崛起中的機器文明

人工智慧技術現在炙手可熱，和石墨烯、超材料只在行業內「發熱」不同，人工智慧可謂是來勢洶洶，其影響遍及各個領域，並且愈演愈烈，極有可能引發一次新的技術革命。

目前行業內所說的人工智慧，其實是機器學習。最早的機器學習研究可以追溯到1805年，法國數學家勒讓德發表了《計算彗星軌道的新方法》，其原理就是現在數值計算教科書里的最小二乘法。勒讓德通過修改軌道方程的參數，使預測值和實測值之差的平方和逐漸縮小，預測值逐漸逼近實測值，這其中就包含了目前機器學習的核心思想：給定輸入值和期望的輸出值，尋找兩者之間的相關性。

勒讓德的方法在理論上沒有問題，但是，為了得到精確的結果，需要的數據量和計算量都非常大，在當時根本無法實現工程化的應用。100年以後的1909年，荷蘭的Debye簡化了勒讓德的演算法，提出了著名的梯度下降演算法，這是一種高效的優化演算法。直至今日，幾乎所有機器學習模型仍然離不開梯度下降演算法，並且仍有眾多研究人員致力於該演算法的優化。

20世紀50到60年代，計算機技術逐漸成熟，一批實驗經濟學家使用最小二乘配合梯度下降，在計算機上實現了計算量較大的回歸演算法，大數據技術開始萌芽。儘管如此，對於當時大多數人而言，計算機仍被認為只能處理數值計算問題，包括計算機科學之父阿蘭·圖靈在內的人工智慧先驅們也只是提出了圖靈測試、機器學習、神經網路、遺傳演算法、強化演算法等重要概念，但無法給出具體的研究和實現方法。

1956年，達特茅斯會議討論了計算機在幾何定理證明、自然語言處理、人工神經網路等領域應用的可能實現方法，約翰·麥卡錫正式提出了「人工智慧(AI)」的概念；1957年，Rosenblatt在神經元模型的基礎上，提出了感知器模型，被紐約時報等媒體和學術界熱炒，各行各業的研究人員趨之若鶩，紛紛將感知器引入各自的研究項目，認為找到了機器智能的突破口，人工智慧指日可待。直到1969年，MIT的兩位教授指出，感知器連電子管、晶體管電路中常用的「異或」運算都無法實現，而多層感知器構建的神經網路，參數實在太多，計算起來所耗費的時間成本根本無法接受，不具有實用性。該論斷一出，大量研究人員迅速從對感知器和神經網路的研究中撤出。儘管此後該領域仍不斷有新的理論和模型出現，但都不再被廣泛關注，神經網路的大廈搖搖欲墜，人工智慧的前景黯淡。

1986年，Runmelhart提出了一種自動計算多層感知器參數的演算法——反向傳播學習演算法（BP演算法），這種演算法解決了一大類多層神經網路的參數計算問題，而且還證明了多層網路具有強大的學習能力。神經網路再次引起眾多研究領域的關注，數百種神經網路模型如雨後春筍般構建。但是，神經網路的訓練所需的計算量仍然很大，局部最優解問題日益突出，同時，訓練結果的不可解釋性使很多學者對其可靠性嚴重存疑。90年代中期，支持向量機異軍突出，其模型簡單，通用性好，並且易於理解，在工程應用上迅速超越神經網路，成為最被看好的機器學習演算法。

2006年，一直固守神經網路陣地的多倫多大學教授Hinton首次明確提出了「深度學習」的概念，引入「預訓練」技術，大幅減小了計算量，使多層神經網路的訓練在工程上可行。

2012年，Hinton教授擔任首席科學家的Google X Lab實驗室Google Brain項目組發布了一個圖片識別的卷積神經網路，能夠從YouTube的視頻中識別貓和人類，非常震撼的向世人展示了機器如何「看懂」圖片和視頻，引爆了「深度學習」的研究，此後，圍繞「深度學習」，幾乎每周都有新技術和新成果被發表或發布，並且被迅速應用於圖像識別、語音處理、機器翻譯、關聯分析等領域，表現非常優異。在「深度學習」面前，包括支持向量機在內的其它眾多機器學習演算法簡直「弱爆了」。

2016年，Google DeepMind發布AlphaGo，通過精心的營銷造勢，再次震撼地向世人展示了機器強大的分析和思考能力。此時，有專家指出，圍棋是一種「完美信息遊戲」，參與遊戲的各方掌握對等的信息，而在實際生活中，這種情況是很少見的，我們不可能等到收集了所有信息再去做決策；還有專家表示，Google的這種神經網路基於人類的經驗，需要通過長時間的「訓練」，需要人類的「監督」和修正，這並非真正意義上的「學習」。總之，人工智慧距離實用還有很長的路要走。

2017年4月，經過五天的對決，德州撲克程序「冷撲大師」完勝由6名人類高手組成的「龍之隊」；2017年10月，Google DeepMind發布AlphaGo Zero，只用了三天時間，就以100:0戰勝2016年與李世乭對弈的AlphaGo Lee，40天以後，AlphaGo Zero超過與柯潔對弈的AlphaGo Master，再次震撼過了業界。

德州撲克是一種典型的「非完美信息遊戲」，參與各方掌握的信息是不對等的，機器必須隨機應變，學會處理難以預測的隱藏信息；AlphaGo Zero則是「無監督」的，它完全拋棄了人類的經驗，從自己對自己的亂下開始，一局一局地試錯，最終只用了幾天時間就超越了人類幾千年的圍棋經驗，還建立了人類無法參透的、全新的戰略。

有人說，雖然機器的能力很強，也可以做很多事，但是它們並不能「理解」這些事情，它們只是在「計算」。實際上，人類所謂的「理解」，本身就是一個難以「理解」的概念。人類科學是建立在一系列假設和定理基礎之上的，我們「理解」了這些假設和定理，才可以根據已經掌握的信息去預測事物發生和發展的趨勢，進而從所積累的經驗中提取相應的對策並判斷其效果。可以說，人類所有科研活動的最終目的，都是為了提高這種「預判」行為的準確性。對於智能機器而言，它們不斷地自動優化模型的參數，目的也是為了提高「預判」功能的準確性。「理解」對於這些機器而言，似乎並不必要。就像螞蟻群落，沒有跡象表明，兵蟻、工蟻、蟻后能夠「理解」它們所做的一切，其行為都出於它們的本能，但是它們的協同能力和繁衍能力，並不比人類弱。更何況，人類絞盡腦汁都無法「理解」和想像四維以上的空間，對於機器來說，萬維億維空間，也只是改個參數而已。

在Google發表的關於AlphaGo Zero的論文里，還有一點很有意思，AlphaGo Lee花了幾個月的時間學習人類經驗，才以4:1的戰績戰勝人類，而拋棄了人類經驗的AlphaGo Zero，只用了三天就超越了AlphaGo Lee，也就是說，實際上，人類是把機器教壞了！經過千年積澱，人類只徘徊在圍棋解法的一個局部最優解附近，而機器則從學習之初就直指全局最優解，孰強孰弱，一目了然。

不考慮計算量，理論上，在神經網路基礎上構建的人工智慧似乎可以完成任何指定任務，但是，人類還沒有能力為它們設定一個終極目標，因為，人類連自己存在的意義都還搞不清楚。如果人類存在的意義就是生成和繁衍，機器完全可以做的更好。倘若有好奇的黑客，真正將一部機器的目標設定為「生存和繁衍」，人工智慧和人類的衝突和戰爭就不可避免了。

機器學習面臨兩大難題，一個是計算量的問題。目前最複雜的人工神經網路所包含的神經元數量遠不及人腦，其所需的計算量卻已經超出了超級計算機的能力範圍。研究表明，人腦內部進行的運算可能是基於類似量子計算的機制，人工神經網路的進一步發展也需要藉助於量子計算的強大運算能力。量子計算已經不存在任何理論上的障礙，但對「量子態」的精確控制和操作還無法實現。國內外多家研究機構均在開展相關的研究，從公開的資料來看，IBM在該領域處於領先地位。無論如何，機器學習技術的發展受制於有限的計算能力，量子計算與機器學習的結合，才有可能孕育真正實用的人工智慧。

機器學習面臨的另外一個難題，是人類的倫理，這幾乎可以說是一個哲學問題。一個簡單的例子：無人駕駛在技術上已經接近可行性和實用性，而且已經在特定路段開始測試，但是，當無人汽車在遇到突發情況時，是優先保護車內的乘客還是路上的行人，聰明的工程師們一籌莫展。

機器學習已經被應用於分子生物學、材料學等科學研究。如2016年5月5日《Nature》的封面文章《Machine-learning-assisted materials discovery using failed experiments》，哈佛大學的研究人員將機器學習演算法引入材料學領域，通過處理標記了成功或失敗的實驗數據，精確預測了新材料的合成結果，其準確性超過具有多年從業經驗的化學家，展現了機器學習在材料學領域將可能具有的「研究」能力。不過，材料學本身是一門交叉學科，其概念表述方式各異，數據形式多樣，只有積累了豐富的實驗結果和測試數據，並建立起完善、有序的「材料學基因組」，才能夠開發具有通用性的材料學人工智慧機器。這些科研數據的積累和整理，需要各研究機構的通力合作，需要更多的行業標準，需要大數據技術的支持，儘管目前進展並不明顯，但假以時日，必將有所突破。

也許終有一天，脆弱的人類會像恐龍一樣從地球上甚至宇宙中消失，希望在此之前，人工智慧可以成長起來，只有這樣，人類文明才能以機器文明的形式，在這個我們無限眷戀的宇宙中延續、以至永存。