相信我，任何人如果在最近聽(tīng)到身邊的女孩兒對(duì)自己說(shuō)出了這句話，他都應(yīng)該是一個(gè)幸福且稱職的男人。大白不僅僅是呆萌的象征，同時(shí)也是年度暖男的有力競(jìng)爭(zhēng)者之一，它體貼、踏實(shí)、善良、道德高尚、給人以溫暖和無(wú)微不至的呵護(hù)、甚至還熱愛(ài)小動(dòng)物，深受女孩兒們的喜愛(ài)也是情理中事。不過(guò)這些“暖點(diǎn)”只屬于可以秀恩愛(ài)的群體們，我們對(duì)大白的關(guān)注并不在此。在我們眼中，大白的特質(zhì)是絕對(duì)經(jīng)典的。

       因?yàn)樗且粋€(gè)機(jī)器人，而且它會(huì)學(xué)習(xí)和思考。

        當(dāng)一臺(tái)機(jī)器/機(jī)器人學(xué)會(huì)思考，并具備了以思考為基礎(chǔ)的事務(wù)處理能力之后，它的能力以及它與人的關(guān)系都將發(fā)生翻天覆地的變化，很多事情都會(huì)變得與眾不同?！冻荜憫?zhàn)隊(duì)》雖然是一部多少充斥了些許"好萊塢氣息"的商業(yè)大片，但它卻為我們展現(xiàn)了這樣一副與眾不同又十分有趣的未來(lái)圖景。大白與小宏以及其他人的關(guān)系、情感和微妙互動(dòng)，皆源自其思考、學(xué)習(xí)以及對(duì)應(yīng)的進(jìn)行改變的能力，甚至大白的類似“人格”的特質(zhì)也來(lái)源于此。而基于學(xué)習(xí)和思考能力的機(jī)器人，其本質(zhì)實(shí)際上就是基于學(xué)習(xí)和思考能力的電腦。所以《超能陸戰(zhàn)隊(duì)》所描繪的，其實(shí)就是電腦具備學(xué)習(xí)和思考能力的未來(lái)圖景。

大白的類似“人格”特質(zhì)來(lái)源于其思考、學(xué)習(xí)以及對(duì)應(yīng)的進(jìn)行改變的能力

        那么電腦具備學(xué)習(xí)和思考能力的那一天離我們究竟還有多遠(yuǎn)呢？在電腦學(xué)會(huì)學(xué)習(xí)和思考之后，我們的生活究竟會(huì)發(fā)生怎樣翻天覆地的變化呢？在第六期的ZOL科技預(yù)言壇當(dāng)中，就讓我們一起來(lái)聊一聊電腦與思考這件事吧。

● 思考=AI？

       讓電腦思考這件事兒聽(tīng)起來(lái)確實(shí)挺帶感的，因?yàn)橐幌氲剿伎?，我們自然而然的就?huì)往下擅自展開(kāi)一系列諸如人工智能，AI或者天網(wǎng)之類的字眼，進(jìn)而甚至聯(lián)想出人造生命甚至某些哲學(xué)高度的念頭。不過(guò)很遺憾，盡管本文剛剛開(kāi)始，但我們還要先給諸位潑一盆冷水——所謂計(jì)算機(jī)思考，跟AI或者人工智能是存在著本質(zhì)差異的。

計(jì)算機(jī)思考并不等同于AI或者人工智能

       對(duì)“AI”的界定長(zhǎng)期以來(lái)一直是一個(gè)令人沮喪的話題，有人認(rèn)為騙得過(guò)圖靈測(cè)試即可，有人認(rèn)為只要不能生成真隨機(jī)數(shù)就不能算實(shí)現(xiàn)了人工智能，還有人認(rèn)為應(yīng)當(dāng)以心智和情感為判斷標(biāo)準(zhǔn)，幾乎每次對(duì)它討論幾乎都會(huì)以激烈的爭(zhēng)吵而告終……我們并不是人工智能方面的權(quán)威，也不想誘發(fā)新的爭(zhēng)論，所以我們決定只是謹(jǐn)慎的給出自己的判斷標(biāo)準(zhǔn)——因果性與目的性，亦即如果計(jì)算機(jī)完成的工作受因果性限制，則不算人工智能級(jí)別，如果計(jì)算機(jī)完成工作帶有目的性，則屬于人工智能范疇。

完成的工作受因果性限制，不算人工智能級(jí)別

       簡(jiǎn)單來(lái)說(shuō)，當(dāng)機(jī)器要執(zhí)行的所有任務(wù)和結(jié)果都處在人控范圍，電腦無(wú)法干預(yù)或自行產(chǎn)生新的目的，僅能通過(guò)訓(xùn)練和學(xué)習(xí)來(lái)自行優(yōu)化任務(wù)執(zhí)行過(guò)程時(shí)，我們稱這種狀態(tài)為機(jī)器學(xué)習(xí)與思考。而當(dāng)機(jī)器具備自己決定目的的能力，在機(jī)器人三原則約束（甚至是越過(guò)之）的前提下可以自己決定要執(zhí)行什么任務(wù)以及產(chǎn)生怎樣的結(jié)果時(shí)，我們稱這種狀態(tài)為人工智能，也就是AI。機(jī)器學(xué)習(xí)與思考可以作為最終達(dá)成AI的一種手段，同時(shí)也可以是AI的一部分，但它本身并不算是AI，起碼不屬于強(qiáng)人工智能范疇，要實(shí)現(xiàn)機(jī)器學(xué)習(xí)與思考也并不一定就需要AI的介入。

最簡(jiǎn)單的例子就是與游戲中的機(jī)器人對(duì)戰(zhàn)，他們每次的戰(zhàn)術(shù)都相同嗎？

       按照這樣的判斷依據(jù)，我們要討論的話題其實(shí)并不是AI與人的關(guān)系。大白的表現(xiàn)也可以被視作是對(duì)機(jī)器思考過(guò)程所產(chǎn)生影響的描述，并不算AI，或者說(shuō)起碼不算是強(qiáng)AI所應(yīng)該具有的表現(xiàn)。雖然這么說(shuō)并不嚴(yán)謹(jǐn)，但“踏實(shí)聽(tīng)話”是大白重要的暖男屬性，如果制作方希望強(qiáng)調(diào)的是大白的強(qiáng)人工智能屬性，那它對(duì)小宏就不一定會(huì)那么言聽(tīng)計(jì)從而且使命必達(dá)了，即便是對(duì)指令和目的的小幅修改也會(huì)讓人產(chǎn)生“心機(jī)”的錯(cuò)覺(jué)，這肯定會(huì)削弱大白的萌點(diǎn)不是么？

經(jīng)常發(fā)生這種情況當(dāng)然是我們不愿意看到的

       之所以要先花力氣整理兩者的區(qū)別，是因?yàn)锳I及人工智能背后會(huì)涉及到大量的哲學(xué)和倫理學(xué)問(wèn)題。當(dāng)機(jī)器具備了AI，它的能力將不再僅僅局限于學(xué)習(xí)和思考，當(dāng)機(jī)器甚至可以自行決定是否學(xué)習(xí)而不是如何學(xué)習(xí)的時(shí)候，能夠“改變目的”的質(zhì)變會(huì)給人與機(jī)器的關(guān)系以及我們接下來(lái)要進(jìn)行的討論帶來(lái)諸多難以逾越的障礙。我們希望進(jìn)行的討論僅限于機(jī)器具備學(xué)習(xí)和思考能力之后會(huì)給我們的生活帶來(lái)哪些便利以及變化，這種討論需要一個(gè)盡量單純的環(huán)境，沒(méi)錯(cuò)，就像大白一樣單純、可靠、直達(dá)目的。

       好了，理清這些問(wèn)題之后，我們就可以開(kāi)始討論單純的電腦學(xué)習(xí)和思考能力問(wèn)題了——究竟什么才是電腦的學(xué)習(xí)和思考能力呢？

● 思考是一個(gè)學(xué)習(xí)的過(guò)程

       無(wú)論對(duì)于電腦還是對(duì)于我們?nèi)祟愖约憾?，學(xué)習(xí)和在特定的學(xué)習(xí)范圍內(nèi)進(jìn)行相關(guān)的思考其實(shí)都是一個(gè)相當(dāng)受控的過(guò)程。學(xué)習(xí)無(wú)外乎知識(shí)與信息的收集、攝取以及整理，而與之相關(guān)的思考則包含了歸納、總結(jié)、規(guī)則抽離以及延伸等等過(guò)程。要讓電腦在受控的范圍內(nèi)具備學(xué)習(xí)和思考的能力其實(shí)并不難，只需要設(shè)定好思考的規(guī)則和方式，然后不斷地為電腦提供可作參考和訓(xùn)練樣本的信息即可。用最通俗的話講——給它筷子和吃的，告訴它怎么用筷子以及怎么吃，然后看著它吃就好了，它自然會(huì)在吃的過(guò)程中總結(jié)與吃有關(guān)的經(jīng)驗(yàn)然后越吃越順暢的。

伊娃算嗎？反正都是瓦力教的

       有關(guān)于電腦或者計(jì)算機(jī)學(xué)習(xí)與思考的話題其實(shí)并不時(shí)髦，早在上世紀(jì)六十年代，以machine learning（機(jī)器學(xué)習(xí)）為代表的一系列概念就已經(jīng)出現(xiàn)了。這些概念構(gòu)成了多領(lǐng)域的交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、線性及非線性過(guò)程分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)并用來(lái)改善自身的性能和執(zhí)行效率。它們的出現(xiàn)以及相關(guān)模型的建立賦予了計(jì)算機(jī)學(xué)習(xí)問(wèn)題進(jìn)而通過(guò)訓(xùn)練獲得更好的解決問(wèn)題的方法的能力，同時(shí)在理論上為日后的AI及人工智能發(fā)展鋪平了道路。

machine learning fundations

       等等，不對(duì)吧，既然50多年前的計(jì)算機(jī)就已經(jīng)開(kāi)始進(jìn)行學(xué)習(xí)和思考的過(guò)程了，我們?yōu)槭裁吹浇裉於歼€沒(méi)看到什么特別震撼的成果或者干脆見(jiàn)到AI呢？其實(shí)答案用想就能猜到了——machine learning的發(fā)展，在開(kāi)始階段就遭遇了難以逾越的瓶頸。

       以概念和需求而言，machine learning在當(dāng)時(shí)無(wú)疑都是一個(gè)超越時(shí)代的產(chǎn)物。機(jī)器的學(xué)習(xí)過(guò)程本質(zhì)上雖然簡(jiǎn)單，只需要設(shè)定好規(guī)則，然后把足夠多的信息塞給機(jī)器，接著讓機(jī)器處理這些信息即可，但這個(gè)過(guò)程需要兩樣最基本的要素——樣本信息總量和運(yùn)算能力總量，要命的是這兩樣?xùn)|西在那個(gè)時(shí)代可以說(shuō)都少的可憐。最初的machine learning模型能夠獲取的樣本完全靠設(shè)計(jì)者手工拾取和構(gòu)筑，在剛剛擺脫紙帶輸入進(jìn)入磁介質(zhì)存儲(chǔ)的當(dāng)時(shí)，這樣的樣本信息量充其量只能以KB為單位計(jì)。而處理能力則更不用說(shuō)了——你能指望一臺(tái)處理能力還不及今天的智能手表的大家伙以多長(zhǎng)的時(shí)間跨度來(lái)處理大量信息并完成學(xué)習(xí)呢？

這么個(gè)大塊頭的處理能力還不及現(xiàn)在的一塊智能手表

       有介于這些最簡(jiǎn)單卻又是最基本要素的缺失，machine learning在經(jīng)歷了誕生之初爆炸般的蓬勃發(fā)展之后便快速陷入了沉寂，雖然其后又經(jīng)歷了多次復(fù)蘇和發(fā)展，但卻一直沒(méi)有擺脫樣本總量不足以及運(yùn)算處理能力不足這兩個(gè)最根本的制約因素。盡管有筷子，但吃的東西不夠，吃的速度也快不起來(lái)，“餓著肚子”怎么可能有機(jī)會(huì)去學(xué)習(xí)和思考啊。在這種大環(huán)境下，machine learning的發(fā)展陷入了冷靜和沉寂，這種情況一直持續(xù)到了21世紀(jì)初才有所改觀。

黃仁勛在CES2015上發(fā)布的全新Tegra X1

       隨著互聯(lián)網(wǎng)以及以GPU節(jié)點(diǎn)為主的大規(guī)模并行計(jì)算體系的高速發(fā)展，人類進(jìn)入了真正意義上的“信息爆炸”時(shí)代，每時(shí)每刻都會(huì)有以TB甚至PB為單位計(jì)的數(shù)據(jù)在互聯(lián)網(wǎng)中飛馳，這些數(shù)據(jù)包羅萬(wàn)象，從我們每天拍的無(wú)數(shù)張照片到各種音頻視頻流數(shù)據(jù)無(wú)所不有，而人類所能夠擁有的并行計(jì)算能力也因?yàn)镚PU以及GPGPU的出現(xiàn)而提升到了前所未有的高度。machine learning發(fā)展所需要的兩樣最基本要素，在當(dāng)前這個(gè)時(shí)代中已經(jīng)不再是瓶頸和制約要素了，近乎無(wú)窮多而且每天都還在高速增長(zhǎng)的各種信息可以為其提供任何想要的學(xué)習(xí)樣本，而大規(guī)模并行計(jì)算則為學(xué)習(xí)過(guò)程提供了運(yùn)算能力的支撐，過(guò)去幾十年無(wú)法得到有效發(fā)展的尷尬好像一下子就消失不見(jiàn)了。

deep learning過(guò)程

       在等待和蟄伏的日子里，machine learning已經(jīng)發(fā)展出了更具針對(duì)性和效率的分支——deep learning，這是一種基于網(wǎng)格化和分布式運(yùn)算特正的，近似神經(jīng)網(wǎng)絡(luò)模型的新式機(jī)器學(xué)習(xí)模式。它將原本的machine learning過(guò)程并行化并進(jìn)一步加深了學(xué)習(xí)深度，通過(guò)復(fù)雜且龐大的并行非線性數(shù)據(jù)樣本所形成的網(wǎng)絡(luò)來(lái)完成training（訓(xùn)練）的過(guò)程，進(jìn)而實(shí)現(xiàn)多層結(jié)構(gòu)的立體式學(xué)習(xí)和思考模型。deep learning需要的大規(guī)模非線性數(shù)據(jù)樣本廣泛存在于整個(gè)互聯(lián)網(wǎng)當(dāng)中，而并行處理模式則與由GPU構(gòu)成節(jié)點(diǎn)的新一代超算集群契合度非常高。在一系列有利要素的推動(dòng)和促進(jìn)下，計(jì)算機(jī)的學(xué)習(xí)和思考過(guò)程再一次進(jìn)入了發(fā)展的快行道，大量應(yīng)用和事例不斷涌現(xiàn)并且被直接轉(zhuǎn)換成了實(shí)際生產(chǎn)力。

deep learning將讓計(jì)算機(jī)具備抽離和優(yōu)化規(guī)則的思考能力

       在剛剛結(jié)束的GTC以及WINHEC上，NVIDIA和微軟幾乎同時(shí)向我們展示了大量基于deep learning的超算集群科研成果、應(yīng)用以及實(shí)際產(chǎn)品，BAT/google/微軟的積極參與和大力推動(dòng)也在應(yīng)用層面刺激了deep learning的轉(zhuǎn)化，以deep learning加速的快速圖形識(shí)別和高精度語(yǔ)音識(shí)別為基礎(chǔ)的一系列服務(wù)已經(jīng)大量上線并開(kāi)始為用戶提供對(duì)應(yīng)的服務(wù)，我們所熟悉的百度圖片檢索就是這其中的代表。以當(dāng)前的形勢(shì)來(lái)看，能夠維系深度學(xué)習(xí)及計(jì)算機(jī)思考領(lǐng)域發(fā)展的良性生態(tài)循環(huán)已經(jīng)建立了。

       照這么看，機(jī)器學(xué)習(xí)與思考的技術(shù)發(fā)展已經(jīng)進(jìn)入了快行道，大白的到來(lái)應(yīng)該已經(jīng)近在咫尺啦？

● 我們距離大白的懷抱還有多遠(yuǎn)？

       一如既往的，我們又要重復(fù)那個(gè)我們重復(fù)了很多很多遍的詞了——很遺憾……盡管機(jī)器學(xué)習(xí)在各方面有利條件的推動(dòng)下進(jìn)入了高速發(fā)展階段，但我們距離被大白擁入懷抱那一天還是有一段不短的距離的。

       在Intel和NVIDIA所提供的硬件以及BAT/google/微軟的協(xié)力推動(dòng)下，目前最強(qiáng)大的超級(jí)計(jì)算機(jī)集群已經(jīng)能夠?qū)崿F(xiàn)十幾至幾十層layer約束深度下的監(jiān)督/非監(jiān)督思考和自主算法優(yōu)化過(guò)程，科研人員只需保證樣本數(shù)據(jù)的輸入，集群就可以自行完成效率的優(yōu)化和結(jié)果準(zhǔn)確率的提升，因此從某種意義上來(lái)講，我們似乎已經(jīng)可以被視為實(shí)現(xiàn)“會(huì)思考的電腦”了。

天河一號(hào)a超級(jí)計(jì)算機(jī)

       不過(guò)必須要注意的是，這種類似思考的過(guò)程其實(shí)僅僅局限于特定的算法和處理過(guò)程，而且不同算法之間的表現(xiàn)相差懸殊，所以說(shuō)當(dāng)前的deep learning過(guò)程對(duì)象性還十分明顯，面向一般意義上的“通用性思考過(guò)程”還完全無(wú)法實(shí)現(xiàn)，甚至連可以大規(guī)模部署試驗(yàn)的成熟模型都還沒(méi)有出現(xiàn)，想要將這個(gè)過(guò)程抽象成更的“思考行為”基本上也不現(xiàn)實(shí)。即便不考慮制造大白所需的工程學(xué)技術(shù)，單就大白的靈魂，也就是思考能力而言，我們所能夠?qū)崿F(xiàn)的幼稚能力也與要求相去甚遠(yuǎn)。到底遠(yuǎn)到什么地步呢？遠(yuǎn)到這次我們連模糊的大概抵達(dá)時(shí)間都無(wú)法給出了。從能夠解決常規(guī)開(kāi)放性問(wèn)題的“通用思考模型”從提出到實(shí)用化預(yù)計(jì)都要花上十余年的時(shí)間，而這樣的模型何時(shí)才會(huì)出現(xiàn)更是個(gè)未知數(shù)，這基本上斷絕了我們進(jìn)行預(yù)測(cè)的基礎(chǔ)。所以相當(dāng)遺憾，我們這次真的給不了關(guān)于大白什么時(shí)候能被造出來(lái)的“預(yù)言”了。

deep learning在醫(yī)療領(lǐng)域的應(yīng)用

       話說(shuō)回來(lái)，大白也許是一個(gè)遙不可及的夢(mèng)想，但現(xiàn)實(shí)中并非找不到“機(jī)器會(huì)思考之后能做些什么”的例子，比如我們剛剛就提到了，在剛剛結(jié)束的GTC以及WINHEC大會(huì)上，NVIDIA以及微軟均向我們展現(xiàn)了基于deep learning的超級(jí)計(jì)算機(jī)集群所能夠帶來(lái)的改變以及對(duì)未來(lái)的影響。這些變化涵蓋搜索、語(yǔ)音交互、服務(wù)供應(yīng)、汽車、醫(yī)療甚至金融等等各種與我們生活息息相關(guān)的領(lǐng)域，所以可能您還沒(méi)有注意到，但我們確實(shí)已經(jīng)生活在一個(gè)被會(huì)思考的電腦服務(wù)著的世界當(dāng)中了。

百度搜索的高精度圖片識(shí)別

       比如說(shuō)快速高精度圖片識(shí)別吧，踏青的時(shí)候如果您想知道某種很好看的花叫什么，現(xiàn)在只需要拍一張照片然后交給百度/google去識(shí)別就行了，搜索引擎背后基于deep learning的超算集群已經(jīng)通過(guò)數(shù)億甚至數(shù)百億張圖片樣本的學(xué)習(xí)掌握了區(qū)分圖像細(xì)節(jié)的方法，并且能夠自動(dòng)完成所有必須得細(xì)節(jié)判斷和檢索工作。我們只需要給一張照片，就能獲取過(guò)去必須通過(guò)語(yǔ)言詳盡描述之后才能夠獲取的信息和答案了。

超越siri的語(yǔ)音交互系統(tǒng)未來(lái)將會(huì)實(shí)現(xiàn)

       直接用圖片完成信息搜尋的方式不僅會(huì)改變我們的搜索習(xí)慣，還會(huì)對(duì)包括醫(yī)學(xué)在內(nèi)的諸多領(lǐng)域產(chǎn)生深遠(yuǎn)影響，從組織切片照片當(dāng)中快速識(shí)別病變細(xì)胞/癌細(xì)胞之類過(guò)去十分棘手的問(wèn)題，在deep learning支撐的系統(tǒng)當(dāng)中都將不再是難事。除此之外，基于deep learning的超算集群還在快速高精度語(yǔ)音識(shí)別、復(fù)雜背景音環(huán)境主音拾音以及連續(xù)動(dòng)態(tài)視頻監(jiān)控等領(lǐng)域表現(xiàn)出了相當(dāng)明顯的效率優(yōu)勢(shì)，無(wú)論是超越siri的語(yǔ)音交互系統(tǒng)還是更好的車載交互平臺(tái)，都將會(huì)在很近的未來(lái)得以實(shí)現(xiàn)。我們的生活，將會(huì)很快被會(huì)思考和學(xué)習(xí)的計(jì)算機(jī)徹底改變。

投入大白溫暖的懷抱是早晚都會(huì)實(shí)現(xiàn)的

       也許投入大白溫暖的懷抱在短時(shí)間內(nèi)無(wú)法實(shí)現(xiàn)，但我們覺(jué)得投身于會(huì)思考的機(jī)器所帶來(lái)的更便捷的生活當(dāng)中也不失為一個(gè)不錯(cuò)的選擇，不是么？