看得見的“學習”成果

詹姆斯·馬圭爾

雖然人工智能常常被認為是超未來的技術，但它已經滲透到了日常生活中，甚至已司空見慣。

當你用谷歌搜索東西、使用地圖軟件、在亞馬遜上購物，或者對智能手機中的語音識別軟件說話，其實都在使用人工智能。當你登錄到Facebook，欣賞那些可愛的嬰兒照片，人工智能都在塑造你的體驗。

所有這些應用的背后都使用了算法，算法本質上是形成分析過程的一組規則，能夠對變量輸入做出響應。如今的算法，尤其是來自亞馬遜和Facebook等巨頭的算法，響應速度快，還不斷學習。它們事先經過編程，可采集來自用戶的更準確的響應；也就是說，結果是為控制算法的那些廠商服務的。

了解和響應

當你在亞馬遜上購物時，算法在后臺基于一個包含眾多購買模式的龐大數據庫，執行異常高級的運算，之后決定將什么產品展示在你面前。它實時響應你的點擊軌跡。

你可能覺得，有一個活生生的私人購物助手是最好不過的選擇；她了解潮流，對你本人很了解。可是人工智能技術廠商Ayasdi的首席營銷官丹尼爾·德魯克（Daniel Druker）表示，這樣的私人購物助手與亞馬遜沒法比。亞馬遜“利用人工智能，結合你之前的購買活動，從100萬件商品中推測眼下哪些商品最能吸引你的眼球。沒有哪個人能做到這一點。”

在Facebook上，出現在你個人動態（feed）中的朋友不多，那是因為Facebook的人工智能算法知道：你受不了個人動態內容太多的情況。于是，Facebook使用人工智能，對你關于私人關系圈的訊號做出敏感的反應，打造你的個人動態，建立起一種更有效的情感聯系。要是你以為人工智能冷若冰霜、缺乏人情味，Facebook用它來窺視你的內心（以及Facebook另外12.3億日常用戶的內心）。它威力強大，說Facebook人工智能影響了美國總統大選毫不為過。

盡管人工智能目前具有巨大的影響力，但它仍被看作是太過遙遠的一項神奇技術。人工智能技術廠商Sentient Technologies的創始人兼首席科學家巴巴克·霍加特 （Babak Hodjat）說：“算法或應用有多誘人、多新潮、多強大，并不重要。我常常出去介紹這些系統時，人們總是會說‘是的，那很智能、那很酷，但這不是人工智能。”

人們之所以會有這種懷疑，是因為“普通公眾而非從業人士常常誤以為人工智能是包含情感智能、創造力、自主性等一系列能力的人類級一般智能。”霍加特說，因而，人工智能“總是被認為是我們會發明的下一大技術。我認為，今后10年至15年還會是這種情況。”

他表示，在許多當前的應用中，人工智能比人類更強大。“你只要說一個方面，我可以告訴你這個方面是如何實施的、如何比人類更強大。起碼，人工智能運行起來更快，所以當下人工智能的決策和行動周期要比人類響應世界的速度快得多。”

人工智能在過去幾年得到了突飛猛進的發展。百度硅谷人工智能實驗室主任亞當·科茨（Adam Coates）說：“這在10年前是很難實現的。當然，未來幾年，我們認為在人類非常擅長處理、但計算機向來不擅長的許多問題上，人工智能會取得巨大進展。比如說，識別圖像中的實體，或者理解語音、對口語做出響應，那些是深度學習和人工智能技術在未來幾年會持續改進的問題。”

推動與向前

什么功能在推動這些進展？人工智能必須獲得什么樣的功能才能向前發展？

皮特·阿貝爾（Pieter Abbeel）是加州大學伯克利分校的計算機科學系教授，也是人工智能教育初創公司Gradescope的聯合創始人。他表示，首先，人工智能系統需要能夠在沒有人類干預的情況下自主學習。此外，它還在被告知諸如“你從這個角度堆方塊，也許效果會更好”之類的信息時，應該有溝通和理解能力。“要是它無法領會這樣的信息，我們不會認為它具有真正的智能。”

人類（至少理論上）能夠利用過去的經驗來推斷和處理新環境，在這方面機器人則差的很遠。為機器人編程、以便它在有限的環境下提供輔助要容易得多。人工智能科學家們想為機器人編程，以便處理相關的變化。

阿貝爾說：“它們需要運用過去獲得的經驗，推廣到不一樣但相類似的新場景，了解這種關聯性。我對于機器人如何能真正從頭開始學會做事很感興趣。”從頭開始學起是人類特有的能力；如果機器人能夠真正做到填補其空白，它有望成為獨立的個體。

但人工智能機器人的“學習能力”可能有許多不同的方式來定義，一些是很普通的“嘗試和獎勵”方式，類似于教狗學新花招。比如說，人工智能強化學習可編寫機器人的軟件，從試錯過程中學習。加州大學伯克利分校的BRETT機器人基于行動后獎勵的多少來使用強化學習技術。阿貝爾說：“獎勵的變化讓該機器人得以分辨什么是好的，什么是不好的，進而重點采用獲得獎勵多的策略。”

與之相仿，人工智能科學家使用監督式學習，為計算機饋送標記輸入（這些是貓，這些是狗）的許多實例，并給出明確的目標輸出（這是貓還是狗？）。非監督式學習給計算機饋送非標記數據（比如說許多動物的照片），計算機進行分類，或者以其他方式為該數據定義結構模型（這些動物身上的毛比其他這些動物多得多）。科茨表示，非監督式學習是“非常重要的研究熱點，因為我們知道人類所做的在很大程度上是非監督式學習。”

人工智能“學習”的核心是神經網絡，它類似人類大腦。跟大腦一樣，面對更多的輸入，神經網絡會自我調整。阿貝爾說：“你展示足夠多的那些實例，神經網絡就會自我調整，說‘針對那個輸入，我需要那個輸出；所以，要做到這一點，唯一的途徑是，我需要調整聯系的部分強度，那樣我才能搞好那種對應。所以，在某種意義上，你在訓練神經網絡時，是讓計算機學習它的計算機程序，而不是將計算程序編入到里面。”

科茨解釋，不過打造神經網絡并非易事。“一大挑戰在于，我們不是非常清楚如何僅憑一些非標記、非結構化的數據來訓練神經網絡。我們不知道如何量化神經網絡在處理這些種類的任務中的好壞。等到我們在這方面有了發現，那將是一大進步。但我們還沒有到那一步。所以，這離人類智能相差甚遠。”

雖然人工智能還不是人類智能，但像谷歌的DeepMind這些人工智能領導者表明了，人工智能學習的響應速度有多快。比如說，一臺計算機想玩好井字棋游戲，不需要什么特殊的智能；這個游戲很簡單，計算機憑蠻力（計算能力）即可取勝。阿貝爾說，相比之下，DeepMind玩經典的雅達利游戲《打磚塊》時，它“實際上得學習概念”。DeepMind在學會玩的過程中，“知道要學習視覺系統，要學習基于操縱桿動作的運動控制。其神經網絡實時響應多個變量的能力不亞于人類。

隨著神經網絡技術不斷改進，人工智能學習變得更像人類。不過作為一名人工智能未來學家，阿貝爾設想有朝一日，可以把教人類學生的人類專家擁有的所有微妙特征和個人洞察力統統教給機器人。比如說，就像職業籃球員教初學者：“投籃的時候雙眼盯著籃筐……利用籃板有好處。”也就是說，像人類那樣有無數種響應方式。“現階段遠未能做到這點，但那是你希望未來會出現的一幕。” 阿貝爾說。