舒躍育 劉紅梅：推進人工智慧變革

近年來，隨著人工智慧的快速發展，「深度學習」這個詞也逐漸受到人們的關注。那麼，人工智慧與深度學習是什麼關係呢？

1956年，在達特茅斯會議上，計算機科學家首次提出了「人工智慧」概念，從此開啟了人工智慧研究的大門。當時人們的目的是，試圖製造出能夠使用語言、形成抽象概念、解決人類尚無法解決的問題並提升自己的機器。但直到機器學習被廣泛推廣之前，計算機能完成的只是執行人類編寫的指令，而不能自己給自己編寫指令。因此，當時的智能機器還算不上能自己「提升」自己。但機器學習產生之後，給人工智慧帶來了巨大變化。

在傳統上，計算機要完成一件事情，人們得先編寫好計算機能讀取並能執行的程序。換句話說，如果無法實現對目標行為過程的計算機表徵，這個行為就不可能讓計算機完成。但機器學習演算法為計算機提供了這樣一種可能，那就是計算機可以通過某種特殊的演算法，自己編寫新的程序讓自己執行——有效實現自己提升自己的過程。對於傳統的計算機而言，在輸入「數據」和「演算法」後，它給出我們想要的「結果」。機器學習則顛倒了這個過程：輸入「數據」和「結果」，輸出的則是「演算法」。通過機器學習演算法能產生新的演算法，計算機就能自己編寫新的程序。這就是說，許多程序不再需要人類工程師絞盡腦汁將某個過程轉化為計算機可以理解的表徵形式，計算機可自行完成這個過程。

簡單來說，機器學習專門研究計算機怎樣模擬或實現人類的學習行為的領域，它通過演算法，使得機器能從大量的歷史數據中學習規律，從而對新的樣本做出智能識別或對未來進行預測。作為機器學習眾多演算法中的一種，深度學習是實現機器學習的一項重要技術。人工智慧、機器學習和深度學習是一種包含的關係。

深度學習源於人工神經網路的研究，屬於機器學習中的仿生學派。它採用了與神經網路相似的分層結構，整個系統是由輸入層、隱藏層（多層）、輸出層組成的多層次網路。深度學習非常像人的學習過程，必須一層一層地抽象才能理解更深的概念，之所以叫「深度」也是因為其有多層的學習網路，每一層是把特徵抽象成更高階的概念，去理解非常複雜的事物。

神經科學家通過探究人類獲取知識的神經活動過程發現，人腦並不是直接根據外部世界所呈現的刺激獲取信息，而是根據經聚集和分解過程處理後的信息來識別物體。以視覺為例，視皮層的功能是對感知信號進行特徵提取和計算，而不僅僅是簡單地重現視網膜的圖像。那麼，計算機可否像人類一樣，通過對輸入信息的某種處理從而獲得對象有用的結構信息？於是學者們將這個問題轉化成為如何依據訓練樣本獲得關於輸入和輸出之間本質關係的問題。人們採用反向傳播（Back Propagation）的學習演算法來解決這個問題。

反向傳播是一種將估計誤差梯度由輸出端反向傳播給輸入端並由此完成網路參數（突觸權值）更新的演算法。具體而言，首先按照已有的知識設定神經網路的參數，然後對訓練集中的任意輸入的訓練樣本x，通過當前的網路參數（突觸權值）就能算出輸出的估計值ypred，將這個估計值與訓練樣本x真實產生的y值相比較，並其誤差（y-ypred）2 作為目標函數修正當前網路參數。然後依據相關的數學原理，通過訓練集中的大量樣本（大數據）將誤差由輸出端不斷地反向傳遞到輸入端，從而完成網路參數的不斷更新，直到網路達到對參數（權值）沒有顯著修正的穩定狀態為止——因為這時候，計算機已經發現輸入（數據）與輸出（結果）之間的本質關係，即知識。此過程的最大特點是，事先不對輸入與輸出之間的內在關係進行任何預設。也就是說，人工神經網路具備了通過調整突觸權值以適應外界環境變化的能力，即學習的能力。

人工神經網路是從信息處理的角度，對人腦神經元網路進行抽象的計算模型，目的是讓計算機能夠模擬人腦的思考方式來解決一些抽象的問題。在傳統的模式識別中，特徵的提取方式主要是靠人工提取或設計的。而深度學習則是讓計算機自動學習有用的特徵，並將特徵學習融入到建立模型的過程中，從而減少了人為提取特徵過程中的一些不足。深度學習模型的表達能力強，能夠更好地處理諸如目標和行為識別這種非常複雜的問題。它是對人類大腦皮層的最好模擬，能夠學習到多層的非線性函數關係，這種關係使得人們能夠更好地對視覺信息進行建模，從而更好地處理圖像和視頻。深度學習在語言和圖像識別方面取得的效果，遠遠超過先前的相關技術。

深度學習帶來了人工智慧的一個新浪潮，「大數據＋深度模型」時代由此來臨。在以深度學習為核心的理論和技術的支持下，人工智慧被廣泛地應用在金融（營銷、客戶關係管理等）、科學研究、國家安全等領域。人類進入生命進化的一個新階段。

但與此同時，當前以深度學習為核心技術的人工智慧依然處於約翰·塞爾所說的「弱人工智慧」階段。雖然AlphaGo可以擊敗圍棋高手，但它並不「懂」棋，恰如計算器可以幫助計算，卻並不「懂」數學一樣。事實上，機器的「智能」相對於人類的「認知」能力還不可同日而語。在人工智慧與人類智能的對比中，彰顯的不是人類認知能力的不足，而是人類智能在物種適應環境中優越的一面。因此，現在有必要藉助心理學等相關學科的成果來深入了解人類智能相對於現有人工智慧水平的差異，進而從「強認知」的視野來啟發人工智慧的發展進程，使得其早日步入「強人工智慧」的發展水平。

（本文系2017年度西北師範大學青年教師科研能力提升計劃項目「心理學學科分裂危機的理論根源及整合的哲學基礎」（SK17005）階段性成果）

（作者單位：西北師範大學心理學院）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！