人工智慧為什麼這麼熱？突破難點在那裡？

想要在某一領域取得重大突破，是一件容易的事情嗎？從幾位科學家的回答來看，這並非一件易事。

比如，Brian K. Kobilka說道，花費25億美元、經歷7-12年的時間，但最終一種新葯成功上市的概率只有10%-15%。饒毅也表示，雖然人工智慧推動了神經學的研究，但其實神經學沒有任何概念上的突破。湯曉鷗也表示，在過去很多年裡，都不好意思說自己在研究人工智慧，因為什麼都沒有做出來。即便目前取得了一點進展，但仍然困難重

重。

具體來說，從50年代開始，就已經有人在做人工智慧 ，但從50年代到2011年做的都不好。2011年是一個分水嶺，主要有四方面的原因：

一是實際應用的剛需。之前手提電腦非常多，雖然手提電腦能移動，但是大部分的情況下我們不會拎著電腦去吃飯，出去旅遊時用電腦拍照。後來手機出來以後，手機上的攝像頭變成了人的第三隻眼睛，我們在微信上發的最多的就是照片或者是視頻。一圖勝千言，這時候產生了大量的數據，這些數據需要智能地分析，所以有了實際應用的剛需。

二是數據的體量有了大幅的增加。原來數據是從電腦中產生的，有手提電腦的人還是很少的，因為要一萬多塊錢一台，但是紅米手機一出來，五六百塊錢一台，任何人都可以購置兩台。原來不到一億的用戶，一下子變成十億、二十億，體量出來了，也就產生了大量的訓練和應用數據。

三是可承受的硬體訓練平台。原來我們用CPU的時候，做人臉識別時會用近千個核，但還是要跑一兩個月才能把一個演算法跑出來，然後調一個參數，再來兩個月，又花錢又花時間。但後來用GPU，十台機器、六個小時，同樣的東西就跑出來了。

四是演算法的革命性的進步。有了前三個方面還是不夠的，最後深度學習的框架允許我們做端到端的學習，有了大量的參數，以前我們是做小參數學習的。而且還要將這些小參數設計的非常複雜，因為要解決很多問題，但實際的應用很不理想。但深度學習的網路框架，允許我們用幾千個、幾萬個、幾億個參數，用無窮大的數據直接覆蓋各種場景應用。這樣就可以在一些單項、個別的應用上超過人類，意味著可以替人類來做這個工作。

對它的研究，應該分為三個層次，相輔相成，缺一不可。

最高的是形而上的層面，也就是有人很討厭的哲學啦、心理學啦、精神病學啦之類的東西，同時也包括哥德爾定理、中文屋一類亂七八糟的東西；有人願意的話，從文學、歷史、宗教中也能得到啟迪。這個層面的意義是建立基本的認識，為後面的研究打下基礎並提供指導。

中間的層次是生物學意義上的研究。就是深入探討人腦和神經元的運作機理，研究生物學意義上的每一個生物物理學特性，並把它與形而上的研究結合對照，通過從上往下和從下往上的多次分析，把上層次的每一個現象和生物學特徵對應起來。比如，側抑制的原理是什麼，作用是什麼，和哪些外在表現相對應，是一對一，還是一對多或者多對多。通過這個研究，可以糾正很多原本錯誤的認識，並有很多新的發現。

如果能把人的所有智能和情感外在表現都與生物學意義上的特點聯繫起來，這個層次的研究就可以說基本成功了。對這個層次進行研究的人有，但很少。實話說，這個層次的研究最難。上而下與下而上相結合的研究與思維方式，不是很容易。

下層的研究就是從上、中層研究向編程的轉化。這絕不僅僅是指的編程，首先要做的，是把上中層研究的結果進行等效轉換，把哲學、邏輯學和生物、物理學語言向程序語言的轉換。這個層次並不比中層的研究容易，甚至更難。因為它是對前面研究成果的一個檢驗，往往前面覺得完美無缺的理論，到了這裡就會卡住，隨後在深入的研究中，就會牽扯出一大串的錯誤。而糾正這個錯誤，往往需要對上層和中層的研究重新進行審視。

所以，上層的研究看起來是最容易的，很方便隨意推出一篇一篇的所謂理論。但實際上，幾乎所有錯誤的根源都可以在這裡找到源頭。由於中層和下層的研究需要很專業的知識和很艱辛的探索，很多人望而生畏，就停留在「我有理論」的地步沾沾自喜起來，並以人工智慧研究專家自居了。

目前人工智慧在三個方面應用的比較多：一是語音識別。這個是相對成熟，也是第一個突破的。二是視覺，現在的主戰場就是在視覺領域，而且看的能力的場景是非常多的。三是自然語言的理解，就是要像大腦一樣解決問題，這件事情目前是完全沒有解決的。現在這一塊很熱，很多國內外的公司都做對話機器人，但這其實是非常難的一件事情，因為它對各種背景知識以及條件的要求是非常多的。

「條條大路通羅馬」，並不是只有一條成功的道路。務虛的久了，也必須要實幹來證明和實現價值；實幹的不停的做，發現前方無路，也不得不要思考下方向的問題。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！