很多人認(rèn)為，經(jīng)過多年的積累，人工智能技術(shù)已處于爆炸式增長的前夕——也許他們的判斷沒錯，但作為信息科技領(lǐng)域的從業(yè)者，我和同行們更關(guān)心的是，人工智能何以突然間從“冷宮”穿越到“朝堂”上，成為了萬眾矚目的焦點？誰在為人工智能賦能？
請想象以下場景——
某種人工智能助手成為了像數(shù)字支付、地圖那樣的基礎(chǔ)服務(wù)。
它跨越平臺。無論是PC和手機，又或是智能家電與無人汽車，它都隱身于幕后，隨時準(zhǔn)備著響應(yīng)主人的“召喚”。
它跨越應(yīng)用。用戶無論是拍照片、玩游戲，又或是到語言不通的異國旅行、開始一輪新的健身訓(xùn)練，都少不了它的陪伴。
它還是跨越場景的，感官健全的。能聽又能說、能看又能寫，也就是說，它會極大地增強主人的能力，幫助人類更好地應(yīng)對工作與生活場景中的各種挑戰(zhàn)。
人工智能技術(shù)：爆炸倒計時？
盡管目前行業(yè)里還沒有一款人工智能產(chǎn)品能達到這樣的水平——既能對接企業(yè)的產(chǎn)品數(shù)據(jù)庫，又能基于長期的用戶數(shù)據(jù)積累，達成對主人客觀情況的某種程度的了解——但我們距離類似的目標(biāo)已越來越近。
預(yù)計幾年之內(nèi)，通過嵌入各類硬件、軟件與服務(wù)中，人工智能可以收集到更多實時生成的用戶數(shù)據(jù)，類似于體重、體脂、體溫、心率、血氧飽和度等生理健康指標(biāo)和健身項目、時長等運動指標(biāo)等自身數(shù)據(jù)，以及用戶飲食禁忌、消費習(xí)慣、品牌偏好等外部數(shù)據(jù)，再加上時刻灌入更新的實時企業(yè)商品及服務(wù)信息，就可以為用戶提供最貼身、最吻合其需要的生活提示與消費推薦。當(dāng)然，所有的用戶數(shù)據(jù)都會加密存儲于云端，不會有泄密的問題。
很多人認(rèn)為，經(jīng)過多年的積累，人工智能技術(shù)已處于爆炸式增長的前夕——也許他們的判斷沒錯，但作為信息科技領(lǐng)域的從業(yè)者，我和同行們更關(guān)心的是，人工智能何以突然間從“冷宮”穿越到“朝堂”上，成為了萬眾矚目的焦點？誰在為人工智能賦能？
三大動力
盡管人們很早以前就開始對有自主思維與行動能力的機器展開暢想，并在60年前（達特茅斯會議）便確立了“人工智能”（Artificial Intelligence）的概念，但經(jīng)歷了幾十年漫長歲月的探索、挫折、重振，直到最近這幾年，學(xué)術(shù)界、產(chǎn)業(yè)界似乎才看到將人工智能由構(gòu)想轉(zhuǎn)換為現(xiàn)實的曙光。
深度學(xué)習(xí)算法、高質(zhì)量大數(shù)據(jù)與高性能計算資源，這是令人工智能技術(shù)研發(fā)驟然加速的三大動力，推動著人工智能從實驗室走向人們工作與生活，也推動著相關(guān)技術(shù)孵化和裂變出越來越多的精彩應(yīng)用。
首先，深度學(xué)習(xí)算法其實就是推理算法與機器學(xué)習(xí)算法的結(jié)合。典型的深度學(xué)習(xí)模型往往需要架設(shè)出層次很深的神經(jīng)網(wǎng)絡(luò)，通過強化模型的復(fù)雜度來提升機器的學(xué)習(xí)能力，而模型復(fù)雜度又需要增加模型寬度（即隱性神經(jīng)元數(shù)目）與增加模型深度（即隱層數(shù)目）。
其次，研究者還必須不斷提高數(shù)據(jù)規(guī)模與質(zhì)量，來增強機器的學(xué)習(xí)效果。以過去幾個月來名聲大噪的AlphaGo為例，這個圍棋程序借助對人類六至九段棋手的16000次對局分析獲得了3000萬個布點數(shù)據(jù)，并將這些數(shù)據(jù)用來訓(xùn)練其“策略網(wǎng)絡(luò)”（Policy Network）。
其三，高性能計算資源亦不可或缺。Elo評分法（Elo Rating）是由美籍匈牙利裔物理學(xué)博士阿帕德·埃羅（Arpad Elo）創(chuàng)建的對決類比賽選手水平評分方法。根據(jù)Elo評分，AlphaGo采用不同硬件配置、運行于異步模式（Asyncdivonous）與分布模式（Distributed）時對應(yīng)的得分如圖1：
圖1：AlphaGo的Elo評分，引自谷歌Deep
很顯然，分布模式下，從1202個CPU、176個GPU到1920個CPU、280個GPU，計算性能的線性增長只帶來了28點的評分增長，這表明，計算資源呈線性增長，評分卻不可能同樣呈線性增長。越往后，每一點評分的增長都需要海量計算資源的支持。