CIEFR成果 人工智慧淺析

作者簡介

趙帥，北京大學中國教育財政科學研究所博士後。

人工智慧是時下非常熱門的話題。什麼是人工智慧？引用麻省理工學院帕特里克·溫斯頓教授的定義，人工智慧研究的是如何使計算機去做過去只有人才能做的智能工作。為幫助缺乏相關背景知識的讀者更系統地了解人工智慧，本文從發展歷史、現代研究體系、與大數據的關係、專家觀點分享幾個方面對人工智慧進行介紹。

一、人工智慧發展歷史

人工智慧並不是一個新的概念，它誕生於1956年在美國召開的達特茅斯會議。當時約翰·麥卡錫等學者對人工智慧的界定是，讓機器的行為看起來像人所表現出的智能行為。自誕生之日至今，人工智慧的發展主要經歷了三個階段：

第一階段

1956年至1974年是人工智慧發展的第一個高峰期。在這段時間內，人工智慧的成功應用主要是解決了一些代數應用題、證明了一些幾何定理，使用的方法主要是基於搜索的方法。假設人工智慧要解一道數學題，其解題思路大體如下：首先，它將解題過程劃分為不同階段，其中每個階段都有多種可能的解法；接著，它會針對當前階段內每種可能的解法進行嘗試，直到找到正確的解法，然後向下一階段前進。當完成所有階段的運算後，人工智慧即實現了成功解題。當時，由於人工智慧的成功應用，一些學者說出了我們今天看來很熟悉的言論，如1965年著名學者赫伯特· 西蒙曾講：「二十年內，機器將能完成人能做到的一切工作。」然而，後續事實證明此類預判是過於樂觀的。

1974年至1980年，人工智慧經歷了第一個發展低谷。此低谷出現的主要原因是，人們發現人工智慧解決的是相對簡單的問題，由於計算機運算能力等因素的限制，當面對複雜性更高的問題時，人工智慧往往無能為力。

第二階段

1980年至1987年是人工智慧發展的第二個高峰期。在這段時間，人工智慧的典型應用為專家系統。專家系統主要適用於人類專家短缺、相關知識不易獲得的診斷、解釋、預測等任務。此處以MYCIN系統為例大致介紹專家系統的工作機制。上世紀七、八十年代，血液傳染病的診斷過程很複雜，高度依賴醫生的臨床經驗，缺乏經驗的醫生很難進行有效診斷。鑒於此，斯坦福大學開發了應用於血液傳染病診斷的專家系統MYCIN。該系統以規則集合的形式存放了大量醫學專家長期以來積累的與血液傳染病相關的知識。藉助該系統，經驗不足的醫生也能有效診斷病人。使用MYCIN時，醫生首先獲取病人的具體信息，如心率、血壓等，之後就這些信息與MYCIN的諮詢子系統進行交流。基於病人的信息與自身存儲的知識，MYCIN最終提供醫生診斷結果及治療方案。

雖然專家系統取得了令人眼前一亮的進展，但好景不長，人工智慧又經歷了1987年至1993年間的第二個發展低谷。此次低谷出現的主要原因是，人們發現專家系統僅適用於特定的應用情景，並不適用於普遍性問題。再者，若使專家系統保持有效性，人們需要對其進行長期維護與知識庫升級，這個過程往往伴隨較高的經濟成本。

第三階段

1993年至今是人工智慧發展的第三個高峰期。這波高峰出現的主要原因有兩點：其一，根據摩爾定律，在價格不變的情況下，計算機的性能每隔18-24個月便會增加一倍。計算機日益強大的運算能力為人工智慧的發展奠定了堅實的基礎；其二，基於性能強大的計算機，數學領域的複雜模型被用於構建深層智能，使人工智慧領域的難題得到了更好的解決。這段時期內人工智慧取得的一個標誌性突破為：1997年IBM製造的超級計算機「深藍」與國際象棋大師卡斯帕羅夫對弈時以2：1的總比分勝出。通過此例，人們認識到在某些競技項目上，人工智慧的表現比最傑出的人類選手還要出色。

二、現代人工智慧發展體系

「深藍」極具意義的一勝已是20年前。20年之後的今天，當我們再提及人工智慧，耳熟能詳的應用有很多，如自動駕駛、智能翻譯、AlphaGo、人臉識別、深度學習……那麼這些應用與人工智慧間存在什麼樣的系統性關聯？此部分從現代人工智慧體系的角度回答這個問題。

現代人工智慧體系主要包含計算機視覺、自然語言處理、機器人學、機器學習、認知與推理、博弈與倫理六個活躍的研究子領域。相比於其餘子領域，認知與推理、博弈與倫理與實際應用的距離較遠，本文僅以舉例的形式略加說明。

首先是認知與推理。仍以專家系統MYCIN為例，該系統結合病人信息及存儲的知識生成診斷結果、治療方案的過程，即為認知與推理的過程。其次是博弈與倫理。以前段時間火遍網路的「小型殺人機器人」為例，此類利用人工智慧技術進行精準打擊的武器若用於正當目的固然很好，但萬一落入恐怖分子之手後果則不堪設想，如何監管這類武器即為博弈與倫理領域學者關注的問題。

下文分別對計算機視覺、自然語言處理、機器人學、機器學習的工作及應用進行簡要介紹。

計算機視覺

計算機視覺領域的工作主要是從圖像視角提取特徵，用於描述物體外觀，進而完成物體識別與分類。此處列舉該領域的兩個典型應用：一是蘋果手機的人臉識別功能。在最新款的蘋果手機Iphone X中，用戶可在系統內預設自己的面部特徵。當手機鎖屏時，可通過攝像頭掃描當前面孔並與系統預設面孔進行比對，若一致，則手機自動解鎖。二是教育公司好未來推出的「魔鏡系統」。該系統通過實時掃描人臉，收集眉毛、嘴唇彎曲程度等數據，並結合演算法判斷人的情緒狀態。利用該系統，一位老師即使在面對很多學生時，也能準確把握每位學生的學習情緒，並藉此了解學生的學習狀況，給予學生更個性化的指導。

自然語言處理

自然語言處理領域的研究可以細分為三部分：第一部分是自然語言理解。計算機不能直接處理人的語言，自然語言理解的主要工作是將人類語言轉化為計算機易於處理的形式。第二部分是自然語言認知，此部分工作確保計算機在處理人的語言時，能「讀懂」語言的意思，「明白」人類表述語言背後的意圖。第三部分是自然語言生成。為實現計算機與人之間的互動，不僅需要計算機「懂」人的語言，而且也需要人懂計算機信息。自然語言生成的主要工作即是把計算機信息轉化成人的語言。此處列舉自然語言處理領域的兩個應用：一是科大訊飛研發的「聽見」系統。該系統能實時地把人的話語轉換成文字，並同時翻譯為六種語言。對於打算出國旅遊但又不懂外語的人來說，「聽見」系統無疑是伴侶「神器」。二是騰訊公司研發的「騰訊同傳」系統。該系統能以較高的可靠性提供同聲傳譯服務，在2018年的亞洲博鰲論壇上已被正式使用。

機器人學

機器人學注重視覺識別、語言交流、認知推理、機械控制等技術的綜合研發，典型應用為索尼公司開發的aibo狗（圖1）。從外觀上看，aibo狗十分可愛，與真實的狗相似度很高。從功能上講，aibo狗具備多項智能，比如，它能識別人的情緒。當人沖它微笑時，它會做出晃腦袋、搖尾巴等代表高興情緒的動作。它也能識別人的部分行為模式，當人在它面前攤開雙掌時，它會伸出兩隻前腿積極與人互動。

圖1 索尼公司開發的人工智慧：aibo狗

機器學習

機器學習領域的工作主要是讓機器從輸入數據中獲得知識，進而自動幫人類完成解釋、預測等任務。最近，機器學習中廣受關注的對象為深度學習。深度學習並不是一個模型，而是一系列模型的總稱，我們可以廣義地將其理解為深度神經網路的集合。近兩年深度學習在語音識別、圖像處理等方向上的應用取得了很大成功。在深度學習的一系列模型中，卷積神經網路（Convolutional Neural Network，CNN）堪稱「明星」級模型，圖2為卷積神經網路的一個示例。

圖2 卷積神經網路示例

從構成結構的角度來講，卷積神經網路分為輸入層、隱藏層和輸出層。隱藏層又細分為卷積層、池化層。討論卷積神經網路更多的細節，若缺乏相關背景知識，可能一時不易理解，但提及圖3所示的圍棋人機大戰，相信很多人都知道。有人會問，圍棋人工智慧AlphaGo大勝排名世界第一的人類棋手柯潔，靠的是什麼？類比人類的大腦，是什麼充當了AlphaGo的大腦？答案就是卷積神經網路。利用卷積神經網路，AlphaGo從大量人類棋手的歷史對局中習得了下棋妙法，並獲得了遠強於人類棋手的棋勢預判能力。

圖3 AlphaGo與柯潔的人機圍棋大戰

三、人工智慧與大數據

現今談起人工智慧，常被提起的一個詞語是大數據。什麼是大數據？目前並無清晰的定義，但對於大數據的特徵是有共識的。一般被描述為4V特徵：Volume（數量）、Velocity（速度）、Variety（種類）、value（價值）。簡單來講，大數據的數據量巨大、增長速度很快、存在的形式豐富、蘊含的價值很高。那麼大數據與現代人工智慧有什麼關聯？概括來講，大數據是人工智慧的基礎。人工智慧的「智能」，是利用機器學習演算法從大數據中學來的。因此，想要使人工智慧具備什麼樣的本領，就需要為它提供什麼樣的大數據。比如，若要讓人工智慧學會中英文翻譯，就要為它提供中英文對應文本大數據；若要AlphaGo學會下圍棋，就要為它提供圍棋對局大數據。

從暢想未來的角度講，也許有一天人工智慧不再需要人準備的大數據作為知識源，僅通過自身機制即可在應用場景中學習、進化，像AlphaGo的高階版AlphaGo Zero一樣，這樣的人工智慧無疑能為人提供更靈活、更有效的服務。目前來看，人類要實現這樣通用的人工智慧還有很長的路要走，AlphaGo Zero之所以能夠成功，是因為圍棋的場景是十分清晰明了的，比如，針對圍棋建模時，模型的輸入、輸出能被清楚地定義，分別為棋盤的當前狀態、下一步的落子位置。輸入、輸出清晰，模型即可基於大數據進行有效優化，進而獲取「智能」。但在別的應用場景（如汽車自動駕駛）下，由於外部環境中需要考慮的因素太多，可以採取的行動種類也太多，建模時清晰地定義輸入、輸出是很困難的。

四、人工智慧專家觀點分享

自AlphaGo戰勝人類圍棋高手後，人們看到了人工智慧的巨大潛力。因此，圍繞著人工智慧進行了廣泛的討論，其中有兩種觀點的熱度較高：第一種是人工智慧萬能論，認為人工智慧彷彿開啟了上帝視角，無所不能。第二種是人類智能威脅論，認為人工智慧會造成大範圍失業，甚至有一天會取代人類。那麼現代人工智慧到底發展到什麼程度了？是不是已經到了萬能、威脅人類的地步？就此，本文分享兩位人工智慧領域前沿學者的看法。

首先是機器學習領域權威、加州大學伯克利分校邁克爾·喬丹教授的觀點：

1.「未來十年之內，人工智慧的智能水平還非常有限。」

2. 「創造力對於人工智慧系統來說還很難實現。現在所謂的智能，只能複製、模擬人類的行動，而不是真正的智能。」

3.「人工智慧代替一部分人的工作崗位是很正常的，但同時也有更多新崗位的出現。」

其次是卡耐基梅隆大學計算機科學系邢波教授的觀點：

1.「人工智慧現階段的功能主要用於視覺場景識別、自然語言處理與翻譯等，但是一些深度的視覺學習是目前技術無法實現的。」

2.「人工智慧仍然處在『中世紀階段』，開發者仍在嘗試不同的方法與研究。 人工智慧的普及仍然有很長的路要走。」

3.「在人工智慧發展的初級階段，人類過度的焦慮是沒有必要的，新的工作將會應運而生，人類一定程度上不可被科技取代。」

總結以上兩位學者的觀點，我們發現：第一，人工智慧目前雖有亮眼應用，但整體仍處在初級階段，能做的還很有限；第二，人工智慧確實會造成一部分人失業，但搶人「飯碗」的同時，它也會帶來新的工作機會，因此人們無須過度焦慮。

以上，本文對人工智慧的發展歷史、現代研究體系等內容進行了介紹。未來人工智慧將取得哪些突破？將帶給人類什麼樣的驚喜？讓我們拭目以待。

-END-

北京大學中國教育財政科學研究所

第一所專門致力於教育財政研究的學術機構

CIEFR-PKU

歡迎關注北京大學中國教育財政科學研究所（CIEFR）官方微信號「中國教育財政」，也歡迎將我們的文章發送到朋友圈或轉給好友。轉載請務必註明文章來源，並保持文章完整性，不得刪除「中國教育財政」及微信號，違者必究。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！