一文帶你讀懂深度學(xué)習：AI 認識世界的方式如同小孩

　　如果你經(jīng)?；〞r(shí)間和小孩子待在一起的話(huà)，你會(huì )不由得思考小孩子怎么能夠學(xué)習得如此之快。哲學(xué)家們，比如柏拉圖也曾經(jīng)考慮過(guò)這個(gè)問(wèn)題，但是從來(lái)沒(méi)有找到一個(gè)滿(mǎn)意的答案。我五歲的兒子，奧吉最近認識了植物，動(dòng)物和鐘，當然也少不了恐龍和飛船。他還弄懂了如何理解他人的需要和感受。他可以用知識來(lái)定義他看到和聽(tīng)到的東西，并且做出新的預測。比如他最近就說(shuō)前不久在紐約市美國自然歷史博物館展示的新雷龍是食草動(dòng)物，所以說(shuō)并沒(méi)有那么可怕。

　　但其實(shí)奧吉體驗到的不過(guò)是一串光子到達了他的視網(wǎng)膜，他的耳膜接收到了空氣的振動(dòng)而已。他藍眼睛背后的“神經(jīng)電腦”從某種角度上來(lái)說(shuō)通過(guò)他感知到的有限的信息做出了食草雷龍不是很可怕的預測。那么問(wèn)題來(lái)了，是不是說(shuō)電腦也可以做到這樣呢?

　　過(guò)去15年的時(shí)間里，計算機科學(xué)家和心理學(xué)家一直在嘗試找到一個(gè)答案。兒童從老師和家長(cháng)那有限的輸入當中獲取了大量的知識。盡管如今機器智能風(fēng)頭正盛，但是最厲害的電腦也不能像一個(gè)5歲兒童那樣進(jìn)行學(xué)習。

　　搞清楚兒童的大腦究竟是如何運轉的，然后設計出一個(gè)電子版本能夠同樣有效地運轉，可能需要計算機科學(xué)家們幾十年的努力。但同時(shí)，他們已經(jīng)在開(kāi)發(fā)融合了人類(lèi)學(xué)習模型的人工智能了。

　　追根溯源

　　在上世紀五六十年代的第一次熱潮爆發(fā)以后，接下來(lái)對AI的探索就沉寂了幾十年。不過(guò)在過(guò)去的幾年里，學(xué)界突然取得了重大進(jìn)展，尤其是在機器學(xué)習領(lǐng)域。AI一時(shí)間變成了最熱門(mén)的技術(shù)。這些進(jìn)展究竟是拯救人類(lèi)還是毀滅人類(lèi)，一時(shí)間也眾說(shuō)紛紜。AI在也確實(shí)曾被用來(lái)預示永生或者世界末日，這兩種可能性文學(xué)作品里都已經(jīng)寫(xiě)過(guò)很多。

　　我覺(jué)得在A(yíng)I領(lǐng)域取得了這些發(fā)展引起人們強烈感受的主要原因在于我們內心深處其實(shí)非常害怕類(lèi)人類(lèi)的出現的。不管是《科學(xué)怪人》里的魔偶還是2015年《機械姬》電影里的性感機器人，未來(lái)會(huì )出現一種“生物”會(huì )成為連接人類(lèi)與人工之間鴻溝的橋梁，這種想法本身就讓人覺(jué)得恐慌。

　　但是計算機真的能像人類(lèi)那樣學(xué)習嗎?那些席卷媒體的熱點(diǎn)新聞，有多少是真正具有革命意義的產(chǎn)品，而又有多少只是噱頭而已呢?電腦學(xué)習分辨貓，或者一個(gè)平片假名的過(guò)程很難被人理解。但是仔細觀(guān)察之后我們會(huì )發(fā)現，機器學(xué)習背后的基礎理論并沒(méi)有一開(kāi)始看上去的那么難以捉摸。

　　但是計算機真的能像人類(lèi)那樣學(xué)習嗎?那些席卷媒體的熱點(diǎn)新聞，有多少是真正具有革命意義的產(chǎn)品，而又有多少只是噱頭而已呢?電腦學(xué)習分辨貓，或者一個(gè)平片假名的過(guò)程很難被人理解。但是仔細觀(guān)察之后我們會(huì )發(fā)現，機器學(xué)習背后的基礎理論并沒(méi)有一開(kāi)始看上去的那么難以捉摸。

　　一種解決辦法是我們接收到的光子和空氣振動(dòng)，到了電腦上就會(huì )以數字圖像的像素和錄音的聲音片段呈現出來(lái)。然后試著(zhù)從數據中提取一串圖案用來(lái)探測并識別周?chē)澜绲奈矬w。這種自底向上的研究方法在一些哲學(xué)家和心理學(xué)家的理論中也可以找到，比如約翰·密爾。

　　上世紀八十年代，科學(xué)家找到了一種令人信服的方式應用這種自底向上的方式讓計算機在數據中尋找有價(jià)值的圖案?！鄙窠?jīng)網(wǎng)絡(luò )“系統通過(guò)神經(jīng)元將視網(wǎng)膜上的光圖案再現了你周?chē)沫h(huán)境。神經(jīng)網(wǎng)絡(luò )也是一樣的圖案。通過(guò)互相連接的類(lèi)似生物細胞的處理單元將某一層網(wǎng)絡(luò )上的像素轉換成抽象的表達——比如一個(gè)鼻子或一整張臉。

　　神經(jīng)網(wǎng)絡(luò )的概念由于最近深度學(xué)習新技術(shù)的出現又重新振興了。深度學(xué)習這種技術(shù)是由谷歌，Facebook和其他互聯(lián)網(wǎng)巨頭進(jìn)行商業(yè)落地的。計算機不斷增長(cháng)的能力——比如由摩爾定律體現的計算能力的指數增長(cháng)，也是這些系統獲得成功的一部分原因，大數據集地快速發(fā)展也是其中一部分原因。有了更高的處理速度和更多的數據之后，連接系統能夠更加高效地學(xué)習。

　　就像科學(xué)家一樣，自頂向上的系統形成了抽象廣泛的對于世界的假設。這個(gè)系統會(huì )預測在假設是正確的情況下，數據會(huì )呈現出什么樣子。同時(shí)這個(gè)系統也會(huì )不斷根據這些預測的結果來(lái)修改自身的假設。

　　尼日利亞、萬(wàn)艾可和垃圾郵件

　　自底向上的方式可能是最容易被理解的，我們首先來(lái)解釋這個(gè)。想像一下你試圖讓計算機從你的收件箱中分辨出重要郵件。你可能注意到垃圾郵件都有某種讓人討厭的特征：收件人列表特別長(cháng)，源地址來(lái)自尼日利亞或巴伐利亞，總是提到一百萬(wàn)美元的獎金或提到偉哥。但是很可能非常有用的郵件看起來(lái)也是這樣。你不想錯過(guò)表示你升職或者得了學(xué)術(shù)獎項的郵件。

　　如果你對比大量垃圾郵件和正常郵件之后，你會(huì )發(fā)現只有垃圾郵件一般會(huì )具備以上的講故事方式——比如，來(lái)自尼日利亞的郵件，并承諾有一百萬(wàn)美元的獎金出現了問(wèn)題。事實(shí)上，也許存在更加明顯的區分垃圾郵件和正常郵件的方式——比如不太明顯的錯誤拼寫(xiě)和IP地址。如果你能發(fā)現這些信息，你就可以準確地過(guò)濾掉垃圾郵件了，而且也不用擔心你的正常郵件被攔截。

　　自底向上的機器學(xué)習可以探索出解決這種問(wèn)題的相關(guān)線(xiàn)索。為了達到這一目的，神經(jīng)網(wǎng)絡(luò )必須回顧之前的學(xué)習過(guò)程。神經(jīng)網(wǎng)絡(luò )從巨大的數據庫中對成百萬(wàn)的樣例進(jìn)行評估，每一個(gè)樣例標記為垃圾郵件或者正常郵件。然后計算機從一組識別特征中提取出能區分垃圾郵件的特征。