作者：王天一

一批人認(rèn)為可以通過模擬大腦的結(jié)構(gòu)（神經(jīng)網(wǎng)絡(luò)）來實現(xiàn)，而另一批人則認(rèn)為可以從那些簡單生物體與環(huán)境互動的模式中尋找答案。他們分別被稱為連接學(xué)派和行為學(xué)派。與此相對，傳統(tǒng)的人工智能則被統(tǒng)稱為符號學(xué)派。自20世紀(jì)80年代到90年代的十年間，這三大學(xué)派形成了三足鼎立的局面。

人機(jī)大戰(zhàn)是符號主義學(xué)派人工智能的標(biāo)志性應(yīng)用。

連接主義學(xué)派并不認(rèn)為人工智能源于數(shù)理邏輯，也不認(rèn)為智能的關(guān)鍵在于思維方式。這一學(xué)派把智能建立在神經(jīng)生理學(xué)和認(rèn)知科學(xué)的基礎(chǔ)上，強(qiáng)調(diào)智能活動是由大量簡單的單元通過復(fù)雜的相互連接后并行運(yùn)行的結(jié)果。

連接主義學(xué)派最主要的成果是人工神經(jīng)網(wǎng)絡(luò)技術(shù)。

但連接主義學(xué)派依然面臨著難以解決的問題：科學(xué)家們雖然會向大腦學(xué)習(xí)如何構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，卻根本不清楚這些神經(jīng)網(wǎng)絡(luò)究竟是如何工作的。智能仍然躲在黑盒子里，深藏不露。

行為主義學(xué)派的出發(fā)點與符號主義學(xué)派和連接主義學(xué)派完全不同，他們認(rèn)為人工智能源于由美國數(shù)學(xué)家諾伯特·維納（Nor-bert Wiener）建立的全新學(xué)科——控制論。

根據(jù)感覺同態(tài)原理，事物性質(zhì)（或質(zhì)的定性）由此而產(chǎn)生的模糊性、非單調(diào)性和矛盾性等各種不確定性，不僅要同態(tài)地映射到人的感知記憶集中，而且，要在人的各種思維活動中反映出來。也就是說，所謂人類思維與智能的各種不確定性，實質(zhì)上只是事物性質(zhì)（或質(zhì)的定性）的各種不確定性的表現(xiàn)而已。

進(jìn)化是個修補(bǔ)匠，而不是工程師。可正是修補(bǔ)匠的縫縫補(bǔ)補(bǔ)，補(bǔ)出了宇宙中最令人嘆為觀止的智能奇跡。

驗證碼的出現(xiàn)恰是人類智能絕妙的體現(xiàn)：識字的小朋友都能完成的任務(wù)，迄今為止卻沒有任何計算機(jī)算法能夠做到。

學(xué)習(xí)、歸納與推理 ——這才是人工智能。

選擇性注意機(jī)制的生理學(xué)基礎(chǔ)是模塊化的層次結(jié)構(gòu)和分布式表征。

智能是主體在各種各樣的紛繁復(fù)雜的環(huán)境中實現(xiàn)目標(biāo)的能力。

得到的結(jié)果就是通用歸納模型和序貫決策理論的結(jié)合。通用歸納將歸納轉(zhuǎn)化為預(yù)測，而預(yù)測的關(guān)鍵是對數(shù)據(jù)的建模或編碼表示，預(yù)測的精度依賴于對模式的掌握程度。諸如分類、類比、聯(lián)想、泛化等與智能相關(guān)的要素，都可以被廣義地理解為對模式的追求，對計算機(jī)而言則是找尋最優(yōu)編碼。但找尋最優(yōu)編碼的過程無法通過解析方式執(zhí)行，只能通過試錯不斷逼近。其核心是用可控的主觀概率代替未知的客觀概率，不同的主觀概率則來源于對描述客觀世界的不同算法的反向推演。

歸納是一個不斷試錯的學(xué)習(xí)過程，算法概率使得我們可以根據(jù)經(jīng)驗不斷修正信念、逼近真實的客觀概率，再借助序貫決策理論。

幫助我們追逐效用，能夠自動適應(yīng)各種可能環(huán)境的超級智能體就橫空出世了。

深藍(lán)的核心在于”算”：利用強(qiáng)大的計算資源來優(yōu)化目標(biāo)函數(shù)。

它使用了兩個各司其職的神經(jīng)網(wǎng)絡(luò)：策略網(wǎng)絡(luò)和價值網(wǎng)絡(luò)。

如果說策略網(wǎng)絡(luò)關(guān)注的核心是“知彼”，價值網(wǎng)絡(luò)關(guān)注的就是“知己”：在當(dāng)前的局勢下，我下在哪個位置能得到最大的勝算。

最初的一步 ——模式識別。

模式空間。

特征空間。

關(guān)于神經(jīng)網(wǎng)絡(luò)的作用，在國外的問答網(wǎng)站Quora上有非常通俗的描述：如果你去買芒果，但又不知道什么樣的芒果最好吃，最簡單的方法就是每一個都親口嘗一嘗，吃完就知道個頭大、顏色深的比較好吃，再買的時候選這種就行了。要是把這個方法套用到計算機(jī)上，讓計算機(jī)“嘗”一遍所有芒果，它就能夠總結(jié)出關(guān)于芒果好吃判斷標(biāo)準(zhǔn)的一套規(guī)律。有了這套規(guī)律后，一旦把新芒果的特征輸入計算機(jī)，計算機(jī)就能夠根據(jù)已有規(guī)則判斷出芒果的好壞，豈不美哉。

神經(jīng)元的實質(zhì)就是分類器，它把由所有輸入信號構(gòu)成的空間一分為二，兩邊的元素分別屬于不同的類。

人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)本質(zhì)是一種特殊的有向圖，這個有向圖可以由一層或多層節(jié)點組成，每一層的節(jié)點都通過有向弧指向上一層的節(jié)點，每一條有向弧都用一個權(quán)值來描述，同一層的節(jié)點之間則并無連接。

人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量由三個要素決定：網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點函數(shù)，訓(xùn)練數(shù)據(jù)的質(zhì)量和完備性、訓(xùn)練方法的合理性。

深度學(xué)習(xí)又被稱為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network），其基礎(chǔ)也是人工神經(jīng)網(wǎng)絡(luò)，“深度”則體現(xiàn)在神經(jīng)網(wǎng)絡(luò)的層數(shù)以及每一層的節(jié)點數(shù)量。

深度學(xué)習(xí)從原始自然信號中提取特征完成任務(wù)的過程是個“黑盒子”，缺乏可解釋性，類似于哺乳動物的低級認(rèn)知功能。

從工業(yè)時代到信息時代的轉(zhuǎn)變，是從機(jī)械思維到數(shù)據(jù)思維的轉(zhuǎn)變。

所謂機(jī)械思維，是指建立在思辨的邏輯推理基礎(chǔ)上的思維方式。

20世紀(jì)初量子力學(xué)的誕生與發(fā)展迫使人們接受了微觀世界這個全新的觀察視角，同時也不得不承認(rèn)不確定性才是世界的本質(zhì)。

消除不確定性的唯一方法就是引入信息。

而大數(shù)據(jù)的出現(xiàn)，意味著信息時代最有力的工具已經(jīng)悄然到來，更意味著信息時代的下一次進(jìn)化。

大數(shù)據(jù)是指以容量大、類型多、存取速度快、應(yīng)用價值高為主要特征的數(shù)據(jù)集合。

大數(shù)據(jù)的出現(xiàn)顛覆了原有的認(rèn)知模式：認(rèn)識事物的方式變成了先尋找相關(guān)關(guān)系，再尋找因果關(guān)系。

在大數(shù)據(jù)時代，只要知其然就已經(jīng)足夠了。

情感、直覺和情緒并不是與智能不同的東西，而只是另一種人類特有的思維方式。情感是先于理智存在的，人工智能只有智力，沒有情感，不是真正的智能。

人類的情感，就是人類主體對于客觀事物的價值關(guān)系的一種主觀反映。

人們猛然醒覺人工智能的發(fā)展離不開神經(jīng)科學(xué)與心理學(xué)，下一個技術(shù)突破必將來源于對情感和情緒的了解，這無疑是現(xiàn)有人工智能的瓶頸。

所謂情感計算，意在通過賦予計算機(jī)識別、理解、表達(dá)和適應(yīng)人的情感的能力，來建立和諧的人機(jī)環(huán)境，并使計算機(jī)具有更高的、更全面的智能。

這也是為什么我們?nèi)匀徽嬲\地相信，創(chuàng)造性和想象力將會是人類最后的陣地。

人工智能會誘導(dǎo)人自愿放棄思考的權(quán)利，用種種潛在的鎖鏈塑造出一條看不見的流水線，用數(shù)據(jù)和算法生產(chǎn)出一個真實的“人”。

它如此事無巨細(xì)地影響著我的生活體驗，會不會有一天變成由它來決定我喜歡什么。我想我們都希望能做智能的主人，而不是智能的奴隸。

1993年7月5日的《紐約客（New Yorker）》上配發(fā)的題為“在互聯(lián)網(wǎng)上，沒人知道你是條狗！”的漫畫，成為對網(wǎng)絡(luò)空間虛擬性的絕妙嘲諷。

虛擬現(xiàn)實通過欺騙我們的大腦，進(jìn)而控制我們的意識。一旦進(jìn)入這個虛擬的世界，你就會身不由己地被它操作。

人類通常會把一個句子視為整體，即使對其進(jìn)行拆分也并不簡單地依賴字詞，而是根據(jù)邏輯關(guān)系進(jìn)行處理。這使得人類翻譯非常靈活。

即通過學(xué)習(xí)一個非線性投影函數(shù)，把圖像空間投影到特征空間中。在這個特征空間里，跨年齡的同一個人的兩張人臉的距離會比不同人的相似年齡的兩張人臉的距離要小。

降維算法的應(yīng)用開啟了人工智能對推薦系統(tǒng)的改造。

人工智能中的負(fù)反饋 ——強(qiáng)化學(xué)習(xí)。

當(dāng)然，我們的描述只用了寥寥百余字，但這百余字背后是百萬行數(shù)量級的復(fù)雜代碼，其實現(xiàn)實過程非常復(fù)雜。

司馬賀對學(xué)習(xí)給出了一個簡單的定義：性能的改進(jìn)就是學(xué)習(xí)。

Deep Mind將深度神經(jīng)網(wǎng)絡(luò)與所有動物都有的通過大腦多巴胺驅(qū)動獎勵機(jī)制的“強(qiáng)化學(xué)習(xí)（Re-inforcement Learning）”結(jié)合起來，在神經(jīng)圖靈機(jī)、人工智能輔助醫(yī)療以及人工智能安全等方向上取得了頗多建樹。