對話「世界AI之父」特倫斯：世上最快的計算機為何比不上一隻蒼蠅

人工智慧誕生於20世紀50年代，但為何經過了近70年發展，到近代才進入爆發期？隨著無人駕駛、語言翻譯、AI醫療的橫空出世，哪一項人工智慧應用對人類社會影響最深遠？

如果說誰有資格談論當下正在進行的「人工智慧革命」，特倫斯·謝諾夫斯基（Terry Sejnowski）必然是其中一個。他是上世紀80年代挑戰構建人工智慧主流方法的「一小撮人」之一。在大多數人都「迷信」基於邏輯的計算機編程作為人工智慧基本方法時，他們提出受大腦生物學啟發的「神經網路」，並認為這種新的AI實現方法將最終突破AI研究的難題。

正是這一小群研究人員，證明了基於大腦式的計算方法是可行的，從而為深度學習的發展奠定了基礎。在周末楊浦舉行的「2019未來大會」現場，解放日報·上觀新聞記者專訪了《深度學習》一書的作者、被稱為「世界AI之父」的特倫斯·謝諾夫斯基。

特倫斯會後接受記者專訪。 黃尖尖 攝

大多數人都「誤解」了人工智慧

作為「未來大會」的第一位演講嘉賓，掌聲中，一頭銀髮的特倫斯模仿機器人的步態走上舞台。「我是一個AI（人工智慧），我的製造者特倫斯·謝諾夫斯基派我來上海，給大家講講深度學習。」也許有一天，我們都會變成部分的人工智慧，這是特倫斯的開場白。

記者：今天被科技圈和企業界廣泛提及的「機器學習」「深度學習」和「神經網路」等熱詞，它們之間是什麼關係？

特倫斯：這三個詞概括了AI發展歷程。70年前AI剛開始發展時，科學家們試圖通過電腦編程來改變人類智能，這是人工智慧的傳統方法，即編寫一個按部就班的程序來做某件事。

然而20世紀的計算機技術還不成熟，數據存儲成本十分高昂。熟練的程序員會為每個不同的問題編寫不同的程序，但問題越大，程序越複雜，編程需要耗費大量人力。

這時我們開始把眼光投向人類自己身上。正如一個小孩從零開始學習語言，沒有人給他的大腦編程，但他卻通過觀察和經驗慢慢自己學會了。大腦是如何做到的？我們發現大自然中的生物使用的是一套與編程完全不同的複雜體系來解決問題。 大腦中有很多神經元和連接，或許我們也能建立一個類似的系統，運用和人腦相似的原理來構建人工智慧，這就是「神經網路」，在傳統方法以外的特殊的機器學習。

深度學習是具有多層的神經網路，因此深度學習也是機器學習的一種，而機器學習又是人工智慧的一種。然而在現實中，人們總是誤認為深度學習等於人工智慧，但它其實只是其中一部分。

「這張照片攝於1980年，我和傑弗里·辛頓在波士頓討論視覺網路模型。」

記者：AI在70年前問世，直到近代才正式進入爆發期，AI早期發展緩慢的原因是什麼？

特倫斯：1950年代，電腦運行速度非常慢，內存非常昂貴，用編程來解決問題十分耗費人力。如今計算機運行速度加快了百萬倍，內存也比以前大得多，反而勞動力越來越昂貴，因此讓計算機學習會比讓人類編寫程序更高效。

除了技術限制以外，學界觀念也是一個難以跨越的藩籬。過去那些試圖編寫具有人類智能的計算機程序的AI先驅，本身並不關心人腦是如何實現智能行為的。到1980年代，人們對大腦的了解增加了，但AI研究人員仍不關心大腦本身，他們的目標是編寫一個程序，使其擁有和大腦一樣的功能。

深度學習的轉折點出現在2012年。在當年的NIPS大會上（神經信息處理系統大會，是人工智慧的頂級會議），科學家論證了在一個包含10,000個類別和1000萬個圖像的數據集上，使用深度學習分類可將錯誤減少20％。根據以往經驗，在該數據集上的分類錯誤一年內也減少不到1％，這相當於我們在一年內達到了過去20年取得的進步。深度學習一夜之間變得十分出名，一切都不一樣了。但實際上，我們已經在這個領域努力了30年！

世界上最快的超級計算機比不上一隻蒼蠅？

特倫斯是那一小群不屬於主流群體的AI研究人員。他們認為，受大腦生物學啟發的、那些被稱為「神經網路」「連接主義」和「並行分布處理」的AI實現方法，會最終突破基於邏輯的AI研究無法解決的難題。

「我在介紹大腦皮層的比例法則，那是在1989年我加入索爾克生物研究所不久後。」

記者：在大多數研究人員都著眼於電腦編程的時候，你為何會把眼光投向人腦，相信深度學習可以打開人工智慧發展的突破口？

特倫斯：這要追溯到我剛開始研究深度學習時所設計的一個「話語網路」系統。英語是一種特別難發音的語言，「話語網路」讓計算機來學習閱讀。自學習開始後，「話語網路」一個晚上就吸收了整個訓練集的信息。

（特倫斯給記者播放了一段最早期「語言網路」模擬的閱讀音頻，聽起來就像一個小男孩在牙牙學語。）

這是在30年前，計算機運算還非常慢的時候，雖然按照今天的標準來看這一成果微不足道，但這讓我們發現了語言是神經網路非常擅長的事情，而且神經網路學習語言的方式和人類學習語言方式是一致的。在今天AI的所有應用場景中，我認為語言翻譯能力是最讓人驚訝的，它讓世界不同的人群能直接對話。

記者：1989年，你在MIT的一次講座中用5分鐘闡述了一隻蒼蠅和一台超級計算機的場景，改變了當時大部分「討厭」你觀點的人工智慧學者的看法，你當時是怎麼做到的？

特倫斯：當時我應邀去做一個關於神經網路的講座。MIT有個傳統，演講者需要在午餐時用5分鐘時間與教師和學生一起討論他的講座話題。房間里擠滿了差不多一百人，科學家們站成足足三圈。我走到圓圈中心，正對著自助餐的主菜。我想，我要在這5分鐘說些什麼，才能讓那些討厭我工作的人改變想法呢？

我開始即興發揮，「食物上這隻蒼蠅的大腦只有10萬個神經元，它大概重1毫克，要消耗1毫瓦能量，」我邊說邊驅趕蒼蠅，「蒼蠅能看，能飛，可以自己確定方向，能覓食，還可以通過繁殖來進行自我複製。MIT擁有一台價值一億美元的超級計算機，它消耗的能量是兆瓦級的，並需要一台巨型空調冷卻。而超級計算機的最大成本還是人力，程序員要滿足它對程序的巨大需求。但是相比起蒼蠅，這台超級計算機不能看，不能飛，不能交配或自我複製。」

記者：世界上最快的超級計算機，真的比不上一隻蒼蠅嗎？

特倫斯：當時前兩圈的聽眾都被問倒了。其實我只是想以這個例子讓在場的人工智慧和計算機學者明白一件事，在大自然面前我們應該更謙遜一點。

實際上並非說計算機比不上一隻蒼蠅。計算機是一種通用設備，它可以被編程來計算任何東西，同一個硬碟可以運行不同的程序，而蒼蠅是一種「專用計算機」，它只能運行一種程序，就是「蒼蠅程序」。但無可厚非的是，在蒼蠅那個小小的腦袋裡，蘊含著數以千計個神經元，它的的視覺網路進化了數億年，其視覺演算法已嵌入了它本身的網路，它可以通過視覺識別來尋找最好的食物，還要保持飛行，同時還能在複雜的世界裡生存下去，因此它要消耗最少的能量。

作為研究員，如果我們想理解視覺識別，就可以研究蒼蠅的大腦。這是我們該做的事情，我們的目標，去研究大自然的工作原理，永遠保持謙遜地接受大自然給予我們的知識。

人工智慧不會取代人類，只會讓人類更加智能

2017年5月27日，在中國烏鎮舉辦的圍棋峰會上，柯潔以3場皆負的的結果輸給了AlphaGo後，柯潔這樣總結：「去年（AlphaGo擊敗了李世石），我還覺得AlphaGo的表現與人類非常接近，但今天我認為它是『圍棋之神』。」

2017年在中國，DeepMind的聯合創始人兼CEO德米斯·哈撒比斯和柯潔在歷史性的圍棋比賽結束後會面，共同展示帶有柯潔簽名的棋盤。（圖片來源：德米斯·哈撒比斯）

記者：AlphaGo憑藉什麼擊敗人類圍棋冠軍？

特倫斯：圍棋的合法棋局總數是10的170次方，遠遠超過宇宙中原子的數量，AlphaGo學習下圍棋是基於一種稱為「時間差分」的演算法：在眾多步棋中，哪一步對贏得勝利有貢獻，哪一步對失敗承擔責任？AlphaGo使用由人大腦的「基底神經節」進化出來的學習演算法，來評估最大化未來獎勵的行動順序，並通過反覆和自己下棋幾千萬次來強化這一技能。

我還記得那個夜晚，我在聖迭戈的凌晨興緻勃勃地觀看了這場較量。這讓我回想起1966年我在電視機前關注「勘測者1號」探測器降落在月球上，並傳回了第一張月球照片。我親眼見證了這些歷史時刻。AlphaGo的表現遠超出我和其他許多人的期待。

2017年10月，全新版本的AlphaGo Zero面世，它沒有觀看任何一場人類圍棋比賽，而是從遊戲規則開始一步步學下圍棋，最終以100：0的戰績擊敗了曾戰勝柯潔的版本AlphaGo Master。完全忽略人類知識的AlphaGo Zero學會了如何以超人的水準下棋，創造出人類從未使用過的著數。

記者：你並不認為人工智慧會取代人類？

特倫斯：1997年「深藍」打敗象棋世界冠軍時，很多人說「這是象棋的末日」，「人類不可能打敗計算機了」，甚至說「人類會被計算機取代」。但後來呢？人們開始跟電腦下棋，結果變成了更好的棋手。你無需擔心人工智慧將取代你，事實上人工智慧會放大認知能力，會讓你更聰明，讓你達到新的高度。

人工智慧在代替一部分職業的同時，也產生新的崗位。比如無人駕駛的出現，會讓將來出現在市中心的車輛減少，因為自動駕駛汽車可以在城市外圍停放，大量停車場空間會被高效利用。司機會被取代，但也會產生新的職業崗位，比如安全監測、數據清理、感測器技術供應鏈等。

藝術家繪製的高準確度診斷皮膚病變的深度學習網路。（2017年2月2日《自然》雜誌封面）

在醫療領域，醫生在轉移性乳腺癌的淋巴結活檢切片圖像上的判斷，直接關係到病人的生命。一個經過訓練的深度學習網路能達到0.925的判斷準確率，還不錯，但仍不及人類專家在同一測試上達到的0.966。然而，把深度學習和人類專家的預測結合起來，準確率能達到0.995，幾近完美。由於深度學習網路和人類專家看數據的方式不同，二者結合比單獨預測要好，這樣一來，更多的生命將被挽救。這也表明在未來，人類與機器將是合作而非競爭關係。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！