有人看到風(fēng)險，有人洞見機(jī)遇。投資者正在不斷涌入這個領(lǐng)域，科技巨頭們則在不斷收購人工智能創(chuàng)業(yè)公司，并爭先吸引學(xué)術(shù)界最優(yōu)秀的研究人才。根據(jù)數(shù)據(jù)分析公司Quid的研究數(shù)據(jù)，在2015年，人工智能企業(yè)的成本創(chuàng)下85億美元的記錄，幾乎為2010年的四倍。投資公司Playfair Capital 的 Nathan Benaich 說，2015年人工智能企業(yè)的投資輪數(shù)比上一年多16%，而與此同時科技產(chǎn)業(yè)整體投資輪數(shù)減少了3%。Playfair Capital是一家基金管理機(jī)構(gòu)，該公司在人工智能的投資組合達(dá)到 25%。“XX＋人工智能”取代了“XX行業(yè)的Uber”，成為創(chuàng)業(yè)公司默認(rèn)的商業(yè)模式。谷歌，F(xiàn)acebook，IBM，亞馬遜和微軟都想方設(shè)法在云端建立人工智能服務(wù)的生態(tài)系統(tǒng)。“這項(xiàng)技術(shù)將會用在各行各業(yè)中，只要這個行業(yè)有任意種類的數(shù)據(jù)，圖像，語言等數(shù)據(jù)類型都可以。”MetaMind的創(chuàng)始人Richard Socher說，“人工智能將遍地開花。”MetaMind是一家人工智能創(chuàng)業(yè)公司，最近被云計(jì)算巨頭Salesforce 收購。
這意味什么？本篇特別報道將會審視這項(xiàng)新科技的崛起，探索它對工作，教育，政策的潛在影響，思考它在道德和監(jiān)管方面的作用。同時，本文還思考了能從機(jī)器問題最初的答案中學(xué)到的東西。AI引發(fā)的擔(dān)憂和熱情不相上下，同時帶來了很多問題，然而值得記住的是，其中的很多問題我們在以前都曾問過，并已經(jīng)有了答案。
2. 技術(shù)：從無法工作到神經(jīng)網(wǎng)絡(luò)
人工智能的繁榮基于傳統(tǒng)與現(xiàn)代想法的結(jié)合。
人工智能如何從剛開始的傲慢與失望，突然成為科技界最熱門的領(lǐng)域呢？人工智能（artificial intelligence）這個術(shù)語最早被寫在1956年的一份研究計(jì)劃中，該計(jì)劃聲稱“如果一個精心挑選的科學(xué)家小組花一個夏天一起研究，就能使機(jī)器解決各種人類無法解決的問題……”，從而實(shí)現(xiàn)重大的進(jìn)步。那被證明只是瘋狂過度地樂觀，人工智能雖然偶有突破，但其承諾的遠(yuǎn)比其所能提供的多得多。最終，大多研究者都避免使用這個術(shù)語，而更喜歡用“專家系統(tǒng)”或“神經(jīng)網(wǎng)絡(luò)”?，F(xiàn)在“人工智能”的名譽(yù)恢復(fù)和重新興起要追溯到2012年被稱為ImageNet挑戰(zhàn)賽的在線競賽。
ImageNet是一個擁有數(shù)百萬張圖片的在線數(shù)據(jù)庫，所有圖片都有人工做的標(biāo)簽。對于任何給定詞，例如“氣球”或“草莓”，ImageNet里都能找到上百張對應(yīng)的圖片。每年的ImageNet競賽鼓勵該領(lǐng)域的人在計(jì)算機(jī)識別和自動標(biāo)記圖片上進(jìn)行比賽，并衡量他們的進(jìn)展。這些系統(tǒng)首先使用被正確標(biāo)記的圖片集進(jìn)行訓(xùn)練，然后挑戰(zhàn)標(biāo)記之前沒見過的測試圖片。在后續(xù)的研討會上，優(yōu)勝者會分享并討論他們的技術(shù)。2010年獲勝的系統(tǒng)可以正確標(biāo)記72%的圖片（人類平均有95%的準(zhǔn)確率）。2012年，多倫多大學(xué)的Geoff Hinton帶領(lǐng)的團(tuán)隊(duì)實(shí)現(xiàn)了85%的準(zhǔn)確率，這要?dú)w功于一項(xiàng)叫“深度學(xué)習(xí)”的新技術(shù)。這帶來了一種長遠(yuǎn)快速的改進(jìn)，在2015年的ImageNet競賽上，一個深度學(xué)習(xí)系統(tǒng)以96%的準(zhǔn)確率第一次超過了人類。
2012年的成果被認(rèn)為是一項(xiàng)突破，但Yoshua Bengio說，他們依靠的是“結(jié)合以前已經(jīng)有了的東西。”Yoshua Bengio是蒙特利爾大學(xué)的計(jì)算機(jī)科學(xué)家，他與Hinto以及另外幾個人被稱為深度學(xué)習(xí)的先驅(qū)。大體上，這項(xiàng)技術(shù)使用了大量的計(jì)算和訓(xùn)練數(shù)據(jù)，對來自人工智能發(fā)展初期的一個舊思路進(jìn)行改進(jìn)，這個舊思路也就是人工神經(jīng)網(wǎng)絡(luò)（ANN）——這是生物學(xué)啟發(fā)的人工神經(jīng)元（腦細(xì)胞）網(wǎng)絡(luò)。
在生物大腦中，每個神經(jīng)元都能被其它神經(jīng)元觸發(fā)，將輸出的信號饋送給另一個神經(jīng)元，而且此神經(jīng)元的輸出也能繼續(xù)觸發(fā)其它神經(jīng)元。一個簡單的ANN網(wǎng)絡(luò)有一個輸入神經(jīng)元層，在這里數(shù)據(jù)被饋送進(jìn)網(wǎng)絡(luò)中；還有一個輸出層輸出結(jié)果，中間可能還會有三兩個隱藏層對信息進(jìn)行處理。（實(shí)際中，ANN網(wǎng)絡(luò)全部在軟件中模擬。）網(wǎng)絡(luò)中的每一個神經(jīng)元都有一系列的「權(quán)重」和一個「激活函數(shù)」控制著輸出的信號發(fā)射。訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)涉及到對神經(jīng)元權(quán)重的調(diào)整，以便一個給定的輸入產(chǎn)生期望的輸出。ANN在20世紀(jì)90年代早些時候就已經(jīng)實(shí)現(xiàn)了一些有用的結(jié)果，例如識別手寫數(shù)字。但在完成更為復(fù)雜的任務(wù)上，ANN陷入了困境。
在過去的十幾年中，新技術(shù)的出現(xiàn)和對激活函數(shù)的一種簡單調(diào)整使得訓(xùn)練深度網(wǎng)絡(luò)變得可行。同時，互聯(lián)網(wǎng)的興起產(chǎn)生了數(shù)十億可用于目標(biāo)訓(xùn)練的文檔、圖片、視頻數(shù)據(jù)。這所有的一切都需要大量的數(shù)字操作能力，而2009年左右當(dāng)幾個人工智能研究團(tuán)體意識到個人計(jì)算機(jī)和視頻游戲機(jī)上用于生成精致畫面的GPU也同樣適用于運(yùn)行深度學(xué)習(xí)算法之后，計(jì)算能力也不再是個問題了。斯坦福大學(xué)由吳恩達(dá)帶領(lǐng)的一個人工智能團(tuán)隊(duì)發(fā)現(xiàn)GPU能夠幾百倍地加速深度學(xué)習(xí)系統(tǒng)。然后，訓(xùn)練一個四層的神經(jīng)網(wǎng)絡(luò)突然就變得很快了，由之前需要花費(fèi)幾周的時間變成了不到一天時間。GPU生產(chǎn)商N(yùn)VIDIA的老總黃仁勛說這是一個令人高興的對稱：GPU這一游戲工作者用于為游戲玩家構(gòu)建幻想世界的芯片也能用于幫助計(jì)算機(jī)通過深度學(xué)習(xí)理解真實(shí)世界。