賀倩：用開放的心態迎接人工智慧

■人工智慧技術的萌芽很早就出現了。早在20世紀40年代,英國數學家圖靈提出了人工智慧的基礎問題――機器是否可以思考,從而拉開了人工智慧技術的研究序幕。

■人工智慧的發展存在著兩條發展路徑:弱人工智慧和強人工智慧。弱人工智慧是通過人類編寫好的演算法來解決和計算某些問題。而強人工智慧是通過對生物行為或大腦的研究和模仿以期達到對意識、情感、理智三位一體的人工智慧模型。簡單地說,就是通過無監督學習、人工生命、神經網路等技術讓機器具有人類的感知、思維和情感。

在AlphaGo打敗柯潔之後,人工智慧瞬間被推到了聚光燈下,不同專家的解讀,不同商品的概念捆綁,人工智慧一時間被理解為無所不能的技術,未來科技發展的重要驅動力,甚至還出現了針對人工智慧取代勞動力的恐慌。

人工智慧技術是如何起源的?它又經歷了哪些發展?本文試圖還人工智慧以本來的面目。

轉折和重生

實際上,人工智慧技術的萌芽很早就出現了。早在20世紀40年代,英國數學家圖靈提出了人工智慧的基礎問題――機器是否可以思考,從而拉開了人工智慧技術的研究序幕。可以說早期人工智慧技術的發展非常快,現在沿用的大多數人工智慧的技術雛形,如神經網路、啟發式演算法、進化演算法等都已經在當時被一一提出,而且人工智慧技術的發展也得到了當時政府的大力扶植,並投入了大量的科研經費以維持人工智慧的研究。

儘管投入巨大,但仍無法避免人工智慧的研究在20世紀70年代陷入衰退期。究其原因,一方面在於人工智慧的演算法需要進行大量的計算,而當時的計算資源顯然跟不上演算法進步的速度:另一方面,人工智慧落地的項目太少,無法產出相應的經濟效益,這也使得資本市場對此意興闌珊。

在這個時候,專家系統這項人工智慧技術誕生了。專家系統通過錄入行業專家經驗信息形成規則庫,以指導事件求解和預測,它並不需要大量的計算資源,部署起來也相對簡單,同時也比以前依賴經驗進行產品線參數調整的工作更加精確了,所以很快就在工業界推廣起來。

專家系統的成功應用給業界樹立了人工智慧技術研究的信心。與此同時,硬體市場的發展、進步提升了計算設備的計算能力,所以各種機器學習演算法如雨後春筍般出現了。不同人工智慧演算法的融合和擴展形成了目前人工智慧的發展脈絡。

目前,人工智慧受到了前所未有的重視。2017年7月20日國務院正式印發《新一代人工智慧發展規劃》,明確提出人工智慧的三步走計劃,到2030年人工智慧核心產業規模超過1萬億元,帶動相關產業規模超過10萬億元。Gartner發布的《2017十大技術趨勢》報告中更是指出,到2020年人工智慧將成為服務提供商的主要戰場。而領英發布的《全球AI領域人才報告》顯示,截至2017年一季度,基於領英平台的全球人工智慧領域技術人才數量超過190萬。其中,中國人工智慧領域人才總數有5萬餘人,位居全球第七。然而人工智慧領域的人才缺口仍然十分巨大,其供求比例僅為1:10,供需嚴重失衡。

是什麼導致了當下人工智慧如此火爆的狀況?首先是人工智慧技術本身的優勢。如果說一開始人工智慧的提出是為了研究機器的智能化,到現在人工智慧技術的發展已經不僅僅局限於此。人工智慧技術所展現出來的學習和預測能力已經讓人們大為驚訝,更不要說人工智慧系統的多輸入和多輸出的架構模式可以並行處理大量數據了。人工智慧對於大量歷史數據,特別是具有複雜關係的數據的處理簡直是得心應手。

其次是人工智慧和各種新興技術的碰撞會產生一些新突破。在過去的幾十年間,金融業、工業、醫療等不同行業產生了大量的數據記錄,而這些數據通常只進行簡單的存儲和備份,從來沒有人去挖掘這些數據中蘊含的深層意義。現在我們又迎來了數據爆炸的時代,運營商和服務提供商每天追逐流量、用戶黏性、活躍度等信息。移動互聯網、大數據、超級計算等新的名詞和技術層出不窮。在這樣的背景下,人工智慧加速發展,呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特徵。在大數據的驅動下,在超級計算資源的支持下,在移動互聯網萬物互聯的背景下,人工智慧正邁入新階段,推動經濟社會各領域從數字化、網路化向智能化加速躍升。

最後還有一個重要原因,那就是深度學習在2010年取得的突破性進展。深度學習的本質也是神經網路,只不過以前受計算資源所限,神經網路的層數不能太多,因此限制了學習結果的精準度。如今,在計算能力的支持下,神經網路結構可以加入多個隱藏層從而達到逐層認知,深度學習的目的。在2010年,深度學習與語音識別相結合產生了巨大的突破,使得識別錯誤率降低了20%,這個改進幅度超過了過去多年的總和。

強弱人工智慧之爭

人工智慧的蓬勃發展也給我們當前的社會也帶來了深刻的影響。一方面,人工智慧可以把人們從重複性的繁重工作中解放出來,從而讓人們有更多的自由時間來支配,而另一方面,在公眾中也存在著因害怕機器取代人類而出現的恐慌。

不得不說的是,人工智慧的發展存在著兩條發展路徑,我們可以稱之為弱人工智慧和強人工智慧。弱人工智慧是通過人類編寫好的演算法,或者軟體智能化來解決和計算某些問題。這樣的演算法或軟體只是採用一些智能化的計算工具,而計算行為需要人為觸發或控制,這種人工智慧技術的目標是通過智能化計算更好地解決一些複雜問題。而強人工智慧是通過對生物行為或大腦的研究和模仿以期達到對意識、情感、理智三位一體的人工智慧模型。簡單地說,就是通過無監督學習、人工生命、神經網路等技術讓機器具有人類的感知、思維和情感。

那麼可以預知的是,弱人工智慧是在人類控制下進行的, 即使Siri能夠風趣地回答用戶的提問,那也不過是人類工程師在程序中進行設定的結果。而強人工智慧確實是以模仿人類的智能和情感為目標的,但是它是否會取代人類本身呢?在這個問題上我們可以參考百度大腦的研發進度。

2014年,李彥宏宣布百度大腦具備大概3歲孩童的智力水平,2015年進步為4歲孩童的智力水平,而現在百度大腦的本質還是被描述為一個分散式的深度學習網路。對於模擬大腦來說,進行圖像識別需要萬億級的參數、千億的樣本和訓練、數十萬的GPU(圖形處理器)伺服器保障,更不要說模擬人類的情感和感知,並建立連接進行決策和創造等更加複雜的人類活動了。就目前的人工智慧發展狀況來看,對於人工智慧會取代人類的恐慌和擔憂似乎有些為時過早。當然,以謹慎的態度對待強人工智慧的研發,規範強人工智慧在進展過程中可能出現的倫理和道德問題,也是人工智慧發展道路上需要考慮的問題。

全方位滲透

目前人工智慧技術正在全面地向各個行業滲透。在交通行業,實現了人工智慧助力自動駕駛汽車。通過人工智慧技術,汽車可以處理大量複雜道路、行人和其他車輛的信息並得出行駛路線的智能決策。在金融行業,人工智慧技術可以生成金融分析模型,並且可以對歷史信息進行分析,以便在徵信和風控領域進行輔助控制。在醫療行業,人工智慧技術可以通過對海量歷史數據的挖掘,協助醫生完成輔助診斷,還可以通過對醫療影像數據的分析初步得出病理分析。

人工智慧在各行業全面運用的同時,我們也需要關注兩個可能制約其發展的問題。其一是計算資源浪費問題。人工智慧技術要針對必要和不必要的大量數據進行反覆的計算才能形成學習模型,計算量非常大,會佔用非常多的計算資源。其二是安全問題。人工智慧技術通常需要收集大量的感知數據進行匯總,在數據傳輸和存儲方面存在安全隱患,這也是人工智慧在金融、社保等安全性要求較高的行業內發展較為緩慢的原因之一。

更多的人似乎認為科幻世界中的自動駕駛、智能管家、逗趣的機器人等炫酷的場景和設備才是人工智慧。但實際上,人工智慧正在潛移默化地改變我們的生活,只是我們並不太容易察覺。比如,使用蘋果手機時我們要用指紋解鎖,比如百度可以進行語音搜索,再比如支付寶可以進行刷臉付款,種種在生活中已經很熟悉的場景實際上都有人工智慧技術的因素,它們都在「潤物細無聲」地瀰漫在我們的日常生活中。

雖然人工智慧在短期內並不會對人類的生活產生絕對性的改變和顛覆,但是量變總會引起質變。人工智慧技術正在默默地改變人類的生活,我們要用開放的心態去迎接它,讓一代一代的研究者、開發者、用戶去推動和實現新一代的智能生活。

(作者系中國信息通信研究院技術與標準研究所工程師)

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！