人工智慧何以成為「超強大腦」？

人類棋手一滴淚下，為這場似乎一開始便已註定結局的人機圍棋大戰畫上了句號。是什麼給了「阿爾法狗」如此高超的棋藝？是什麼讓人工智慧成為「超強大腦」？答案是演算法。

　　演算法是指由計算機執行的一系列獨立的指令和動作。從初始狀態和初始輸入開始，這些指令描述了完整的計算步驟——通過一系列有限的、確切的指令，產生並輸出答案和數據，最終止於結束狀態。

　　人工智慧的演算法是一套利用機器智能解決問題的複雜手段。過去，我們給計算機下達規則式的指令來解決問題；現在，我們只要告訴計算機想解決的問題，它就可以自行選擇演算法來解決問題——這便是人工智慧帶來的根本性變革。

　　人工智慧最重要的是學習能力，即根據機器以往的經驗來不斷優化演算法。第一次人工智慧的浪潮始於上世紀70年代，當時的人工智慧演算法採用的是符號邏輯推理規則，以實現知識表徵。由於缺乏自我學習能力，彼時的人工智慧無法解決新領域中出現的問題。第二代人工智慧雖然在學習和感知能力上表現更佳，但由於當時的機器學習模型不具備大量吸收訓練數據的能力，與人類的水平仍有很大差距。

　　大約在10年前，深層與結構化機器學習，或稱為深度學習的新範式，讓人工智慧演算法的智能程度越來越高。傳統的機器學習方法讓電腦學習的「知識」，要由人來設計並輸入，因為需要掌握大量的專業知識，導致特徵工程成為機器學習的瓶頸。深度學習打破了這一瓶頸，通過多層結構演算法，機器對數據集的「特徵」進行篩選和提取，通過反覆訓練，最終獲得了提取抽象概念的能力。

　　隨著神經網路研究的深入，計算機視覺和聽覺等讓人工智慧技術再次迎來發展的拐點，計算機的演算法也越來越精進。未來，計算機對自然語言的應用還將大幅提高，電腦可以聽懂、讀懂人類平常所用的語言，而不僅僅是機器指令。這樣，存在於互聯網和區域網中的海量信息，都可以成為深度學習的素材。

　　通過深度學習，人工智慧可以達到近似或超過人類的識別精度。但與人類相比，機器所需要的訓練數據、能耗和計算資源卻要多得多。從統計學角度看，雖然機器能夠達到的識別精度總體上令人印象深刻，但在個體應用中的表現往往不盡如人意。此外，由於目前大多數深度學習模型不具備推理和解釋能力，因而無法預測和提前防範嚴重錯誤的出現。

　　在提高人工智慧學習能力的過程中，科學家和研究者們從未放鬆過對與之相關的倫理道德問題的思考。例如美國電氣與電子工程師協會（IEEE）去年便發布了全球首個《人工智慧道德準則設計草案》，力求讓人工智慧更好地為人類服務。相信隨著未來在範式、演算法和硬體領域不斷出現新的突破，人工智慧的浪潮將深刻影響人類的生活方式。

Bingdata優網助幫匯聚多平台採集的海量數據,通過大數據技術的分析及預測能力為企業提供智能化的數據分析、運營優化、投放決策、精準 營銷、競品分析等整合營銷服務。

北京優網助幫信息技術有限公司（簡稱優網助幫）是以大數據為基礎，並智能應用於整合營銷的大數據公司，隸屬於亨通集團。Bingdata是其旗下品牌。優網助幫團隊主要來自阿里、騰訊、百度、金山、搜狐及移動、電信、聯通、華為、愛立信等著名企業的技術大咖，兼有互聯網與通信運營商兩種基因，為大數據的演算法分析提供強大的技術支撐。