來源：小康視界
作者：楊小康
校對：葉龔兵
編輯：胡蝶
本文長度為6418字，建議閱讀13分鐘 智能時代正在到來，本文為大家解讀未來人工智能。 作者按：2016年，人工智能60周年。 1956年夏，麥卡錫、明斯基等正式確立了人工智能（ArtificialIntelligence）這一術語，標志著人工智能學科的誕生。 60年后，AlphaGo戰勝李世石，確立了人工智能新的里程碑。智能時代正在到來，站在人工智能的歷史性關口，斯蒂芬·霍金、雷·庫茲韋爾、尤瓦爾·赫拉利等一大批國際學者對人工智能的未來做過大膽預測。人工智能已上升為國家戰略，國家“科技創新2030 重大項目”將新增“人工智能2.0”。最近，我國一批院士以及專家學者對未來人工智能和人工智能2.0進行了深刻闡述。 近年來，本人承擔了人工智能相關的課程和項目，也一直在苦苦思考。本文根據本人在中國計算機學會計算機視覺分會“CCF-CV走進高校系列報告會（第二十九期）”中的報告整理而成，分享對未來人工智能的若干初淺思考。若有不當之處，敬請指正和諒解。
一、從AlphaGo看人工智能現狀
1、AlphaGo是誰？
根據世界圍棋排行榜，AlphaGo的工作單位是Google DeepMind，性別：無，國籍：英國。它的戰績為，2016年一月份勝了歐洲冠軍，兩個月后勝了世界冠軍，當時，有同學問我，如果AlphaGo和柯杰下，誰贏?當時，我說，我猜AlphaGo贏，因為AlphaGo是在科學原理上贏了李世石。很不幸，我猜中了。2017年1月份對決柯潔等，60勝1和，聶衛平隨后在微博上贊嘆：“它是圍棋上帝派來給人類引路的”。
*來源：www.goratings.org，2016.7.1
2、AlphaGo為什么能贏？
圍棋是棋類游戲的皇冠上的明珠，最復雜的棋類游戲，最能體現人類智慧。在這么一個19*19的棋譜上，它的搜索復雜度高達250^150。
這有多復雜？
這是宇宙級別的復雜度，根據天體物理，整個宇宙粒子數量在10^80級別。由此可見，圍棋有多復雜，這也是AlphaGo震撼人類的原因。我們知道人類高手下圍棋主要靠宏觀的直覺，加上局部的計算。AlphaGo能夠贏在于利用最新的深度學習技術，模仿高手，并通過自我學習超越高手。
AlphaGo的第一招：模仿高手，學習高手的棋形。
要模仿高手棋形，AlphaGo需要一個分類器來判斷棋形象不象高手的棋形。圍棋盤可以看成是19*19的圖像，雖然這個圖像很小很小，但是有250^150種變化，要對這些變化分成高手棋形、非高手棋形，是一個挺難的機器學習問題。難就難在高手棋形的特征不好定義、不好提取。在人臉識別、車牌識別中，我們可以定義顏色、邊緣、關鍵點等特征，顯然圍棋棋形的特征不能這樣定義。深度學習是一種最新的特征學習方法，能夠自動學出好的特征。
AlphaGo用了最新的圖像分類器，叫深度卷積神經網絡（DCNN）。不同于傳統的人工神經網絡，他層數特別多，學習和分類的能力特別強。神經網絡1943年就提出來了，50年代末和80年代中興起過兩波研究熱潮，以前的人工神經網絡層數很淺，一般只能訓練兩個隱層，只能解決一些簡單識別問題。2000年左右，G. Hinton等提出了一套預訓練后向傳播的方法，當時就能訓練10幾層，現在的深度學習能夠學習100多層。DCNN是專門針對圖像識別的深度學習方法，對局部圖像進行卷積計算，效率很高。
*來源：圖片來自于互聯網
Nature上有一篇介紹深度學習的綜述，G. Hinton、Y. Lecan、Y. Bengio等深度學習三巨頭是共同作者[1]。Hinton、Lecun相繼去了Google、Facebook，而Bengio繼續留在學術界。這是一個非常有意思的現象。一方面，深度學習跟以前的學術熱點不太一樣，之前，學術界曾經有過很多的熱點，但工業界很少跟進，更談不上花巨資去學術界挖著名科學家。Hinton、Lecun到工業界兼職，說明深度學習是真正有用的，有可能改變產業格局。另一方面，深度學習的成功更多是在應用層面的，很多理論問題還不清楚。兩人去工業界，一人留在學術界，是一種很健康的現象。
深度學習能夠發揮巨大威力的前提是，要有大量的數據用來訓練深度結構，深度學習會涉及到到上百萬、甚至上億的參數，如果數據不夠，很容易過擬合、降低性能。而要進行這樣大規模的訓練，就要有超強的計算能力。其實DCNN 1998年就提出來了，當時只能解決NIST符號識別問題，現在能夠解決ImageNet問題，其使用的深度學習結構基本沒變，主要是用了更強的CPU和以前沒有的GPU，并且用了千萬倍的訓練圖像。據說，AlphaGo存有15萬職業棋手、百萬業余高手的棋譜，訓練的時候會用到1202個CPU，176個GPU。現在GPU服務器在深度學習研究中已經是基本配置。
*來源：Fei-Fei LI，ICME2016大會報告
AlphaGo的第二招：自我學習，自我進化。
模仿高手還不足以超越高手，要超越頂尖高手，AlphaGo用了一個自我學習的方法，就像金庸小說《射雕英雄傳》中的老頑童周伯通，左右互博，自己跟自己學。AlphaGo可以開出兩個程序，自己跟自己下。高手也會自己跟自己擺棋譜，高手擺棋譜擺得慢，需要吃飯、休息。而阿爾法狗只要有電，就一直可以左右互博下去，這就使得阿爾法狗有可能超越高手。
為了達到左右互博的效果，AlphaGo用了一個叫深度強化學習的技術，Google 2014年收購DeepMind后, 申請了深度強化學習的專利。強化學習很符合智能體的學習規律，小孩在不斷跌倒中學會走路，猴子在胡蘿卜加大棒下學會做馬戲。強化學習的特點，一方面是Agent通過環境交互中學習，另一方是，訓練標注稀少，獎賞在現實世界中，通常是不輕易使用的，并且通常是有一定延時的。比如，孩子考試考得好，我們會給點獎勵，但是考試不是經常考，考完要有一段時間才能知道結果。
強化學習主要包括感知、行動、獎賞三個環節，構成一個狀態轉移空間。學習過程可以用馬爾科夫決策過程來表示。以前的強化學習的算法訓練只能解決很小的狀態轉移空間。AlphaGo面臨的是一個超大轉移空間的問題，同時還是一個帶有超長延時訓練標注的問題，一開始的棋，不太好量化好壞，直到很后面才能夠數出各自大概的目數，判斷輸贏，這就可以歸結成為一個深度強化學習問題。這個問題恰恰可以用深度的遞歸神經網絡（DRNN）解決。DRNN的訓練和前面的卷積神經網絡沒有太多的區別。
在左右互博中，AlphaGo 局部會采用一種叫蒙特卡洛搜索樹的隨機策略進行搜索，先用前面提到的CNN的簡化版本，快速定位比較好的落子方案，同時通過隨機策略，給了其他位置一定的概率。隨機策略使得整個系統能夠自我進化，簡化的CNN兼顧了速度和效率。
把兩招合在一起就是：深度卷積網絡，模仿高手，尋找好的落點；深度強化學習，形成左右互博，自我進化。深度強化學習另外一個副產品就是產生了海量的對局，用來充實深度卷積網絡的訓練數據，兩招完美結合在一起。
3、再論AlphaGo是誰？
AlphaGo是最新深度學習方法、棋譜大數據以及最新超算體系的總和，它還以現代科學技術指數發展原理繼續進化，并且沒有任何情緒波動。既然AlphaGo是這樣的一個人工智能系統，是不是它已經在科學原理上已經戰勝了人類棋手？在此我想說，作為人類個體的李世石、柯潔們，雖然告負，但對人類整體來說，這無疑是人類自我挑戰的新的里程碑！
二、未來人工智能和AI2.0國家戰略
1、漫談未來人工智能
關于未來，盡管以AlphaGo為代表的現在人工智能已具備了很高的水平，但還有很多的局限性。中科院院士譚鐵牛在2016年中國人工智能學會年會《關于人工智能發展的思考》報告中，曾經總結過四句非常有意思的話。我是這么理解的，我的理解不一定對。
第一句是“有智能沒有智慧”。智能就是“能干”，現在AI能做好非常具體的事，比如掃地、下棋，但是不具備靈性，不能創造。
第二句是“有智商沒有情商”。如果讓阿爾法狗訓練一下智商測試的題目，估計智商可能會爆表，科大訊飛的人工智能要參加2020年高考，據說要爭取考上大學本科，但估計情商還是很低。
第三句話是“會計算不會算計”。現在人工智只有“解空間”層面的局部策咯，沒有“問題空間”層面的宏觀戰略，不會挖坑、下套這樣的高級博弈。
第四句話是“會專才不會通才”。主要說現在人工智能舉一反三的能力差。
基于此，未來人工智能應該做“四有新人”，也就是有智慧、有情感、有算計、有通才的新一代人工智能。當然，要實現這樣的強人工智能，人類還有很長的路要走。
2、AI2.0國家戰略
我國正在大力發展AI，“人工智能，中國之崛起”，對此，我們可以大有信心。AlphaGo的例子我們知道，AI由三部分構成，機器學習是AI的大腦，超算是AI的軀體，大數據是AI成長的養分，據統計43%機器學習相關論文是中國人寫的，我國已經有眾多的AI人才，這形成了AI垂直產業應用的人才基礎。超算方面我們的太湖之光、天河二號排名世界前二，我國發展人工智能具有很強的硬件基礎。大數據方面，相對歐美日等國家，我國不僅擁有更多的“冷數據”（包括人口、地理等靜態數據），而且用用更多樣的“熱數據”（比如交易、診療等動態數據），大數據優勢將促使我國形成特色，在人工智能時代彎道超車。
人工智能已經上升為國家戰略，國家“科技創新2030 重大項目”將新增“人工智能2.0”[2]。潘云鶴院士于2016年12月在中國工程院院刊Engineering（主刊）發表了論文“Heading towardartificial intelligence 2.0”，提出了人工智能2.0的核心理念“基于重大變化的信息新環境和發展新目標的新一代人工智能”[3]。2017年1~2月，中國工程院院刊信息與電子工程學部分刊Frontiers of Information Technology & Electronic Engineering出版了“Artificial Intelligence 2.0”專題[4]，該專題分為六大方向，潘云鶴、李未、高文、鄭南寧、吳澄、李伯虎、陳純等多位院士以及專家學者對人工智能2.0中所涉及的大數據智能、群體智能、跨媒體智能、混合增強智能和自主智能等進行了深刻闡述。
三、未來人工智能視覺感知的思考
1、未來人工智能：類人服務、超人感知
根據國內外專家，未來人工智能有很多、很高遠的愿景。我個人理解，至少其中一個愿景是“類人服務、超人感知”，也就是，以類人的方式服務人類自身，以超人的方式感知外部世界。在智能時代，人類智能與人工智能相互增強，相互對偶，類人服務要求具備類人智能：從人類的視角看，未來人工智能應該在感官和思維上像人；從機器的視角看，未來人工智能應該能夠理解人的行為和情緒。
在傳統社會是一個二元空間，人類社會和物理空間形成互訓關系。在信息社會，人、機、物三者相互融合，形成一個三元空間，未來人工智能能夠進行人、機、物信息的整合，以超越人類的精度和時空尺度，感知三元空間的信息關聯性。多學科的研究，特別是腦計劃的研究，將進一步夯實機器學習的理論基礎，三元空間的大數據和超算能力將進一步提高機器學習的工程能力。機器學習、大數據、超算三者共同推動未來人工智能超人感知、類人服務的愿景。下面就這個愿景，稍微做點技術上的展開思考。
2、類人智能
類人智能就是要將類人知覺和類腦思維整合在一起，如果機器人具備逼近人類的人機交互能力，那么現在擊敗人類的阿爾法狗就有可能進化到陪伴人類下圍棋的BeltaGo（或稱之為“陪Ta狗”？）。
*來源：圖片來源于互聯網
在知覺層面，隨著低成本、低功耗傳感器的發展，未來人工智能要在視、聽、味、觸等不同的模態上實現對現實世界的感知和認知。具體到視覺感知，深度學習三巨頭在2015 Nature上的綜述論文，介紹了用CNN+RNN實現看圖說話。反過來，語言能不能驅動機器視覺？我們說一句話，能不能把對應的物體定位出來？更難地，能不能自動造出來一張與這段話對應的圖像?最近，生成式對抗網絡（GAN）在圖像自動生成方面取得重大進展[5]。如果圖像和語言能夠雙向翻譯，這將使得人工智能的視覺知覺達到一個全新的高度。
在思維層面,未來人工智能要實現類腦計算。2014年IBM 發布了類腦芯片TrueNorth，集成了100萬個“脈沖神經元”，能力相當于一臺超級計算機，功耗卻只有65毫瓦，主要是因為它采用Spike NN結構，用類腦的異步脈沖來驅動電路，而非傳統電路的同步時鐘。但它還沒辦法高效模擬另一個重要大腦機理，也就是觸突的可塑性，因此，性能離大規模商業應用還有一段距離。
從長遠來看，研究類腦計算是通往強人工智能的有效方法[6]。傳統的計算機相當于左腦，擅長邏輯思維，處理數字；神經元芯片相當于右腦，擅長形象思維，處理圖像。IBM正想辦法將兩者整合在一起實現全腦的類腦計算。
*來源：圖片來自于互聯網
3、三元空間感知：人機物協同感知
超人的三元空間感知，在側重物理空間的感知層面，科學家正在研究人機物協同感知。突破肉眼感知的局限性是人工智能的傳統強項，目前太赫茲技術得到很大的進步，上海交通大學跟相關公司合作，在研究太赫茲圖像識別，有可能在5-10米外就能夠識別藏在人身上的刀槍甚至毒品。2017年3月，上海交通大學還跟聯影公司成立了醫學影像先進技術研究院，合作研究成像裝備和大數據診療。可見光譜、紅外光譜、太赫茲、核磁共振等一起實現全譜感知，相當于賦予了人類以天眼、慧眼。
人機物協同感知的一個重大應用就是無人車。在美國加州，全功能的無人車已經允許上路。MIT Technology Review將自動駕駛卡車評為2017年10大突破技術。百度成立了無人車事業部，也在硅谷設立了專門的研究院。
4、三元空間感知：群體智能
超人的三元空間感知，在人類社會層面，正在涌現出群體智能新技術和社會計算新學科，利用互聯網、社交網絡、通信網絡、監控網絡等不同網絡的大數據，克服傳統社會學調查方法數據稀少的問題，更好、更快地分析人群、組織和社會的行為。上海交通大學較早開展了這方面的探索，2009年承擔了973項目“混合網絡下社會集群行為感知與規律研究”，聯合了信息學、管理學、社會心理學等不同領域的專家開展交叉研究，一些成果為國家提供了決策。我本人承擔了其中“大尺度跨媒體社會集群行為感知”課題，結合網絡媒體和視頻監控，為世博會、亞信峰會等大型活動管理提供了技術支持。
在973課題基礎上，我們最近承擔了國家重點研發專項課題，開展大規模人群透徹感知研究，針對反恐維穩、智慧城市、交通控制等需求。利用大數據和深度學習的優勢，進行多尺度、跨相機、跨平臺分析，有望實現群體感知從簡單、低密度、小范圍場景到復雜、高密度、大范圍場景的跨越。
5、三元空間感知：互聯網超級智能
超人的三元空間感知，在側重信息空間的層面，未來學家認為互聯網正在向超級智能的方向不斷進化，形成互聯網、人工智能和人類大腦的聯合智商，互聯網與人類大腦高度相似，它將具備自己的視覺、聽覺、觸覺、運動神經系統，也會擁有自己的記憶神經系統、中樞神經系統。2011年谷歌提出了“谷歌大腦”計劃，以大腦功能區，重新定義Google的業務群。最近，我國也推出了中國腦計劃。
*來源：圖片來自于互聯網
四、關于未來人工智能的
社會經濟影響的思考
未來，強人工智能將深刻改變人類生活，也給人類帶來巨大挑戰。霍金稱人工智能或威脅人類，馬斯克認為人工智能是在“召喚魔鬼”。盡管我們可以相信人類能夠和人工智能包容發展，至少我們要注意兩方面的挑戰。
一、改變就業結構。不僅大量的流水線工人正在被替代，大量的白領工作崗位也將消失。十幾年前IBM深藍打敗了卡斯帕羅夫，今天我們還是不能小看IBM，AlphaGo還在打名氣，IBM的讀片機器人已經開始上崗。華爾街的量化交易機器人正在替代金融交易員，“今日頭條”的推薦機器人正在替代初級的內容編輯。
二、強人工智能將沖擊倫理關系。機器人保姆帶大的小孩，還會不會跟親媽親？如果美女機器人擁有非凡魅力，人口數量和結構會帶來怎么變化？植入了智能器官甚至機器大腦的人，還算不算人？
進一步，我們假設有一天“阿爾法狗”遇上“薛定諤的貓”的時候，也就是當強人工智能運行在量子計算機上的時候，我們的未來會怎樣？
未來，機器人會是怎么樣？未來學家們可能正在研究，機器人會不會做夢（意識）？機器人會不會結婚（性別）？機器人會不會用錢（信用）？機器人會不會統治人類（政治）？
未來，人類自身會怎么樣？從歷史觀看，尤瓦爾·赫拉利不僅寫了《人類簡史》，還寫好了《未來簡史》，認為人類會從智人演化到智神。
未來，人類自身會怎么樣？從生物觀看，人類的密碼在基因，基因分析是典型的計算密集型問題，這種單一任務的工作恰恰可能是人工智能的傳統強項。有了基于量子計算的強人工智能后，人類是不是最終會全面破解基因？很久很久以前，亞當和夏娃遇上了那條蛇，偷吃了智慧之果，被逐出伊甸園。億萬年后，他們的后代遇上了一只“狗”和一只“貓”，打開了強人工智能的魔盒后，會不會摘下傳說中生命樹上的長生之果？這一切，人性中的欲望和貪婪，是否冥冥中早已注定？
*來源：圖片來源于互聯網
