ZOL科技预言坛6th 会思考的电脑有多远

xmxm76

　　“我忽然觉得你好像大白啊O(∩_∩)O~”
　　相信我，任何人如果在最近听到身边的女孩儿对自己说出了这句话，他都应该是一个幸福且称职的男人。大白不仅仅是呆萌的象征，同时也是年度暖男的有力竞争者之一，它体贴、踏实、善良、、给人以温暖和无微不至的、甚至还热爱小动物，深受女孩儿们的喜爱也是情理中事。不过这些“暖点”只属于可以秀恩爱的群体们，我们对大白的关注并不在此。在我们眼中，大白的特质是绝对经典的。
　　因为它是一个机器人，而且它会学习和思考。
　　当一台机器/机器人学会思考，并具备了以思考为基础的事务处理能力之后，它的能力以及它与人的关系都将发生翻天覆地的变化，很多事情都会变得与众不同。《超能陆战队》虽然是一部多少了些许好莱坞气息的商业，但它却为我们展现了这样一副与众不同又十分有趣的未来图景。大白与小宏以及其他人的关系、情感和微妙互动，皆源自其思考、学习以及对应的进行改变的能力，甚至大白的类似“人格”的特质也来源于此。而基于学习和思考能力的机器人，其本质实际上就是基于学习和思考能力的电脑。所以《超能陆战队》所描绘的，其实就是电脑具备学习和思考能力的未来图景。
　　大白的类似“人格”特质来源于其思考、学习以及对应的进行改变的能力
　　那么电脑具备学习和思考能力的那一天离我们究竟还有多远呢？在电脑学会学习和思考之后，我们的生活究竟会发生怎样翻天覆地的变化呢？在第六期的ZOL科技预言坛当中，就让我们一起来聊一聊电脑与思考这件事吧。
　　●思考=AI？
　　让电脑思考这件事儿听起来确实挺带感的，因为一想到思考，我们自然而然的就会往下擅自展开一系列诸如人工智能，AI或者天网之类的字眼，进而甚至联想出人造生命甚至某些哲学高度的念头。不过很遗憾，尽管本文刚刚开始，但我们还要先给诸位泼一盆冷水——所谓计算机思考，跟AI或者人工智能是存在着本质差异的。
　　计算机思考并不等同于AI或者人工智能
　　对“AI”的界定长期以来一直是一个令人沮丧的话题，有人认为骗得过图灵测试即可，有人认为只要不能生成真随机数就不能算实现了人工智能，还有人认为应当以和情感为判断标准，几乎每次对它讨论几乎都会以激烈的争吵而告终……我们并不是人工智能方面的权威，也不想诱发新的争论，所以我们决定只是谨慎的给出自己的判断标准——性与目的性，亦即如果计算机完成的工作受性，则不算人工智能级别，如果计算机完成工作带有目的性，则属于人工智能范畴。
　　完成的工作受性，不算人工智能级别
　　简单来说，当机器要执行的所有任务和结果都处在人控范围，电脑无法干预或自行产生新的目的，仅能通过训练和学习来自行优化任务执行过程时，我们称这种状态为机器学习与思考。而当机器具备自己决定目的的能力，在机器人三原则约束（甚至是越过之）的前提下可以自己决定要执行什么任务以及产生怎样的结果时，我们称这种状态为人工智能，也就是AI。机器学习与思考可以作为最终达成AI的一种手段，同时也可以是AI的一部分，但它本身并不算是AI，起码不属于强人工智能范畴，要实现机器学习与思考也并不一定就需要AI的介入。
　　最简单的例子就是与游戏中的机器人对战，他们每次的战术都相同吗？
　　按照这样的判断依据，我们要讨论的话题其实并不是AI与人的关系。大白的表现也可以被视作是对机器思考过程所产生影响的描述，并不算AI，或者说起码不算是强AI所应该具有的表现。虽然这么说并不严谨，但“踏实听话”是大白重要的暖男属性，如果制作方希望强调的是大白的强人工智能属性，那它对小宏就不一定会那么言听计从而且必达了，即便是对指令和目的的小幅修改也会让人产生“心机”的错觉，这肯定会削弱大白的萌点不是么？
　　经常发生这种情况当然是我们不愿意看到的
　　之所以要先花力气整理两者的区别，是因为AI及人工智能背后会涉及到大量的哲学和伦理学问题。当机器具备了AI，它的能力将不再仅仅局限于学习和思考，当机器甚至可以自行决定是否学习而不是如何学习的时候，能够“改变目的”的质变会给人与机器的关系以及我们接下来要进行的讨论带来诸多难以逾越的障碍。我们希望进行的讨论仅限于机器具备学习和思考能力之后会给我们的生活带来哪些便利以及变化，这种讨论需要一个尽量单纯的，没错，就像大白一样单纯、可靠、直达目的。
　　好了，理清这些问题之后，我们就可以开始讨论单纯的电脑学习和思考能力问题了——究竟什么才是电脑的学习和思考能力呢？
　　●思考是一个学习的过程
　　无论对于电脑还是对于我们人类自己而言，学习和在特定的学习范围内进行相关的思考其实都是一个相当受控的过程。学习无外乎知识与信息的收集、摄取以及整理，而与之相关的思考则包含了归纳、总结、规则抽离以及延伸等等过程。要让电脑在受控的范围内具备学习和思考的能力其实并不难，只需要设定好思考的规则和方式，然后不断地为电脑提供可作参考和训练样本的信息即可。用最通俗的话讲——给它筷子和吃的，告诉它怎么用筷子以及怎么吃，然后看着它吃就好了，它自然会在吃的过程中总结与吃有关的经验然后越吃越顺畅的。
　　伊娃算吗？反正都是瓦力教的
　　有关于电脑或者计算机学习与思考的话题其实并不时髦，早在上世纪六十年代，以machinelearning（机器学习）为代表的一系列概念就已经出现了。这些概念构成了多领域的交叉学科，涉及概率论、统计学、逼近论、线性及非线性过程分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构并用来改善自身的性能和执行效率。它们的出现以及相关模型的建立赋予了计算机学习问题进而通过训练获得更好的解决问题的方法的能力，同时在理论上为日后的AI及人工智能发展铺平了道。
　　machinelearningfundations
　　等等，不对吧，既然50多年前的计算机就已经开始进行学习和思考的过程了，我们为什么到今天都还没看到什么特别震撼的或者干脆见到AI呢？其实答案用想就能猜到了——machinelearning的发展，在开始阶段就了难以逾越的瓶颈。
　　以概念和需求而言，machinelearning在当时无疑都是一个超越时代的产物。机器的学习过程本质上虽然简单，只需要设定好规则，然后把足够多的信息塞给机器，接着让机器处理这些信息即可，但这个过程需要两样最基本的要素——样本信息总量和运算能力总量，要命的是这两样东西在那个时代可以说都少的可怜。最初的machinelearning模型能够获取的样本完全靠设计者手工拾取和构筑，在刚刚摆脱纸带输入进入磁介质存储的当时，这样的样本信息量充其量只能以KB为单位计。而处理能力则更不用说了——你能指望一台处理能力还不及今天的智能手表的大家伙以多长的时间跨度来处理大量信息并完成学习呢？
　　这么个大块头的处理能力还不及现在的一块智能手表
　　有介于这些最简单却又是最基本要素的缺失，machinelearning在经历了诞生之初爆炸般的蓬勃发展之后便快速陷入了沉寂，虽然其后又经历了多次复苏和发展，但却一直没有摆脱样本总量不足以及运算处理能力不足这两个最根本的制约因素。尽管有筷子，但吃的东西不够，吃的速度也快不起来，“饿着肚子”怎么可能有机会去学习和思考啊。在这种大下，machinelearning的发展陷入了冷静和沉寂，这种情况一直持续到了21世纪初才有所改观。
　　黄仁勋在CES2015上发布的全新TegraX1
　　随着互联网以及以GPU节点为主的大规模并行计算体系的高速发展，人类进入了真正意义上的“信息爆炸”时代，每时每刻都会有以TB甚至PB为单位计的数据在互联网中飞驰，这些数据包罗万象，从我们每天拍的无数张照片到各种音频视频流数据无所不有，而人类所能够拥有的并行计算能力也因为GPU以及GPGPU的出现而提升到了前所未有的高度。machinelearning发展所需要的两样最基本要素，在当前这个时代中已经不再是瓶颈和制约要素了，近乎无穷多而且每天都还在高速增长的各种信息可以为其提供任何想要的学习样本，而大规模并行计算则为学习过程提供了运算能力的支撑，过去几十年无法得到有效发展的尴尬好像一下子就消失不见了。
　　deeplearning过程
　　在等待和蛰伏的日子里，machinelearning已经发展出了更具针对性和效率的分支——deeplearning，这是一种基于网格化和分布式运算特正的，近似神经网络模型的新式机器学习模式。它将原本的machinelearning过程并行化并进一步加深了学习深度，通过复杂且庞大的并行非线性数据样本所形成的网络来完成training（训练）的过程，进而实现多层结构的立体式学习和思考模型。deeplearning需要的大规模非线性数据样本广泛存在于整个互联网当中，而并行处理模式则与由GPU构成节点的新一代超算集群契合度非常高。在一系列有利要素的推动和促进下，计算机的学习和思考过程再一次进入了发展的快行道，大量应用和事例不断涌现并且被直接转换成了实际生产力。
　　deeplearning将让计算机具备抽离和优化规则的思考能力
　　在刚刚结束的GTC以及WINHEC上，NVIDIA和微软几乎同时向我们展示了大量基于deeplearning的超算集群科研、应用以及实际产品，BAT/google/微软的积极参与和大力推动也在应用层面刺激了deeplearning的，以deeplearning加速的快速图形识别和高精度语音识别为基础的一系列服务已经大量上线并开始为用户提供对应的服务，我们所熟悉的百度图片检索就是这其中的代表。以当前的形势来看，能够维系深度学习及计算机思考领域发展的良性生态循环已经建立了。
　　照这么看，机器学习与思考的技术发展已经进入了快行道，大白的到来应该已经近在咫尺啦？
　　●我们距离大白的怀抱还有多远？
　　一如既往的，我们又要重复那个我们重复了很多很多遍的词了——很遗憾……尽管机器学习在各方面有利条件的推动下进入了高速发展阶段，但我们距离被大白拥入怀抱那一天还是有一段不短的距离的。
　　在Intel和NVIDIA所提供的硬件以及BAT/google/微软的协力推动下，目前最强大的超级计算机集群已经能够实现十几至几十层layer约束深度下的监督/非监督思考和自主算法优化过程，科研人员只需样本数据的输入，集群就可以自行完成效率的优化和结果准确率的提升，因此从某种意义上来讲，我们似乎已经可以被视为实现“会思考的电脑”了。
　　天河一号a超级计算机
　　不过必须要注意的是，这种类似思考的过程其实仅仅局限于特定的算法和处理过程，而且不同算法之间的表现相差悬殊，所以说当前的deeplearning过程对象性还十分明显，面向一般意义上的“通用性思考过程”还完全无法实现，甚至连可以大规模部署试验的成熟模型都还没有出现，想要将这个过程抽象成更的“思考行为”基本上也不现实。即便不考虑制造大白所需的工程学技术，单就大白的灵魂，也就是思考能力而言，我们所能够实现的幼稚能力也与要求相去甚远。到底远到什么地步呢？远到这次我们连模糊的大概抵达时间都无法给出了。从能够解决常规性问题的“通用思考模型”从提出到实用化预计都要花上十余年的时间，而这样的模型何时才会出现更是个未知数，这基本上断绝了我们进行预测的基础。所以相当遗憾，我们这次真的给不了关于大白什么时候能被造出来的“预言”了。
　　deeplearning在医疗领域的应用
　　话说回来，大白也许是一个遥不可及的梦想，但现实中并非找不到“机器会思考之后能做些什么”的例子，比如我们刚刚就提到了，在刚刚结束的GTC以及WINHEC大会上，NVIDIA以及微软均向我们展现了基于deeplearning的超级计算机集群所能够带来的改变以及对未来的影响。这些变化涵盖搜索、语音交互、服务供应、汽车、医疗甚至金融等等各种与我们生活息息相关的领域，所以可能您还没有注意到，但我们确实已经生活在一个被会思考的电脑服务着的世界当中了。
　　百度搜索的高精度图片识别
　　比如说快速高精度图片识别吧，踏青的时候如果您想知道某种很好看的花叫什么，现在只需要拍一张照片然后交给百度/google去识别就行了，搜索引擎背后基于deeplearning的超算集群已经通过数亿甚至数百亿张图片样本的学习掌握了区分图像细节的方法，并且能够自动完成所有必须得细节判断和检索工作。我们只需要给一张照片，就能获取过去必须通过语言详尽描述之后才能够获取的信息和答案了。
　　超越siri的语音交互系统未来将会实现
　　直接用图片完成信息搜寻的方式不仅会改变我们的搜索习惯，还会对包括医学在内的诸多领域产生深远影响，从组织切片照片当中快速识别病变细胞/癌细胞之类过去十分棘手的问题，在deeplearning支撑的系统当中都将不再是难事。除此之外，基于deeplearning的超算集群还在快速高精度语音识别、复杂背景音主音拾音以及连续动态视频等领域表现出了相当明显的效率优势，无论是超越siri的语音交互系统还是更好的车载交互平台，都将会在很近的未来得以实现。我们的生活，将会很快被会思考和学习的计算机彻底改变。
　　投入大白温暖的怀抱是早晚都会实现的