免費的網絡搜索？你是怎麼想到這個主意的？”當時Google還沒有改善其廣告拍賣機制來產生真實收入，也沒有進行諸多大收購。一邊用著Google一邊想著它撐不了多久的人很多。但佩奇的回答道：“噢，我們其實在做一個AI。”
過去幾年間，Google收購了14家AI和機器人公司，他的話也讓人思考了很久。乍一看，你可能覺得Google正通過擴大AI投資組合來改善搜索能力，因為搜索貢獻了Google 80%的收入。 但也許正相反，Google並沒有用AI來讓搜索變得更好，而是用搜索讓AI變得更好。 每次用戶輸入查詢詞，點擊搜索引擎生成的鏈接，或者在互聯網上創造一個鏈接，用戶都是在訓練Google AI。當用戶在圖片搜索欄輸入“復活節兔子”，並點擊最像復活節兔子的圖片時，他們都是在告訴AI，復活節兔子長什麼樣。 Google 12億搜索用戶每天進行的121億次搜索都是在不斷訓練Google AI。再對其AI算法進行10年的穩定改進，加上1000多倍的數據和100多倍的計算資源，Google將擁有一個無可匹敵的AI。 到2024年，Google的主要產品將不是搜索，而是AI。

當然，這一觀點很值得懷疑。近60年來，AI研究者們都預測AI即將到來，然而幾年前，AI好像還是遙不可及。甚至有一個詞被發明出來，描述這個結果糟糕研究發現更暗淡的時代：AI寒冬。是不是有什麼事情真的改變了？
AI領域的三大突破是的。近年來的三大突破推動了人們期待已久的人工智能的到來。

1. 廉價的並行計算思考天然就是一個並行過程，數十億神經元同時運作來創造同步的皮層計算波。為了打造作為AI軟件主要架構的神經網絡，需要多個不同的進程同時進行。神經網絡的每一個節點都大致代表大腦的一個神經元，與周邊節點互動，理解接收到的信號。為了理解一個說出來的詞，程序必須能聽到所有相關的音素；為了識別一張圖片，它需要看到每一個像素以及周邊像素；這些都是需要深度並行計算的任務。但直到最近，通常的計算機芯片都只能一次處理一項任務。

這一切從十多年前就開始改變了，圖形處理單元（GPU）芯片的出現，可以用來滿足視頻遊戲中繁重的視覺和並行計算需求，即每秒需要多次重新計算數百萬像素。這一任務需要一塊專門的並行計算芯片，作為PC主板的補充。這種並行圖形處理芯片奏效了，遊戲性大幅飆升。到2005年，GPU價格大降。 2009年，斯坦福大學的吳恩達(Andrew Ng，現已加入百度)及其團隊意識到，GPU芯片可以並行運行神經網絡。
這一發現釋放了神經網絡新的可能性，使得神經網絡節點的連接數可達數億。傳統處理器計算一個一億節點神經網的所有級聯可能性需耗時數週。而吳恩達發現，一個GPU集群完成同一任務只需一周。如今，諸多使用雲的公司使用運行在GPU之上的神經網絡，比如識別照片中用戶好友的Facebook，為其5000萬訂戶提供可靠推薦的Netflix。

2. 大數據每一種智能都需要教育。就算是天生能進行分類的人腦，也需要看到十幾個例子，才能分辨貓和狗。這一點對於人工智能而言更是如此。即便是編得最好的程序也需要玩至少一千局國際象棋才能表現良好。 AI突破的部分原因是我們收集到的海量數據，為訓練AI提供了所需的材料。巨型數據庫、自追踪、網絡cookie、在線足跡、TB級存儲、十幾年的搜索結果、維基百科以及整個互聯網都成了讓AI變得更聰明的老師。
3. 更好的算法數字化神經網絡發明於20世紀50年代，但計算機科學家們花了數十年時間來駕馭100萬到1億個神經元之間龐大的組合關係。解決問題的關鍵是按層來組織神經網絡。就比如識別人臉這個相對簡單的任務。當一個神經網絡中有一組比特被發現符合某個模式（比如眼睛）時，這一結果就會傳輸給神經網絡的另一層來進一步解析。下一層可能會將兩隻眼睛組合到一起，然後將這一有意義的結果傳輸給下下一層，而下下一層又可以將這一結果與鼻子的模式聯繫在一起。識別一個人臉可能需要幾百萬個節點（每個節點都會生成供周圍節點使用的結果），層數可達15層。 2006年，當時供職於多倫多大學的Geoff Hinton對這一方法進行了一次關鍵改良，並將它命名為“深度學習”。他能從數學上優化每一層的結果，從而使學習速度加快。幾年後，深度學習算法被移植到GPU上，速度提升巨大。深度學習算法並不足以保證複雜的邏輯思考，但它是目前所有AI必不可少的組成部分，包括IBM的Watson、Google的搜索引擎以及Facebook的算法。

這一由並行計算、大數據和深度學習算法組成的完美風暴使得進行了60年的AI一夜成真。而這一交叉也表明，只要這些技術趨勢延續下去（也沒有理由不延續），AI將繼續得到改進。

隨著改進的繼續，這一基於雲的AI將日益成為我們日常生活不可或缺的一部分。但這一切都有代價。雲計算遵循​​收益遞增的法則（有時候也被稱為網絡效應），即網絡越大，增長越快。網絡越大，對新用戶的吸引力就越大，從而使得網絡變得更大，這又進一步增大了吸引力，如此往復。提供AI的雲也遵循同樣的法則。越多人使用AI，AI就會變得越聰明。一旦一家公司進入這一良性循環，它就會變得更大，增長得更快，沒有任何新興競爭對手能與之匹敵。因此，未來的AI將由兩到三家大的通用雲AI公司統治。
半人半AI1997年，Watson的前任深藍擊敗了當時的國際象棋大師Garry Kasparov。在機器又勝了幾場類似的比賽后，人類基本上失去了對此類比賽的興趣。你可能以為這就是故事的結局了，但Kasparov意識到，如果自己也能像深藍一樣立刻訪問此前國際象棋棋局的海量數據庫，他能表現得更好。如果這一數據庫工具對於AI來說是公平的，為什麼人類不能用呢？為了探索這一想法，Kasparov率先倡導人加機器比賽的概念，即用AI增強人類國際象棋選手，而不是人類對抗機器。

如今這類比賽被稱為自由風格國際象棋比賽，選手們可以使用任意對抗技術，可以單人上，也可以完全按照國際象棋計算機的要求移動棋子，或者如Kasparov 所倡導的成為“半人半AI ”選手。 “半人半AI”選手將聽取AI提供的下棋建議，但通常會不顧這一建議，就像我們在汽車上使用GPS導航一樣。在2014年的自由風格國際象棋冠軍賽中，純粹的國際象棋AI引擎贏了42場比賽，而“半人半AI”選手贏了53場比賽。現在最優秀的國際象棋選手就是“半人半AI”的Intagrand，這是一個由人類和多個國際象棋程序組成的團隊。
但最令人驚訝的是：AI的出現並沒有降低純人類國際象棋選手的表現。相反，便宜、超級聰明的國際象棋程序激發了更多人來玩國際象棋，聯賽場數增多，選手們也變得更好了。現在的國際象棋大師人數是深藍擊敗Kasparov時的兩倍多。如今排名第一的人類國際象棋選手Magnus Carlsen接受了AI的訓練，他被視為最像計算機的人類國際象棋選手，同時也是有史以來排名最高的人類國際象棋大師。

AI定義了人類如果AI能幫助人類成為更好的國際象棋選手，它也能幫助我們成為更好的飛行員、醫生、裁判和老師。大多數由AI完成的商業工作都將使用專門的軟件AI，比如某個AI能將任意語言翻譯成另一語言，但在其他方面就無能為力了；能開車，但不能對話；或者能回憶起YouTube上所有視頻的每一個像素，卻不能預測用戶的日常工作​​。在未來10年中，人們直接或間接打交道的AI中有99%會是高度專一的專家AI。
事實上，這並非真正的智能，起碼不是我們所認為的智能。實際上，智能可能是一種傾向，尤其是如果我們認為“智能”是自我意識的話。我們希望自動駕駛汽車只專注於道路，而不是和車庫爭論。醫院裡的Watson應該專心於自己的工作，而不是想是否應該先主修英語。隨著AI的發展，我們可能要預防AI產生意識，最高級的AI服務可能會以無意識來標榜自己。

相反，我們想要是人工智慧而非智能。與通常的智能不同，智慧專注、可度量，具有專門性。智慧也能以完全不同於人類認知的方式思考。這種非人類思考方式的有趣例子是，IBM研究人員在今年3月的西南偏南大會上演示了用Watson生成菜譜。其中一個菜譜是使用了酸橘汁醃魚和油炸車前草的炸魚和薯條。有人試吃了後，感覺味道還不賴！人類可能根本就想不到這種菜譜。
非人類智能不是問題，而是功能。 AI的主要優點就是它們的異類智能。 AI思考食物的方式與大廚不同，從而也能讓我們以不同的方式思考食物，思考製造材料、衣服，思考金融衍生物，或是任一門類的科學和藝術。人工智能的異類性對我們的價值將比其速度或力量更大。

AI將幫助我們更好地理解智能。過去，我們會說超智能AI將駕駛汽車，或是在國際象棋大賽上擊敗人類。而一旦AI做到這些事情，我們就覺得這些成就並不足以稱之為真正的智能。 AI取得的每一次成功都重新定義了自己。

但我們不只是在重新定義AI的含義，我們也在一直重新定義人類的含義。在過去60年中，隨著機械加工複製了我們曾以為只有人類具有的行為和能力，我們不得不改變之前將人類與機器區分開的看法。隨著更多種類AI的發明，我們將被迫放棄更多被視為只有人類具有的東西。我們將在接下來的十年或一個世紀中面對一場永久的身份危機，不斷追問人類存在的意義。最諷刺的是，日常使用的實用性AI帶給人類最大的好處不是增加了效率，帶來了豐饒經濟，或是進行科學研究的新方式，而是幫助定義人類。我們需要AI來告訴我們是誰。
via wired


資料來源：雷鋒網
編輯：1thinc0