关于人工智能的随笔：谈人工智能时代的学习

我们可以将深度学习网络想象成工厂的一条生产线。输入原材料后，它们将随着传送带向下传递，后续的各个站点或层会分别提取不同的高级特性。为了继续完成一个图像识别网络的案例，第一层将用来分析像素亮度。下一层将根据相似像素的轮廓来确定图中存在的所有边界。之后，第三层将用来识别质地和形状等。到达第四层或第五层时，深度学习网络已经创建了复杂特性检测器。这时，它就能够了解4个轮子、挡风玻璃和排气管通常是同时出现的，眼睛、鼻子和嘴也是同时出现的。它不知道的仅仅是汽车和人脸都是什么样的。深度学习网络能够识别的许多特性可能都和手头的任务无关，但是其中有一些特性却是和手头任务高度相关的。

辛顿解释道：“训练这些特性检测器时，每次训练一层，这一层都试图在下面一层找到结构模式。之后，就可以在顶部贴上标签并使用反向传播来进行微调。”结果深深震撼了人工智能界。辛顿回忆道：“其中涉及一些数学问题，这总会给人们留下深刻的印象。”

深度学习神经网络已经成为人工智能的主流，其强调的.理念可以追溯到麦卡洛克和皮茨。尽管该理念仍然是对大脑工作模式的一种模拟(我们将在后续章节中探讨更多关于大脑的生物力学模型)，但神经网络能够解决问题的广泛性却令人惊叹。传统人工智能一直表现良好，直到后来研究人员才发现现实世界与其完美模型并不匹配。与传统人工智能不同的是，神经网络不仅能够处理规律性事物，还能够处理规则以外的情况。正如20世纪80年代的NETtalk一样，这使其成为处理语言等棘手问题的最佳选择。深度学习神经网络还擅长处理所谓的“分布表征”，这意味着其具有模拟同一表征空间中两个相似但独立的领域(例如语言和图像)的能力。从本质上来讲，这意味着神经网络能够以类比的方式进行思考，这一点是传统人工智能无法企及的。

智能设备应该能够感知自己所处的环境、识别特定状态、触发评估、产生行为等等，从而形成一个连续的环路。智能设备的“智能”在于中间的部分，那里负责处理感知到的信息，以及如何基于信息采取具体的行动。一台真正智能的咖啡机不只是提醒人们咖啡机空了，而是能够计算出使用者可能口渴的时间，并且自己能及时重新加满咖啡，调制出咖啡成品以满足使用者的个体需求。甚至基于无人控制的桌对桌(desk-to-desk)送货也是可能的。

2015年1月，谷歌董事会执行主席埃里克·施密特在瑞士达沃斯世界经济论坛发言时掀起了轩然大波。当被问及对互联网未来的看法时，施密特答道：“我的答案非常简单：互联网将会消失。”影响最深远的技术是那些消失的技术。它们将自己融入日常生活之中，以至我们无可分辨。比如，谷歌已经开发了智能隐形眼镜，能够测量佩戴者眼泪中的葡萄糖水平，并随后将这些信息通过无线网络传递至所连接的智能手机。

人工智能助手将变得越来越智能。Siri和Google Now已经比几年前的测试版先进很多，这要归功于它们在使用期间收到的数百万个语音请求，而语音请求已经成为改善系统的训练数据。Siri的创始团队在离开苹果公司后纷纷成立新的公司，Viv实验室就是其中一家。Viv实验室目前正在研究一款能够回答“下周三维珍航空351上有哪些空位”等问题的人工智能助手。当被问到这个问题时，人工智能助手将访问全球性旅行公司Travelport的航空服务分销商，找出空位，并将其与选座软件SeatGuru上的信息进行对比，然后与你的个人偏好进行对照。如果Viv知道你喜欢靠近过道并且有额外的放脚空间的座位，它将为你找到最适合的座位。有了它，谁还需要人类助手呢?

为了应对这一范式的转换，我们还需要更好地训练下一代。目前，教育深陷于工业革命的范式之中，这一范式已经持续了100多年。在一个“工厂奴隶”的时代，学校教育被比喻成创造相同的T型福特车的传送带。标准化课程用来教学生特定的技巧，让他们走上工作场所中预先规定好的岗位。这一标准化假设学生学习的技术不会变化，他们一生都可以使用。然而，今天的世界中，习得的技巧通常在10年内就会被淘汰，这意味着人的一生都要不断学习和进行自我评价。在一个智能手机都能上网的年代，我们还需要质问为什么要通过毫无启发性的机械教学在学生的头脑中存储大量信息。

除非发生灾难性风险，在就业方面，整体看来，人工智能对人类的影响是积极的。经济将运行得更加平稳，机器人和人工智能将接手许多不受欢迎的工作并且创造新工作，这就将人类解放出来，他们可以去追求更重要的目标。人工智能能够完成我们目前做的大部分工作，但是人类距离退出工作岗位还早得很。

【本文作者：徐州七中彭向梅。(公众号：草根英语行思教)】

本文为原创文章，版权归作者所有，未经授权不得转载!