- 5G+AI智能商業:商業變革和產業機遇
- 王寧等
- 6273字
- 2020-04-03 13:01:22
2.2 算法:通往智慧的一小步
在人工智能時代,大數據是基礎,算法才是核心。如果只有規模宏大的數據,卻沒有強有力的算法,那么即使有上億的數據資料,也只是一盤散沙。
在人工智能發展的歷程中,產生了多種算法。例如,從早期的邏輯應用到20世紀80年代的專家系統,再到如今的回歸算法、關聯規則學習算法、聚類算法、人工神經網絡學習算法、深度學習算法等,整個人工智能的演進史也是計算機算法的演進史。
人工智能的智能程度取決于算法的優化、智能程度。與之前的大數據分析技術相比,人工智能的算法立足于神經網絡,進而衍生出深度學習算法。深度學習算法使數據處理技術又往前邁了一小步,讓人類的文明又上了一個新的臺階。
2.2.1 人腦“移植”:專家系統
在人工智能發展的最早期,機器智能只會根據邏輯進行一些簡單的“智能”操作。例如,那個年代的機器如果能夠“走迷宮”“下跳棋”,在當時就已經算高科技了。
到了20世紀80年代,只會一些簡單操作的人工智能機器遠遠滿足不了現實生活的需求。當人生病時,就要去找醫生;當人有不懂的問題時,就要去找老師詢問;當人有心理困惑時,就需要去詢問心理醫生。而這些問題都是相對比較復雜的問題,一臺機器僅憑邏輯思維,很難滿足我們的需求。
只要存在需求,就會有滿足需求的方法,人工智能的發展也不例外。
20世紀80年代的科學家開始為計算機注入專業的知識,如醫學知識、金融學知識、科學知識、歷史知識等。當計算機系統內有專業的知識時,那么計算機就相當于有了一顆“人腦”,計算機就會自主地為人們答疑解惑,這是人工智能的又一次偉大勝利。
與其說是人工智能的勝利,不如說是專家系統的勝利。那么什么是專家系統呢?
專家系統是形而上的、形式化的智能操作系統。雖然計算機被注入了專業知識,但是它不能像人類一樣進行辯證思考,不能用活潑幽默的語言向我們傾訴。因此,專家系統是一種形而上的操作系統。
對于專家系統,我們應該用辯證的思維方式來看待。
一方面,我們應該承認早期專家系統對社會發展的貢獻;另一方面,我們也要考慮專家系統后期與時代脫節的落后性及自身的局限性。對專家系統辯證看待的三點意見如圖2-1所示。

圖2-1 對專家系統辯證看待的三點意見
第一,我們應該承認科技在發展的早期對我們的生產和生活做出了不可磨滅的貢獻,專家系統也不例外。早期人造的專家系統是一些固定的系統,這一系統能夠最大限度發揮計算機的處理能力,同時能夠有效結合人類在實踐中取得的經驗知識。這樣做可以對相關問題進行合理、規范的推理,最終達到提高工作效率的目的。
第二,當專家系統發展到后期,就出現了與時代脫節的明顯問題。另外,專家系統發展到后期,又需要大量的資金投入、科研人才的投入。即使是進行商業落地,也明顯會得不償失。
第三,我們應該清晰地認識到,專家系統有著明顯的局限性。綜合來講,雖然專家系統標榜 “智能”,但與人相比,它只是冷冰冰的機器,毫無溫情可言。另外,專家系統內的知識,不是機器主動思考的結果,而是人們智能的轉移。這時的機器根本不會進行自主學習,它全靠人工輸入的相關程序進行操作,所以,顯得很生硬,沒有人情味。具體可以從以下3個角度來理解。
(1)專家系統無法進行深度學習。雖然專家系統程序的輸入能夠使計算機在局部范圍內有一定的認知能力,但是這種認知是程序化、機械化的,完全達不到深度學習、自主學習的程度。
(2)專家系統沒有創造性思維。創造性思維是人特有的思維方式,這需要基于一定的想象能力。然而,智能機器只是一臺有相關程序的機器,雖然它能夠進行一定程度的推測,但這種推測是人賦予它的能力,而不是它自己生成的能力。
(3)專家系統在遇到知識以外的問題時會陷入 “癱瘓”狀態。人類的強大就在于能夠根據環境的變化,積極發揮主觀能動性,通過自我的聯想和想象能力進行探索,同時人類會采取科學的方法進行研究,如定性研究和定量分析。最終人類會憑借自己的智慧,找到事情發展的原因,探究相應的規律,并且進行歸納。然而,專家系統下的機器卻根本無法進行這樣的探索,因為機器無法思考。
專家系統只是人腦的“移植”,而并非人類思維的移植。人類的思維可以是高深莫測的,可以是有條不紊的,可以是有理有據的,也可以是無厘頭的,甚至可以是瞬息萬變的。人類的思維包括感性思維和理性思維兩個層面。而專家系統下的智能機器只有理性思維,沒有感性思維。所以,專家系統下的智能機器的能力是有局限性的。
既然專家系統只是一種智能的應用工具,那么我們在操作時也必須在使用范圍之內應用,否則會造成巨大的損失。我們不能萬事都依賴專家系統,專家系統很難自己產生知識,更難成為行業內的頂尖專家。所以,專家系統下的智能機器只能提高效率,節省人力,但是不能超越人,更不用說完全替代人了。
綜上所述,專家系統類的學習方法雖然效率低,但是也曾經發揮過一定的作用。對于未來人工智能的發展,我們還需進行更多算法的引入,最終目的是使人工智能能夠更具有人情味,像人類那樣進行思考。
2.2.2 神經網絡,讓計算機模擬人腦
神經網絡算法,簡言之是讓計算機模擬人腦的一種算法,這種算法是一種智能的算法,它能夠模擬人腦的處理方式,具有自主學習、合理推理、超強記憶等方面的功能。
神經網絡算法的一個核心思想是分布式表征思想。因為人類大腦對事物的理解并不是單一的,而是一種分布式的、全方位的思考。
但是這一算法在人工智能界并不被全員看好。在神經網絡算法發展的歷程中,有過熱議,更有過質疑,甚至一度引起非議。
從整體來看,神經網絡算法的歷史要早于人工智能發展的歷史,但是這一算法對于人工智能的快速發展無疑有著革命性的影響。
最早的神經網絡并不是一個計算機領域的術語,而是一個神經學科的術語。現在,人工神經網絡是機器學習的一個重要分支,目前包含數百種不同的算法。其中比較著名的算法包括感知器算法、反向傳播算法(BP)、卷積神經網絡算法(CNN)及循環神經網絡算法(RNN)等。
神經學家沃倫·麥卡洛克和沃爾特·彼茨提出了神經網絡的假說。他們認為,人類神經節是沿著網狀結構進行信息傳遞、處理的。后來,這一假說被神經學家廣泛運用于研究人類的感知原理。
另外,早期的一些計算機科學家也借鑒了這一假說,并把它成功運用到人工智能領域。因此,在人工智能領域,這一方法又被稱為人工神經網絡算法。神經網絡算法與生物學神經網絡如圖2-2所示。

圖2-2 神經網絡算法與生物學神經網絡
人工神經網絡算法其實是一類模式匹配算法,它仿照人腦接收信息的方式,對計算機進行相應的編程。這種算法通常用來解決分類及回歸問題。
一般來講,大腦在接收外來信息時,會經過一系列的條件反射,進行迅速思考后,再給出一個具體的反應。當然,這個反應過程是很快的,只是我們在具體的認知活動或行為活動中沒有在意而已。或者說,我們只是把它當作一種本能,根本就沒有進行深入的研究。
然而,神經學科學家這樣做的目的,一是為了科學研究,二是為了治療神經方面的疾病。科學總是會有奇妙的偶合,特別是跨學科、綜合類強的科學研究。
在人工智能領域,科學家的最初設想很簡單,就是讓機器像人一樣會說話、會看、會交流溝通。然而,卻沒有一個入門之道。
當人工智能領域的專家了解到神經網絡的假說時,他們有了一個很好的想法。
他們認為計算機的程序也應該像人類的神經組織那樣,有一個接觸事物并自我思考,形成反射再做出回應的動態過程。
于是他們在算法的基礎上,大致按照“輸入層—隱含層—輸出層”的思路進行設計。其中隱含層是算法的核心,在隱含層,計算機能夠進行自我“思考”,把相關的信息進行綜合處理,加工創造,然后給出更合理的解答。
第一個把神經網絡原理成功地應用到人工智能領域的是羅森·布拉特教授,他是康奈爾大學的一位心理學教授。在1958年,他成功地制作出了一臺能夠識別簡單的字母和圖像的電子感知機,并引起了強烈的反響。當時計算機領域內的專家更是有諸多的聯想,他們預測在幾年后計算機將會像人一樣思考。
但是早期神經網絡算法尚在發育期,另外,計算機的運算能力相對較差,使神經網絡算法一度停滯。
回顧神經網絡算法的歷史,我們不難發現,神經網絡算法曾幾度繁榮,而且取得多項舉世矚目的成績,也歷經了質疑、冷落、批判。
20世紀40年代,科學家根據神經網絡原理提出了M-P神經元和Hebb學習規則;在20世紀50年代,他們發明了電子感知器模型與自適應濾波器;在20世紀60年代,他們又利用這一原理開發出了自組織映射網絡、自適應共振網絡等新的方法,當時的許多神經計算模型都為計算機視覺、自然語言處理與優化計算等領域的發展奠定了基礎。
可是在1969年,神經網絡的發展卻遭遇了“滑鐵盧”。被稱為人工智能之父的馬文·明斯基在這一年出版的《感知機》中提到,人工神經網絡算法難以解決“異或難題”。之后,他在采訪中也同樣對神經網絡算法表示擔憂。
在后來的一次采訪中,馬文·明斯基說:“我們不得不承認,神經網絡不能做邏輯推理,例如,如果它計算概率,就不能理解那些數字的真正意義是什么。我們還沒有獲得資助去研究一些完全不同的東西,因為政府機構希望你確切地說出在合同期的每個月將會取得哪些進展。而過去的國家科學基金資助不限于某一具體項目的日子,一去不復返了。”
當然對于他的一些看法,有人覺得過于悲觀,其實通過讀他的著作,我們不難發現,他并不是悲觀主義者,他只是表達了對人工智能的適度憂慮。
縱觀馬文·明斯基的一生,我們必須承認他是人工智能領域的大師,他孜孜不倦的探索精神值得我們后輩不斷學習。
神經網絡算法在生活實踐中還有如下兩個方面的缺陷:
(1)該算法的整體最優解還不是很到位,通常情況只能達到局部最優解,這對我們全方位的工作部署造成了一定的困難。
(2)算法在實踐訓練中,如果時間過長會出現失靈的現象(專業術語為過度擬合)。在這一狀況下,神經網絡算法甚至會認為噪聲是有效的信號。
目前,神經網絡算法又向前邁出了一大步。該算法通過增加網絡層數能夠構造出“深層神經網絡”,從而使機器有“自主思維”,有“抽象概括”的能力,再一次掀起了神經網絡研究的新高潮。
綜上所述,神經網絡算法的研究有過輝煌時刻,更經歷過無人問津,甚至冷嘲熱諷。但是科學的發展是無止境的,相關的科學家也一定會更好地深入研究這一算法,使機器更加智能,使機器能更好地為人類服務。
2.2.3 深度學習到底“深”在哪兒
深度學習(Deep Learning)是現階段計算機學習算法中比較高級、比較先進、比較智能的一種算法。
深度學習算法中的“深度”是相對而言的。相比之前的機器學習算法,深度學習算法更有邏輯和分析能力,更加智能。
整體而言,機器智能自主學習能力的提升猶如孩子的成長。
從最開始的簡單邏輯判斷,到基于人工規則的專家系統,機器智能經歷了一次質的飛躍,這次飛躍使機器智能更社會化。如果說最初的機器學習處于兒童階段,那么專家系統學習期則處于青春期,這時機器開始會考慮簡單的人情世故了。
從專家系統過渡到神經網絡算法,機器智能更加有“主見”。從被動接收人輸入的相關程序到能夠根據相關條件進行“自主思考”,仿佛從青春期過渡到理智成年期。
深度學習可以簡單理解為傳統神經網絡算法的深化與發展。深度學習算法與神經網絡算法相比,又仿佛一個理智的成年人經過經驗的積累、研究的深入,成為一名行業內的專家。
傳統觀點認為,神經網絡算法只包含輸入層、隱藏層與輸出層,如圖2-3所示。而且隱藏層的層數較少,不能進行深度處理。

圖2-3 傳統神經網絡算法的結構
如果數據量大且數據信息的邏輯性強,密切程度較高,那么隱藏層的處理能力也就較強,最終輸出層的結果也會更加合理。相反,如果數據量小,數據信息只是七零八落地拼湊在一起,關鍵詞之間的關聯度也毫無邏輯可言,那么隱藏層的處理能力就會很弱,會陷入混亂狀態,輸出層的結果自然就會不理想。
深度學習是傳統神經網絡算法的進一步優化,兩者之間有許多共性。比較突出的是兩者都采用了相似的分層結構:算法系統由輸入層、隱藏層、輸出層構成。特點是只有相鄰層能互相連接映射,跨層級別不能連接而且同一層的不同節點不能連接映射。這樣的分層結構與人類大腦的結構是極其類似的。
當然,兩者之間也有明顯的區別,重點在于隱藏層的層級數量。一般來講,深度學習包含多個隱藏層。通常情況下,深度學習至少包含7個隱藏層。同時,神經網絡的隱藏層數也直接決定了它對現實的描摹刻畫能力。隱藏層數量越多,那么它刻畫現實的能力也就越強,它的推斷結果與現實也就越接近,計算機的智能程度也就越高。
另外,一般的多層神經網絡結構的運行效率低,層數越多,運行時間就會越長。然而,深度學習解決了這一難題。深度學習通過提高硬件性能,如GPU(圖像處理器),增加運行速度,提升運行效率。另外,通過類似于云網絡的布局,深度學習還能夠突破硬件設備的運行障礙,實現更深層次的擴展。
基于深度學習的種種優勢,在人工智能的實際應用領域,深度學習起到了推動作用。例如,這些年人工智能技術最大的發展莫過于產生了聲音識別、圖像識別、機器翻譯等方面的成就。在不久的將來,人工智能還會在醫學的深層領域、無人駕駛方面取得重要的突破。
深度學習之所以能夠流行和推動人工智能的發展,與其背后默默耕耘的科學家有著密不可分的關系。
深度學習的研究發展與3個計算機專家有著深厚的淵源。這3個專家分別是杰弗里·欣頓(Geoffrey Hinton)、約書亞·本吉奧(Yoshua Bengio)和雅恩·樂昆(Yann LeCun)。
杰弗里·欣頓被稱為“神經網絡之父”,他在計算機研究領域有著傳奇故事。
杰弗里·欣頓出生于英國,畢業于英國劍橋大學。他在求學期間屢次換專業,首先攻讀化學,之后又轉讀建筑學。發現建筑學與自己的興趣不符后,又轉讀物理學。可他覺得物理學太難,又轉讀哲學。在讀哲學時,他又與自己的老師起了沖突,最后又研讀心理學。在讀心理學期間,他發現“心理學對意識也一無所知”,不過最終他還是獲得了劍橋大學心理學學士學位。
畢業后,他也曾迷茫過,兜兜轉轉,不知何從。他還做過包工木匠,他并沒有輕視這份職業,而只是把這份職業暫時作為生活的需要。在做木匠期間,他不曾停止學習,經常去圖書館查閱關于大腦工作原理的資料。
一年后,他在愛丁堡大學攻讀神經網絡專業,并進一步做研究。在拿到人工智能博士證書后,他又先后去美國和加拿大繼續進行深入的神經網絡研究。最終他選擇留在加拿大的多倫多大學任計算機專業的教授。
杰弗里·欣頓承認,“我有一種教育上的多動癥。”我們不難發現,他的學術追求總是搖擺不定,而且也有過很不順利的時刻,但是他總是追逐著自己的學術興趣,并堅持不懈地進行研究。
最終,在計算機領域他成就了自我。他不僅發明了反向傳播(Back Propagation)的算法,還發明了波爾茲曼機(Boltzmann Machine),并進一步研究出了深度學習算法(Deep Learning)。
杰弗里·欣頓在一次演講中說:“深度學習以前不成功是因為缺乏三個必要前提:足夠多的數據、足夠強大的計算能力和設定好初始化權重。”
當云服務功能推出后,借助互聯網的巨大優勢,我們可以迅速獲得海量的數據信息。深度學習能夠進一步優化大數據,提取更多精確的信息,而這些信息也基本能夠滿足我們在商業發展上的需求或其他方面的需求。
綜上所述,深度學習一方面推動了人工智能領域的發展,引爆了人工智能革命的浪潮,為電子商務、物聯網、無人駕駛汽車等新興產業帶來了更多的機會。但是,我們還應該注意到深度學習不是萬能的。就目前來看,深度學習仍然無法代替人類。因為人類擁有情感,這是深度學習還難以跨越的障礙。
在深度學習的道路上,科學家還需要進一步發揚工匠精神,攻堅克難,為使人們的生活更便捷、更智能而不斷奮斗;政府應該出臺對人工智能發展更有利的政策;相關高科技企業則要為人工智能的商業落地做出更多努力。只有這樣,人工智能的發展才會有更廣闊的前景。