人工智能的发展及预测学习报告

人工智能的发展及预测学习报告

姓名

人工智能（AritificialIntelligence，AI）是一门融合了计

算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标

是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认

知、分类和决策等多种功能。

一、实现人工智能的方法----机器学习

机器学习最基本的做法，是使用算法来解析数据、从中学习，然

后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、

硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过

各种算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树

学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，

我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人

工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量

的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，

以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来

判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使

用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，

判断图像是不是一个停止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别

是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部

分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性

能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推进，学习算法的发展改变了一切。

二、实现机器学习的技术—深度学习

人工神经网络（Artificialeuraletworks）是早期机器学习

中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我

们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个

神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离

散的层、连接和数据传播的方向。

例如，我们可以把一幅图像切分成图像块，输入到神经网络的

第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的

神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到

最后一层，然后生成结果。每一个神经元都为它的输入分配权重，这

个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重

加总来决定。我们仍以停止（Stop）标志牌为例。将一个停止标志牌

图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、

救火车般的红颜、鲜明突出的字母、交通标志的典型尺寸和静止不

动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个

停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜

测——“概率向量”。这个例子里，系统可能会给出这样的结果：86%

可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一

个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正

确。即使是这个例子，也算是比较超前了。直到前不久，神经网络也

还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就

已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，

即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算

需求难以得到满足。

不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey

Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行

与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。我

们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来

的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上

千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十

分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。

只有这个时候，我们才可以说神经网络成功地自学习到一个停止

标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈

的脸；又或者是2012年吴恩达（Andrewg）教授在Google实现了

神经网络学习到猫的样子等等。

吴教授的突破在于，把这些神经网络从基础上显著地增大了。层

数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网

络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为

深度学习（deeplearning）加入了“深度”（deep）。这里的“深

度”就是说神经网络中众多的层。

现在，经过深度学习训练的图像识别，在一些场景中甚至可以比

人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁

共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然

后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自

己下棋，反复地下，永不停歇。

三、人工智能的发展历程

上图是人工智能的发展史，短短的70年间，人工智能的发展取

得了巨大的成功，并不断细化。从机器学习开始飞速进步，再到深度

学习驱动人工智能蓬勃发展，以至于造成了前所未有的巨大影响。

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth

Conferences），提出了“人工智能”的概念。其后，人工智能就一

直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十

年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；

或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之

前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一

部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有

效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的

组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量

爆发。这些方向的进步为包括谷歌、微软、facebook等国际互联网

巨头和包括百度、阿里、腾讯等国内人工智能发展的第一梯队带来了

巨大的潜在市场价值。

四、人工智能与人类智能较量（从AlphaGo理解预测）

以前人们说围棋AI十年内打不过职业棋手，于是

1、AlphaGoFan赢了樊麾；

2、AlphaGoLee赢了人类李世石；

3、AlphaGoLee有各种漏洞，于是AlphaGoMaster连赢60

局，围棋峰会毫无悬念打出3-0，还留下一堆“神”谱；

4、AlphaGoZero自我强化学习3天终结了AlphaGoLee；

这次AlphaZero的出世，意义不止在于研究棋类游戏；

它表明深度神经网络还有大量的潜力有待挖掘，尤其是与

之类似的对抗增强的网络模型。

但是，AlphaZero的强化学习训练耗费了海量的硬件资

源，暗示着想要实现更强的人工智能还需要更多的计算力。

有句话说“有多少人工就有多少智能”，所以这次的

AlphaZero短期带来的最大影响，可能是AI的各个研究领

域要开始发展硬件了。

我认为人工智能发展始终围绕着人类的发展，所谓“较

量”或许终究是人与人的较量、人与未来的较量，人与落

后的较量。我们应保持乐观积极的发展态度，给人工智能

以摧残的未来，同时，警惕技术触及伦理与道德和法律的

底线，我们的明天终会更加美好！

参考资料：

[1]《机器学习》-周志华