首頁
如果說一般人對于人工智能這一“物種”有什么深刻記憶的話，大概有兩件事。一件是1997年，IBM的“深藍”戰勝了國際象棋大師卡斯帕羅夫。另一件是2016年3月，谷歌的AlphaGo與圍棋世界冠軍李世石進行人機大戰，結果以4比1的總比分獲勝。之前，很多人曾認為計算機并不能掌握圍棋的復雜規則。
次年5月，在中國烏鎮圍棋峰會上，AlphaGo的升級版AlphaGoZero與排名世界第一的世界圍棋冠軍柯潔對戰，以3比0的總比分完勝。
令人震驚的是，AlphaGoZero一開始就沒有接觸過人類棋譜。它使用了新的強化學習方法，只是從單一神經網絡開始，通過神經網絡強大的搜索算法，進行自我對弈訓練。隨著自我對弈的增加，神經網絡逐漸調整，提升預測下一步的能力，最終成為具備超強棋力的“選手”。
更為厲害的是，隨著訓練的深入，阿爾法圍棋團隊發現，AlphaGoZero還獨立發現了游戲規則，并走出了新策略，為圍棋這項古老游戲帶來了新的見解。
曾經，人工智能在人們心目中的形象大多停留在《星球大戰》等科幻片中，但AlphaGo的面世，讓人們真正意識到，人工智能真的來了。
但是，人工智能究竟是如何走到現在的，它進化的路線究竟是什么樣，同時它將走向什么方向？很多人可能并不了解。
特倫斯·謝諾夫斯基作為深度學習領域的先驅及奠基者，來回答這一問題，是最合適不過了。他所寫的《深度學習》一書，可以看作是人工智能的發展簡史。
這不是一本講技術的書，而是一本故事書，它不是寫給程序員看的，而是寫給大眾看的。
著名作家尤瓦爾·赫拉利在《今日簡史》中寫道，人們普遍認為，機器學習將改變幾乎所有的工作，從制作酸奶到教授瑜伽都無法幸免。我們有充分的理由相信這次情況不同，機器將會真正讓整個情況徹底改變。
可能有人對此并無明晰的觀感，那么，我們可以看幾個例子。比如貸款審核員，他們評估借款人的信用好壞，是通過分析對方的面部表情、聲調、手部動作甚至體味來識別生化模式。而人工智能只要搭配適當的傳感器，絕對可能把這些工作做得比人類更精確可靠。比如現在的測謊儀，在測謊方面就已經超過了大多數人，不是嗎？
所以，尤瓦爾·赫拉利指出，在過去幾十年中，在神經科學和行為經濟學等領域的研究，讓科學家能夠“破解”人類，更清楚地了解人類究竟是如何做出各種決定的。事實證明，我們從選擇食物到選擇伴侶，都不是出于什么神秘難解的自由意志，而是數十億神經元在瞬間計算各種可能性的結果。過去大受贊賞的“人類直覺”，其實只是“辨識模式”罷了。
而謝諾夫斯基正是推動神經網絡學習的先驅?；蛟S是冥冥之意，他出生的上世紀五十年代，正是人工智能的萌芽期，深度學習革命的種子，正在那時開始播下。
但由于受計算機能力的限制，人工智能發展緩慢。而馬文·明斯基和西摩爾·帕特普出版的《感知器》一書，則讓人工智能在上世紀70年代陷入深寒，“寸草不生”?！陡兄鳌芬粫挠^點是：感知器學習算法并不能擴展到多層感知器。
謝諾夫斯基回憶說，“這種毫無根據的‘直覺’（除此之外，這倒是一本好書）對神經網絡學習的發展產生了令人不寒而栗的影響，讓一代人的研究就此停滯不前?！?
好在出身生物學的謝諾夫斯基，對神經網絡抱有堅定的信心，并幸運地遇到了他的搭檔杰弗里·辛頓。兩人在此領域堅持了下來，一干就是幾十年。
謝諾夫斯基和辛頓合作研究出了一種新型神經網絡模型，叫“玻爾茲曼機”，打破了阻礙一代人研究多層網絡模式的僵局，證明了基于大腦式計算的全新方法是可行的，最終為深度學習的發展奠定了基礎。而且，謝諾夫斯基還有機會懟一下學術上的“宿敵”。2006年，在達特茅斯人工智能會議“AI@50”的晚宴上，他問明斯基：“神經網絡社區有一種看法：你是上世紀70年代需要為神經網絡蕭條負責的魔鬼。你是魔鬼嗎？”明斯基猶豫了片刻，然后喊道：“是的，我是魔鬼！”
我們都能想象謝諾夫斯基寫這一章節時的得意。
但深度學習是數據密集型的，在當時的計算機條件下，人工智能無法取得重大突破。直到30年之后，計算機開始變得足夠快，同時也可以獲得大量可利用的數據，這讓深度學習實現了重大突破，并且在當前的人工智能領域占據主導地位。
謝諾夫斯基總結說，神經網絡學習的重大突破每30年就會發生一次。這三個節點分別為：上世紀50年代引入感知器；上世紀80年代學習多層感知器算法；2010年開始興起的深度學習。
謝諾夫斯基認為，深度學習將對社會和個人生活產生深遠的影響，但你無需擔心誰將接管你的工作。就像工業革命時期蒸汽機放大了物理能力一樣，人工智能也會放大人類的認知能力，人工智能會讓你更聰明。
但他也承認，預測未來很難。
而瓦爾·赫拉利則大膽地進行了一些預測。他說，2050年的就業市場，很可能是人類與人工智能的合作，而非競爭。雖然“深藍”擊敗了卡斯帕羅夫，但人類并沒有停止下棋。相反，在人工智能的協助下，人類的國際象棋大師水平比過去更高。所以很有可能，人工智能也能如法炮制，協助培養出歷史上最優秀的偵探、銀行經理和軍人。
不過，令人悲觀的一面是，這些新工作可能需求高水平的專業知識，因此無法解決“無技能者”的就業問題。新的無用階層可能會日益龐大，一方面許多人找不到工作，另一方面也有許多雇主找不到有技能的雇員。
“這有點像19世紀汽車取代馬車時的情景──當時有許多馬車夫轉行當出租車司機。只是，我們可能不是那些馬車夫，而是被淘汰的馬?！蓖郀枴ず绽f。
