人類棋手一滴淚下,為這場似乎一開始便已注定結局的人機圍棋大戰畫上了句號。是什么給了“阿爾法狗”如此高超的棋藝?是什么讓人工智能成為“超強大腦”?答案是算法。

　　算法是指由計算機執行的一系列獨立的指令和動作。從初始狀態和初始輸入開始,這些指令描述了完整的計算步驟——通過一系列有限的、確切的指令,產生并輸出答案和數據,最終止于結束狀態。

　　人工智能的算法是一套利用機器智能解決問題的復雜手段。過去,我們給計算機下達規則式的指令來解決問題;現在,我們只要告訴計算機想解決的問題,它就可以自行選擇算法來解決問題——這便是人工智能帶來的根本性變革。

　　人工智能最重要的是學習能力,即根據機器以往的經驗來不斷優化算法。第一次人工智能的浪潮始于上世紀70年代,當時的人工智能算法采用的是符號邏輯推理規則,以實現知識表征。由于缺乏自我學習能力,彼時的人工智能無法解決新領域中出現的問題。第二代人工智能雖然在學習和感知能力上表現更佳,但由于當時的機器學習模型不具備大量吸收訓練數據的能力,與人類的水平仍有很大差距。

　　大約在10年前,深層與結構化機器學習,或稱為深度學習的新范式,讓人工智能算法的智能程度越來越高。傳統的機器學習方法讓電腦學習的“知識”,要由人來設計并輸入,因為需要掌握大量的專業知識,導致特征工程成為機器學習的瓶頸。深度學習打破了這一瓶頸,通過多層結構算法,機器對數據集的“特征”進行篩選和提取,通過反復訓練,最終獲得了提取抽象概念的能力。

　　隨著神經網絡研究的深入,計算機視覺和聽覺等讓人工智能技術再次迎來發展的拐點,計算機的算法也越來越精進。未來,計算機對自然語言的應用還將大幅提高,電腦可以聽懂、讀懂人類平常所用的語言,而不僅僅是機器指令。這樣,存在于互聯網和局域網中的海量信息,都可以成為深度學習的素材。

　　通過深度學習,人工智能可以達到近似或超過人類的識別精度。但與人類相比,機器所需要的訓練數據、 能耗和計算資源卻要多得多。從統計學角度看,雖然機器能夠達到的識別精度總體上令人印象深刻,但在個體應用中的表現往往不盡如人意。此外,由于目前大多數深度學習模型不具備推理和解釋能力,因而無法預測和提前防范嚴重錯誤的出現。

　　在提高人工智能學習能力的過程中,科學家和研究者們從未放松過對與之相關的倫理道德問題的思考。例如美國電氣與電子工程師協會(IEEE)去年便發布了全球首個《人工智能道德準則設計草案》,力求讓人工智能更好地為人類服務。相信隨著未來在范式、算法和硬件領域不斷出現新的突破,人工智能的浪潮將深刻影響人類的生活方式。