前段时间，亚马逊即将开业的线下生鲜实体店Amazon Go，在朋友圈里刷了屏。
这个商店整合了亚马逊最新的智能技术，可以自动感知顾客有没有从货架上拿走商品，或者是把商品放回货架，用户不需要排除结账，拿着商品就可以直接回家，亚马逊会从你的账户里自动扣款，并生成账单。
很神奇。但亚马逊真的已经实现了。
事实上，很多以前我们想像得到，甚至想象不到的"黑科技"，都正在走入现实。
比如猿题库，只需要拿出手机拍照，就可以自动识别手写的英语作文，将其转化为单词，显示作文评分，并对语法、单词等错误和亮点进行批注，有的地方甚至比老师批改更详细。
比如讯飞，不但可以智能识别语音、将文字合成为语音，甚至可以模拟真人的语音，让听者难辩真假。
比如百度，"百度号"的写作机器人已经可以实现体育新闻、热点新闻等多领域的全机器创作。
诸如此类，不胜枚举。
这些已经成为现实黑科技背后，都指向已依稀可见的同一个未来：人工智能（Artificial Intelligence，AI）。
在对于未来的预测中，不论积极还是悲观，绝大多数科技界领袖都相信，人工智能已经近在咫尺，并将为人类社会带来前所未有的巨大改变。
比如《连线》杂志创始主编凯文·凯利认为，人工智能是下一个20年里颠覆人类社会的技术，其力量堪比电与互联网；英特尔CEO科再奇也认为，人工智能将成为人类历史新的转折点。
在2016年12月6日，36氪主办的WISE大会上，创新工场董事长兼CEO李开复更断言，"十年后，全世界50%的工作，都会被人工智能所取代。"但现在的问题是，面对人工智能的突飞猛进，从经济到产业，从政策到法律，从社会到伦理，我们真的已经做好准备了吗？
1人工智能的发展，与人类社会对它的预期，其实已经偏离。
到底什么是人工智能？
关于这个问题，有太多的定义、阐述与理解，很难找到通行的准确定义。
从广义来讲，能够执行自动程序的计算机、手机等所有机械与设备，都应该纳入人工智能的范围，从手机、电脑、银行、汽车到我们生活中的几乎每一个环节，都已经有或多或少的人工智能发挥作用。
但在普通人眼中，或许"终结者"那样拥有自己思想甚至情感的机器人，才是人工智能的典型代表。
而业界更普遍的观点，是把人工智能分为三种：弱人工智能、强人工智能，以及超人工智能。
其中，弱人工智能是所有不能真正地自主推理和解决问题的智能，它的智能更多体现在"智能的行动"，这也是当前几乎所有人工智能的现实水平。
而强人工智能，将具有智能思考能力，在某些领域的智能表现，接近甚至达到人类水平；超人工智能则将有可能形成对人类的智能碾压。
这两者，也正是人工智能产业努力的方向。
过去，即使每天花10个小时在自己的手机上，使用着各种信息时代的便利，我们依然认为，"真正的人工智能"还停留在科幻电影与遥远的未来。
但现在，各种黑科技的井喷，正在告诉我们，从弱人工智能到强人工智能之间，或许并没有一道森严的壁垒。在一些领域，人工智能将达到，甚至已经悄然越过那条看不见的分界线。
更重要的是，要对我们的产业、经济乃至社会组织形成颠覆式的影响，其实远远不需要真正的强人工智能。
即使，我们离想象中的人工智能仍有距离，但它对人类社会产生的冲击，已经全面开始。
22015年3月，谷歌人工智能AlphaGo以4比1战绩，击败韩国围棋选手李世石，是刺激全球进入人工智能竞速狂潮的标志事件。
人工智能概念由来已久，但最近几年，这个产业才迎来井喷式的大繁荣。这段时间的发展速度与成就取得，远超过去几十年的累积。
这一轮的人工智能大发展，始于2006年，Hinton等人提出的深度学习概念。
在此之前，开发者们更希望直接编写出一套足够智能的程序，但无论如何天才的开发者，编写出的程度都与外界的期望天差地别。
而深度学习则放弃了这个不切实际的想法，不再是程序员直接完成所有的代码，而是放手让人工智能自己演化成长。
通俗来讲，它通过对人和动物大脑的仿生，将计算代码模拟为简单的、相互连接的神经元，并通过修改单元之间的连接，来不断进行经验积累，让它形成自己的逻辑推理，自我完善发展。
这就像人的成长，刚出生时只有最基础的本能，只有经过慢慢长大，不断学习，才能在不同的领域绽放光彩。成长环境的不同，学习方向的不同，都会影响未来的前进方向与成就高度。
这个概念的另一个通俗叫法，是"机器学习"。这个词显然更直接，它的目的就是要让机器学习，自己进化。
比如，科学家们有过这样的实验：他们制造了一个机械海星，只为它输入了控制自身部件的简短代码，以及让它"学会自己走路"的目标，但它通过深度学习，只用了很短时间，就从只能在原地蠕动，到学会了流畅地行走，甚至当科学家截去一部分"肢体"，它依然能顽强地继续前进。
这并非科学幻想，而是2015年初就已完成的真实实验。
而现在，这种人工智能的深度学习，正在无数个不同的领域展开实验，不断累积通往下一次进化的经验与数据。
就像本文开始列举的那些黑科技，都是有人工智能和深度学习参与的应用实例。
3深度学习的原理并不复杂，但为何直到近年方才盛行？
关键原因在于，海量数据的模型训练，是深度学习的核心过程，人工智能赖以提升智能水平。
因此，它的发展需要三个核心推动力，缺一不可。
一、海量的数据。
如果以网络游戏来比喻，数据就是人工智能赖以升级的经验包。
如果没有足够多的数据，深度学习将无从谈起。
因此，人工智能进展最快的领域，比如棋牌比赛、金融、语言与图像识别等，都是拥有海量数据样本的业务。
过去20年来，正是信息通信技术（尤其是互联网）的发展，积累了庞大的数据，并产生了大量的数据处理需求，从而为人工智能爆发奠定基础。
一个第三方的估测数据是，过去三十年来，全世界的数据量，一直以大约每两年10倍的速度激增。
而随着我们进入大数据时代，每个人、每件设备的每个行为，都将纳入大数据的信息图谱，我们产生的数据量还将持续增长。
在这方面，英特尔全球副总裁兼中国区总裁杨旭有一组数字，可以作为参考：
二、强大的计算力。
只有超强的计算力，才能处理无比庞大的海量学习数据。
得益于摩尔定律的驱动，硬件的计算能力一直在持续增长。如今，一部智能手机的计算性能，都已经远超几十年前的超级电脑。
此外，专门针对深度学习的集成电路产品，近年来更发展迅猛。
比如英伟达（Nvidia）业绩的突飞猛进，就是因为人们发现，曾经用于增强电脑显示能力的图形处理器（GPU），比传统的中央处理器（CPU）更适合用于深度学习，这让GPU巨头英伟达成功转型，从一家并不引人注目的显卡制造商，摇身变为人工智能行业的领潮者。
而高通、英特尔等在PC和移动互联网时代的芯片领袖，在过去10多个月中，也已经在这个方向上发起全力冲刺。
比如英特尔，已经连续收购了Indisys、Saffron、Itseez、Movidius、Nervana等公司，从自然语言处理、认知计算、计算机视觉模式识别等不同领域，提升自家的人工智能实力。
评论 (0)