真诚 专注 共赢
新 闻 动 态
nEWS
AI三大突破推动了人们期待已久的人工智能的到来
来源:
|
作者:zhuoer
|
发布时间: 2016-07-28
|
5803 次浏览
|
分享到:
[导读] 近年来的三大突破推动了人们期待已久的人工智能的到来。但我们不只是在重新定义AI的含义，我们也在一直重新定义人类的含义。在过去60年中，随着机械加工复制了我们曾以为只有人类具有的行为和能力，我们不得不改变之前将人类与机器区分开的看法。随着更多种类AI的发明，我们将被迫放弃更多被视为只有人类具有的东西。我们将在接下来的十年或一个世纪中面对一场永久的身份危机，不断追问人类存在的意义。最讽刺的是，日常使用的实用性AI带给人类最大的好处不是增加了效率，带来了丰饶经济，或是进行科学研究的新方式，而是帮助定义人类。我们需要AI来告诉我们是谁。
近年来的三大突破推动了人们期待已久的人工智能的到来。
1. 廉价的并行计算
思考天然就是一个并行过程，数十亿神经元同时运作来创造同步的皮层计算波。为了打造作为AI软件主要架构的神经网络，需要多个不同的进程同时进行。神经网络的每一个节点都大致代表大脑的一个神经元，与周边节点互动，理解接收到的信号。为了理解一个说出来的词，程序必须能听到所有相关的音素；为了识别一张图片，它需要看到每一个像素以及周边像素；这些都是需要深度并行计算的任务。但直到最近，通常的计算机芯片都只能一次处理一项任务。
这一切从十多年前就开始改变了，图形处理单元（GPU）芯片的出现，可以用来满足视频游戏中繁重的视觉和并行计算需求，即每秒需要多次重新计算数百万像素。这一任务需要一块专门的并行计算芯片，作为PC主板的补充。这种并行图形处理芯片奏效了，游戏性大幅飙升。到2005年，GPU价格大降。2009年，斯坦福大学的吴恩达（Andrew Ng，现已加入百度）及其团队意识到，GPU芯片可以并行运行神经网络。
这一发现释放了神经网络新的可能性，使得神经网络节点的连接数可达数亿。传统处理器计算一个一亿节点神经网的所有级联可能性需耗时数周。而吴恩达发现，一个GPU集群完成同一任务只需一周。如今，诸多使用云的公司使用运行在GPU之上的神经网络，比如识别照片中用户好友的Facebook，为其5000万订户提供可靠推荐的Netflix。
2. 大数据
每一种智能都需要教育。就算是天生能进行分类的人脑，也需要看到十几个例子，才能分辨猫和狗。这一点对于人工智能而言更是如此。即便是编得最好的程序也需要玩至少一千局国际象棋才能表现良好。AI突破的部分原因是我们收集到的海量数据，为训练AI提供了所需的材料。巨型数据库、自追踪、网络cookie、在线足迹、TB级存储、十几年的搜索结果、维基百科以及整个互联网都成了让AI变得更聪明的老师。
3. 更好的算法
数字化神经网络发明于20世纪50年代，但计算机科学家们花了数十年时间来驾驭100万到1亿个神经元之间庞大的组合关系。解决问题的关键是按层来组织神经网络。就比如识别人脸这个相对简单的任务。当一个神经网络中有一组比特被发现符合某个模式（比如眼睛）时，这一结果就会传输给神经网络的另一层来进一步解析。下一层可能会将两只眼睛组合到一起，然后将这一有意义的结果传输给下下一层，而下下一层又可以将这一结果与鼻子的模式联系在一起。识别一个人脸可能需要几百万个节点（每个节点都会生成供周围节点使用的结果），层数可达15层。2006年，当时供职于多伦多大学的Geoff Hinton对这一方法进行了一次关键改良，并将它命名为“深度学习”。他能从数学上优化每一层的结果，从而使学习速度加快。几年后，深度学习算法被移植到GPU上，速度提升巨大。深度学习算法并不足以保证复杂的逻辑思考，但它是目前所有AI必不可少的组成部分，包括IBM的Watson、Google的搜索引擎以及Facebook的算法。
这一由并行计算、大数据和深度学习算法组成的完美风暴使得进行了60年的AI一夜成真。而这一交叉也表明，只要这些技术趋势延续下去（也没有理由不延续），AI将继续得到改进。
随着改进的继续，这一基于云的AI将日益成为我们日常生活不可或缺的一部分。但这一切都有代价。云计算遵循收益递增的法则（有时候也被称为网络效应），即网络越大，增长越快。网络越大，对新用户的吸引力就越大，从而使得网络变得更大，这又进一步增大了吸引力，如此往复。提供AI的云也遵循同样的法则。越多人使用AI，AI就会变得越聪明。一旦一家公司进入这一良性循环，它就会变得更大，增长得更快，没有任何新兴竞争对手能与之匹敌。因此，未来的AI将由两到三家大的通用云AI公司统治。
半人半AI
1997年，Watson的前任深蓝击败了当时的国际象棋大师Garry Kasparov。在机器又胜了几场类似的比赛后，人类基本上失去了对此类比赛的兴趣。你可能以为这就是故事的结局了，但Kasparov意识到，如果自己也能像深蓝一样立刻访问此前国际象棋棋局的海量数据库，他能表现得更好。如果这一数据库工具对于AI来说是公平的，为什么人类不能用呢？为了探索这一想法，Kasparov率先倡导人加机器比赛的概念，即用AI增强人类国际象棋选手，而不是人类对抗机器。
如今这类比赛被称为自由风格国际象棋比赛，选手们可以使用任意对抗技术，可以单人上，也可以完全按照国际象棋计算机的要求移动棋子，或者如Kasparov 所倡导的成为“半人半AI”选手。“半人半AI”选手将听取AI提供的下棋建议，但通常会不顾这一建议，就像我们在汽车上使用GPS导航一样。在2014年的自由风格国际象棋冠军赛中，纯粹的国际象棋AI引擎赢了42场比赛，而“半人半AI”选手赢了53场比赛。现在最优秀的国际象棋选手就是“半人半AI”的Intagrand，这是一个由人类和多个国际象棋程序组成的团队。
但最令人惊讶的是：AI的出现并没有降低纯人类国际象棋选手的表现。相反，便宜、超级聪明的国际象棋程序激发了更多人来玩国际象棋，联赛场数增多，选手们也变得更好了。现在的国际象棋大师人数是深蓝击败Kasparov时的两倍多。如今排名第一的人类国际象棋选手Magnus Carlsen接受了AI的训练，他被视为最像计算机的人类国际象棋选手，同时也是有史以来排名最高的人类国际象棋大师。
AI定义了人类
如果AI能帮助人类成为更好的国际象棋选手，它也能帮助我们成为更好的飞行员、医生、裁判和老师。大多数由AI完成的商业工作都将使用专门的软件AI，比如某个AI能将任意语言翻译成另一语言，但在其他方面就无能为力了；能开车，但不能对话；或者能回忆起YouTube上所有视频的每一个像素，却不能预测用户的日常工作。在未来10年中，人们直接或间接打交道的AI中有99%会是高度专一的专家AI。
事实上，这并非真正的智能，起码不是我们所认为的智能。实际上，智能可能是一种倾向，尤其是如果我们认为“智能”是自我意识的话。我们希望自动驾驶汽车只专注于道路，而不是和车库争论。医院里的Watson应该专心于自己的工作，而不是想是否应该先主修英语。随着AI的发展，我们可能要预防AI产生意识，最高级的AI服务可能会以无意识来标榜自己。
相反，我们想要是人工智慧而非智能。与通常的智能不同，智慧专注、可度量，具有专门性。智慧也能以完全不同于人类认知的方式思考。这种非人类思考方式的有趣例子是，IBM研究人员在今年3月的西南偏南大会上演示了用Watson生成菜谱。其中一个菜谱是使用了酸橘汁腌鱼和油炸车前草的炸鱼和薯条。有人试吃了后，感觉味道还不赖！人类可能根本就想不到这种菜谱。
非人类智能不是问题，而是功能。AI的主要优点就是它们的异类智能。AI思考食物的方式与大厨不同，从而也能让我们以不同的方式思考食物，思考制造材料、衣服，思考金融衍生物，或是任一门类的科学和艺术。人工智能的异类性对我们的价值将比其速度或力量更大。
AI将帮助我们更好地理解智能。过去，我们会说超智能AI将驾驶汽车，或是在国际象棋大赛上击败人类。而一旦AI做到这些事情，我们就觉得这些成就并不足以称之为真正的智能。AI取得的每一次成功都重新定义了自己。
但我们不只是在重新定义AI的含义，我们也在一直重新定义人类的含义。在过去60年中，随着机械加工复制了我们曾以为只有人类具有的行为和能力，我们不得不改变之前将人类与机器区分开的看法。随着更多种类AI的发明，我们将被迫放弃更多被视为只有人类具有的东西。我们将在接下来的十年或一个世纪中面对一场永久的身份危机，不断追问人类存在的意义。最讽刺的是，日常使用的实用性AI带给人类最大的好处不是增加了效率，带来了丰饶经济，或是进行科学研究的新方式，而是帮助定义人类。我们需要AI来告诉我们是谁。
近年来的三大突破推动了人们期待已久的人工智能的到来。
1. 廉价的并行计算
思考天然就是一个并行过程，数十亿神经元同时运作来创造同步的皮层计算波。为了打造作为AI软件主要架构的神经网络，需要多个不同的进程同时进行。神经网络的每一个节点都大致代表大脑的一个神经元，与周边节点互动，理解接收到的信号。为了理解一个说出来的词，程序必须能听到所有相关的音素；为了识别一张图片，它需要看到每一个像素以及周边像素；这些都是需要深度并行计算的任务。但直到最近，通常的计算机芯片都只能一次处理一项任务。
这一切从十多年前就开始改变了，图形处理单元（GPU）芯片的出现，可以用来满足视频游戏中繁重的视觉和并行计算需求，即每秒需要多次重新计算数百万像素。这一任务需要一块专门的并行计算芯片，作为PC主板的补充。这种并行图形处理芯片奏效了，游戏性大幅飙升。到2005年，GPU价格大降。2009年，斯坦福大学的吴恩达（Andrew Ng，现已加入百度）及其团队意识到，GPU芯片可以并行运行神经网络。
这一发现释放了神经网络新的可能性，使得神经网络节点的连接数可达数亿。传统处理器计算一个一亿节点神经网的所有级联可能性需耗时数周。而吴恩达发现，一个GPU集群完成同一任务只需一周。如今，诸多使用云的公司使用运行在GPU之上的神经网络，比如识别照片中用户好友的Facebook，为其5000万订户提供可靠推荐的Netflix。
2. 大数据
每一种智能都需要教育。就算是天生能进行分类的人脑，也需要看到十几个例子，才能分辨猫和狗。这一点对于人工智能而言更是如此。即便是编得最好的程序也需要玩至少一千局国际象棋才能表现良好。AI突破的部分原因是我们收集到的海量数据，为训练AI提供了所需的材料。巨型数据库、自追踪、网络cookie、在线足迹、TB级存储、十几年的搜索结果、维基百科以及整个互联网都成了让AI变得更聪明的老师。
3. 更好的算法
数字化神经网络发明于20世纪50年代，但计算机科学家们花了数十年时间来驾驭100万到1亿个神经元之间庞大的组合关系。解决问题的关键是按层来组织神经网络。就比如识别人脸这个相对简单的任务。当一个神经网络中有一组比特被发现符合某个模式（比如眼睛）时，这一结果就会传输给神经网络的另一层来进一步解析。下一层可能会将两只眼睛组合到一起，然后将这一有意义的结果传输给下下一层，而下下一层又可以将这一结果与鼻子的模式联系在一起。识别一个人脸可能需要几百万个节点（每个节点都会生成供周围节点使用的结果），层数可达15层。2006年，当时供职于多伦多大学的Geoff Hinton对这一方法进行了一次关键改良，并将它命名为“深度学习”。他能从数学上优化每一层的结果，从而使学习速度加快。几年后，深度学习算法被移植到GPU上，速度提升巨大。深度学习算法并不足以保证复杂的逻辑思考，但它是目前所有AI必不可少的组成部分，包括IBM的Watson、Google的搜索引擎以及Facebook的算法。
这一由并行计算、大数据和深度学习算法组成的完美风暴使得进行了60年的AI一夜成真。而这一交叉也表明，只要这些技术趋势延续下去（也没有理由不延续），AI将继续得到改进。
随着改进的继续，这一基于云的AI将日益成为我们日常生活不可或缺的一部分。但这一切都有代价。云计算遵循收益递增的法则（有时候也被称为网络效应），即网络越大，增长越快。网络越大，对新用户的吸引力就越大，从而使得网络变得更大，这又进一步增大了吸引力，如此往复。提供AI的云也遵循同样的法则。越多人使用AI，AI就会变得越聪明。一旦一家公司进入这一良性循环，它就会变得更大，增长得更快，没有任何新兴竞争对手能与之匹敌。因此，未来的AI将由两到三家大的通用云AI公司统治。
半人半AI
1997年，Watson的前任深蓝击败了当时的国际象棋大师Garry Kasparov。在机器又胜了几场类似的比赛后，人类基本上失去了对此类比赛的兴趣。你可能以为这就是故事的结局了，但Kasparov意识到，如果自己也能像深蓝一样立刻访问此前国际象棋棋局的海量数据库，他能表现得更好。如果这一数据库工具对于AI来说是公平的，为什么人类不能用呢？为了探索这一想法，Kasparov率先倡导人加机器比赛的概念，即用AI增强人类国际象棋选手，而不是人类对抗机器。
如今这类比赛被称为自由风格国际象棋比赛，选手们可以使用任意对抗技术，可以单人上，也可以完全按照国际象棋计算机的要求移动棋子，或者如Kasparov 所倡导的成为“半人半AI”选手。“半人半AI”选手将听取AI提供的下棋建议，但通常会不顾这一建议，就像我们在汽车上使用GPS导航一样。在2014年的自由风格国际象棋冠军赛中，纯粹的国际象棋AI引擎赢了42场比赛，而“半人半AI”选手赢了53场比赛。现在最优秀的国际象棋选手就是“半人半AI”的Intagrand，这是一个由人类和多个国际象棋程序组成的团队。
但最令人惊讶的是：AI的出现并没有降低纯人类国际象棋选手的表现。相反，便宜、超级聪明的国际象棋程序激发了更多人来玩国际象棋，联赛场数增多，选手们也变得更好了。现在的国际象棋大师人数是深蓝击败Kasparov时的两倍多。如今排名第一的人类国际象棋选手Magnus Carlsen接受了AI的训练，他被视为最像计算机的人类国际象棋选手，同时也是有史以来排名最高的人类国际象棋大师。
AI定义了人类
如果AI能帮助人类成为更好的国际象棋选手，它也能帮助我们成为更好的飞行员、医生、裁判和老师。大多数由AI完成的商业工作都将使用专门的软件AI，比如某个AI能将任意语言翻译成另一语言，但在其他方面就无能为力了；能开车，但不能对话；或者能回忆起YouTube上所有视频的每一个像素，却不能预测用户的日常工作。在未来10年中，人们直接或间接打交道的AI中有99%会是高度专一的专家AI。
事实上，这并非真正的智能，起码不是我们所认为的智能。实际上，智能可能是一种倾向，尤其是如果我们认为“智能”是自我意识的话。我们希望自动驾驶汽车只专注于道路，而不是和车库争论。医院里的Watson应该专心于自己的工作，而不是想是否应该先主修英语。随着AI的发展，我们可能要预防AI产生意识，最高级的AI服务可能会以无意识来标榜自己。
相反，我们想要是人工智慧而非智能。与通常的智能不同，智慧专注、可度量，具有专门性。智慧也能以完全不同于人类认知的方式思考。这种非人类思考方式的有趣例子是，IBM研究人员在今年3月的西南偏南大会上演示了用Watson生成菜谱。其中一个菜谱是使用了酸橘汁腌鱼和油炸车前草的炸鱼和薯条。有人试吃了后，感觉味道还不赖！人类可能根本就想不到这种菜谱。
非人类智能不是问题，而是功能。AI的主要优点就是它们的异类智能。AI思考食物的方式与大厨不同，从而也能让我们以不同的方式思考食物，思考制造材料、衣服，思考金融衍生物，或是任一门类的科学和艺术。人工智能的异类性对我们的价值将比其速度或力量更大。
AI将帮助我们更好地理解智能。过去，我们会说超智能AI将驾驶汽车，或是在国际象棋大赛上击败人类。而一旦AI做到这些事情，我们就觉得这些成就并不足以称之为真正的智能。AI取得的每一次成功都重新定义了自己。
但我们不只是在重新定义AI的含义，我们也在一直重新定义人类的含义。在过去60年中，随着机械加工复制了我们曾以为只有人类具有的行为和能力，我们不得不改变之前将人类与机器区分开的看法。随着更多种类AI的发明，我们将被迫放弃更多被视为只有人类具有的东西。我们将在接下来的十年或一个世纪中面对一场永久的身份危机，不断追问人类存在的意义。最讽刺的是，日常使用的实用性AI带给人类最大的好处不是增加了效率，带来了丰饶经济，或是进行科学研究的新方式，而是帮助定义人类。我们需要AI来告诉我们是谁。
上一篇：
无