人工智能变形记

不管我们喜欢与否，各种形式的人工智能已经渗透到我们的日常生活中。非法车辆的自动车牌识别，在线搜索的自动推荐，知道如何充电和探索地形的清扫机器人，以及帮助你自动安排日程的智能助手。所有这些都把人们从各种无聊的脑力劳动中解放出来，并带来了许多机遇和挑战。但鲜为人知的是，这些人工智能的背后实际上是数学定理和计算机算法。

理解推理的人工智能图片来自*。

思考一直是人类的专利。通过思考，我们获得了压倒所有其他动物的能力。自然，人们也想制造能帮助思考和减轻负担的机器，这是人工智能的起点。由于思维如此强大，很难模拟它，所以人们把起点放在更简单的部分:逻辑推理。逻辑推理的规则简单明了，从古希腊的亚里士多德开始就为人所知。人工智能的第一步是教授机器逻辑推理的方法，即具体的算法。

但是在考虑算法之前，有一个更基本的问题:我们如何知道逻辑推理必须是正确的，正确的命题必须通过逻辑推理获得？换句话说，真理等同于被证明吗？这属于数理逻辑的范畴，对于不同的逻辑系统，答案是不同的。幸运的是，哥德尔证明，在所谓的“一阶谓词演算”系统中，答案是肯定的。这个定理为自动逻辑推理铺平了道路。自20世纪60年代以来，各种自动推理系统相继出现。一旦用逻辑命题表达的某一领域的知识被输入其中，它们就突然变成了所谓的“专家系统”，能够自动推理和回答人们提出的相关问题。自动安排任务的人工智能也是基于类似的系统，并已广泛应用于航空航天和其他领域。

作为一种早期的人工智能技术，自动推理系统曾经是人们所期待的，但人们逐渐发现它有许多弱点。尽管需要专家的宝贵时间来将知识组织成逻辑命题，但即使这样的知识也常常充满各种例外，难以用逻辑来完全概括。不情愿地总结一下，结果是一个头脑简单的“人工智能”。虽然它能正确处理大多数情况，但面对罕见的情况，它会无能为力，甚至开玩笑。因此，它目前主要用于一些相对狭窄和简单的领域，如数学和交通控制。如何避免这个缺点？

分析数据的人工智能图像来自*。

专家系统的问题是，它需要专家为它总结知识，但专家也是人。在整理自己的知识时，不可避免地会有遗漏，一些罕见的情况会被忽略，就像医生遇到感冒症状时不会马上想到心肌炎一样。然而，医生在结合其他罕见症状后仍能做出正确的诊断，这是人类的优势:灵活性。这一优势能移植到人工智能上吗？让我们以医生为例。对于医生来说，用自己的经验来写一本人工智能的教科书是一项困难的任务，但是医生的经验也反映在诊断结果中。如果我们能直接从医生处理的病历中学习他们的经验，这不仅会节省时间，而且不会遗漏那些确实发生的罕见病例。

为了做到这一点，计算机科学家依靠线性代数、统计学和概率论的大量知识，发明了各种算法，从看似混乱的海量数据中提取具有统计意义的规则，这是统计学习和大数据分析的基础之一。使用这些算法，人们可以从互联网上众多页面之间的链接推断出网站的重要性，从而改进网络搜索。它还可以通过分析大量病例为某些特定疾病提供早期检测和诊断。你也可以从网上大量的双语对比材料中学习如何将一种语言翻译成另一种语言。大数据有无数的应用。虽然这些算法本质上是一些统计方法，不能绝对可靠，但它们在实践中表现很好。例如，沃森，一个由IBM开发的人工智能系统，在阅读了大量数据后，可以成为一个星级的客户服务提供商，并回答客户的各种问题。

然而，在统计学习中也有一些无法解决的问题。对于人类来说，判断图片中是否有猫是小菜一碟，但是对于机器来说，图片包含了太多的信息，即使对于统计学习来说，使用这样的数据还是太难了。那么，人脑是如何处理这些信息的呢？我们能把这种加工方法移到机器上吗？

美国国立卫生研究院模拟大脑的人工智能图像

在大脑中，数千亿个被称为“神经元”的细胞负责处理数据。它们通过电脉冲相互传递信息。当每个神经元受到某个阈值的刺激时，它会向与之相连的其他神经元发送电信号。这些信号中有些起刺激作用，有些起抑制作用。这些信号的复杂舞蹈构成了人类的大脑。人工智能的研究人员试图在计算机上复制类似的系统，试图模仿人类思维进化的奇迹。这就是所谓的“神经网络”。当然，我们仍然无法模拟整个大脑，但即使是一个由成千上万个神经元组成的系统也有非凡的能力。

像人类一样，神经网络需要使用相应的数据进行大量的学习来解决问题，而学习方法将深刻地影响最终的结果。目前，神经网络的研究主要集中在所谓的“前馈神经网络”上。数学家已经证明，他们在理论上足以解决所有问题。为了获得一个实用的神经网络，科学家们根据数学分析和人脑的一些结构设计了一个特殊的神经网络结构，以及一个匹配的高速并行学习算法。他们可以利用大型计算机、视频卡和特殊芯片提供的大量计算能力来训练优秀的神经网络以供供应。只要训练好的神经网络输入数据，就可以输出相应的计算结果。

神经网络被广泛应用，尤其是在图像处理中。前面提到的自动车牌识别就是一个例子。现在有“刷面付款”。只要你在摄像机前点头，神经网络就能识别你的身份，并自动记录你支付的账单。神经网络最著名的应用可能是围棋的人工智能AlphaGo，它打败了世界上第一个围棋手柯杰。它的神经网络可以用棋盘作为一张图片来“看”当前形势的利弊。结合其他算法，AlphaGo已经达到了远远超过人类的围棋水平。这并不是人类创造超越人类自身的第一次，但这可能是最令人震惊的一次，因为我们实际上并不完全理解为什么阿尔法戈能打出如此犀利的围棋。

虽然人工智能现在可以解决许多问题，但是对它的研究才刚刚开始。前面提到的实现人工智能的所有方法都需要处理大量的数据，但是与人类相反，我们可以通过类比来学习一种语言或一门学科，而不需要阅读整个互联网的数据。如何将这种触摸和绕过的能力移植到机器上是对人类智能的另一个挑战。