|
导语：道理我懂，但这么详细的介绍还是头一遭
人工智能是未来科技发展的趋势。人工智能是科幻的恣意想像。人工智能早就存在于我们的日常生活。这些说法都对，端视你指的是人工智能的哪个特点。 举例来说，Google DeepMind 的AlphaGo 项目初击败韩国围棋棋王李世乭时，媒体使用「人工智能」、「机器学习」与「深度学习」这几个名词来描述DeepMind 的致胜方式，这三者虽皆是AlphaGo 击败李世乭的原因，却并非指同一件事情，其中各有巧妙不同。 用同心圆最能简单说明三者间的关系，最早出现的人工智能是最大那个圆，接着是后来出现的机器学习，最后是推动目前人工智能领域出现爆炸性发展的深度学习，则是落在最内一圈。 从不景气走向繁荣 1956年达特矛斯会议集合多位电脑科学家诞生出人工智能领域，人工智能始终存在我们脑海的想像里，在实验室里酝酿着。数十年间，人工智能时而被预示为我们的文明最为璀灿的未来，时而被当成不自量力的电脑阿宅们轻率的想法，而被丢到成堆的科技垃圾报里。平心而论，在2012年前是处在这两种情况之间。 在过去几年里人工智能出现爆炸性成长，尤其是自2015年起，主因之一是 GPUs 日渐普极，使得平行运算的速度更快、成本更低，力量也更强大。无限制的储存空间和影像、文字、交易、地图资料等各种数据（整个大数据运动）如洪水般涌出，在这样连续左右拳猛击的情况下，同样也是相关主因之一。 接着介绍电脑科学家是如何从2012年前人工智能这个不受重视的领域，发展成为一片欣欣向荣的景象，每天有数百万人使用这些科学家创造出的应用程式。 人工智能 — 机器展现出人类智慧 会玩西洋跳棋的电脑程式是最早的人工智能应用范例之一，在1950年代引发不小的轰动。 回到 1956 年夏天的那场会议，人工智能领域先驱们的梦想是藉由新兴计算机构建具备等同于人类智力特征的复杂机器。这就是所谓的「广义人工智能（General AI）」的概念，拥有人类的所有感觉（甚至可能更多）、所有理智，并且像人类一样思考的神奇机器。 《星际大战》里的 C-3PO、成为人类敌人的终结者，电影已经出现太多这些被我们当做朋友的机器。广义人工智能的机器向来有充足的理由出现在电影和科幻小说里，我们阻止不了这件事，至少目前还做不到。 那么我们能做些什么? 这就到了「狭义人工智能（Narrow AI）」的概念，这是指在处理特殊任务之际，表现如同人类一样好，甚至是更好的技术。运用狭义人工智慧的例子有 Pinterest 上的影像分类与 Facebook 的人脸识别。 这些是应用狭义人工智能的例子，展现出人类智能的一些面向。但是又如何做到的？那项智能源自于哪里？接下来我们来看第二个同心圆，也就是机器学习。 机器学习 — 达到人工智能的方法 清理垃圾邮件：机器学习不断帮你清理里收件匣里的（大部分的）垃圾邮件。 机器学习最基础的用法，是通过演算法来分析数据、从中学习，以及判断或预测现实世界里的某些事，并非手动编写带有特定指令的软体程序来完成某个特殊任务，而是使用大量的数据和演算法来「训练」机器，让它学习如何执行任务。 最早提出人工智能概念的学者们构思出机器学习的概念，多年来也发展出决策树学习、归纳逻辑编程、丛集、强化学习和贝叶斯网路等演算法，然而这些都没有达到广义人工智慧的最终目标，也未实现狭义人工智慧的一小部分目标。 其实多年来最擅长应用机器学习的领域之一就是电脑视觉，不过仍得靠大量人工编码作业来完成工作。人们会制作人工编码分类器，像是边缘检测过滤器，让程序可以识别对象的启止位置、进行形状检测以确定是否为八边形，还有用来识别「S-T-O-P」的分类器。从这些人工编码分类器中，发展出能理解影像的演算法，「学习」判断是否这是一个停止标志。 这很好，但还不到让人惊艳的程度，特别是在起雾时无法完全看到标志的情况下，或者被树遮住了一部分。太过脆弱又太容易出错的电脑视觉和影像检测技术，还达不到与人类媲美的水准，一直要到近期才有重大突破。 时间和正确的学习演算法改变了一切。 深度学习 — 执行机器学习的技术 从早期机器学习又衍生出人工神经网路，这已有几十年的发展历史。我们对大脑生物学的理解，也就是所有神经元之间相互连接，成为发展神经网路的灵感。这些人工神经网路的各层、连结和数据传播方向呈现离散状态，不像生物大脑中的任何神经元，可以在一定的物理距离内连接其它神经元。 像是你可以将一个图像切成一堆碎片，并且输入到神经网路的第一层，接着第一层的独立神经元将数据传递给第二层，第二层神经元再传给第三层，一直传到最后一层并产生出最终结果。 各神经元对于输入内容都会分配一个权重，评估与否正确执行任务，并且由权重的加总值来判断最终产出的结果。以前面那个停止标志的例子来看，一一分解一个停止标志图像的特征，并且由神经元来「检查」它的八角形形状、红色的消防车、独特的字母、交通标志的尺寸，还有它是否有在动作。神经网路的任务是判定它是否为一个停止标志，这里产生出了一个「机率向量」，是一项基于权重、经过高度训练的猜测。在我们的例子里，系统可能有86% 的把握，觉得图像是一个停止标志，7% 的把握认为是一个限速标志，5% 的把握认为是一只卡在树上的风筝，接着网路架构将结果正确与否告诉神经网路。 驱赶猫儿：从 YouTube 影片里中挑出猫咪的图片，是深度学习首次的突破性表现之一 这个例子是有点夸张了些，直到近期为止人工智能研究领域一直都忽视神经网路这一块。研究人员从最早的人工智能开始，一直着力于这方面的研究，「智能」的成果却不出色。问题在于就算是最基本的神经网路也要使用大量计算资源，这不是一个实际的作法。不过一支由多伦多大学的 Geoffrey Hinton 带领的异端研究小组持续进行相关研究工作，最终在建置有GPU平行运算的超级电脑上证明了这个概念，实现了他们的承诺。 我们再回到停止标志的例子。正在调整或「训练」网路时，出现大量的错误答案，这是一个极佳的机会。网路需要的正是训练，它需要看到成千上万，甚至数以百万计的图像，直到精确调整神经元的输入权重，让它几乎每次都能得到正确答案，不管有无起雾、天气是晴是雨。在这方面神经网路已经自己学会停止标志的外观；或是在 Facebook 例子里怎么辨识妈妈的脸。 目前在一些情景内通过深度学习技术来训练机器辨识图像，表现比人类更优秀，从辨识猫咪到确认血液里的癌症指标，以及磁共振成像扫描中的肿瘤指标。 Google 的 AlphaGo 学会了游戏，并且反覆跟自己比赛来调整神经网路，训练它进行围棋比赛。 深度学习开创出众多机器学习方面的实际应用和全面推广人工智能领域 ，解决了许多任务，看起来有可能实现机器助手的梦想。无人驾驶车、更好的医疗预防服务，甚至是推荐更好看的电影，这些都已实现或在不远的道路上。人工智慧则是处在当下和未来。有了深度学习和机器学习，人工智能甚至能实现我们一直以来在科幻小说里所想像的状态。我拿走你的 C-3PO，你则能留着终结者。 感谢机器学习和深度学习，为人工智能创造出一个光明的未来 — 完 — |
|
|
