人工智能科学计算器-“人工智能”首次写入《政府工作报告》，未来它会成为人类的威胁吗？

作者系澳门大学学术副校长，香港科大霍英东研究院院长，香港科大校长特别助理，计算机科学与工程系讲座教授，相关领域国家重点基础研究发展计划项目首席科学家。

编者按：国务院总理李克强在3月5日第十二届全国人民代表大会第五次会议上所作《政府工作报告》中提到，要加快培育壮大新兴产业，全面实施战略性新兴产业发展规划，加快新材料、人工智能、集成电路、生物制药、第五代移动通信等技术研发和转化，做大做强产业集群。值得注意的是，“人工智能”首次写入《政府工作报告》，这为发展人工智能释放了重要的信号。2017年，人工智能又为我们带来什么？

什么是人工智能？计算机是如何实现图片识别、指纹识别、面部识别的？机器人如何实现与国际象棋选手对决？战胜围棋世界冠军李世石的AlphaGo的成名秘诀是什么？人工智能的极限在哪里？未来它会成为人类的威胁吗？知名计算机科学家倪明选教授向我们讲述了最新的人工智能科技成果，这些令人兴奋的最新进展，将为人类未来奠定富有想象力的长期技术创新基础。2016年的春天，AlphaGo与世界顶级围棋高手李世石进行人机世纪对战，这一场旷日持久的“人机大战”在围棋界和科技界引起了巨大的舆论漩涡。再往前，智能机器人漫步雪原森林，显得很轻巧很智能。一时间，把人工智能浪潮推上了全球新高。

人工智能VS大数据

2016年2月，物理界有个大事，“引力波”被证明是存在的，同时也再次证明了地球爆炸原理。如果说在物理科学领域“引力波”是大家探讨最多的关键词，那么在计算机领域，“人工智能”则是最热门的新技术。

什么叫“智能”？（8377×579）/2=？这道题可能我们中的大部分人都无法立即给出答案，在江苏卫视《最强大脑》节目中，中国雨人周玮凭借超出常人的计算能力成为众人瞩目的焦点。周玮可以不靠计算器直接给出答案，不得不说这是一个奇迹。实际上，在计算机发明之前，我们通过计算器完成一些难度系数较大的计算，但丝毫感觉不到威胁或挑战，因为它只是一个“工具”而已。

我们再来看一道计算机领域有名的难题：如何识别人脸和狗脸？为了让计算机辨认，研究了好多年，直到最近这个问题才有所突破。所以说，智能的“智”是学习产生的。

人工智能（AI），是每个计算机工程师的梦想，让机器变得和人一样智慧，早在上世纪70年代末到80年代初就带动了风潮。在1980年我读博士时，美国喊得最红的就是“人工智能”，但当时感觉是“Totally useless”。然而，学者们没有放弃，继续深入钻研发展到第二波“专家系统（Expert system）”阶段，即在某个领域内解决问题。AI的第三波叫“数据挖掘”（Data mining），AI的发展到这时开始渐露曙光。再发展到近期，也可以称作是AI的第四波，即“大数据与深度学习（Big Data and Deep Learning）”阶段。

我们讲了这么多年“大数据”，大数据是一个突破性、革命性的工具，是使人类在各个领域“分析事情”，并得以极大改变的最新工具。再通俗些讲，如果说老师是教人学习的，那么“大数据”是来教机器学习的。AlphaGo能够打败世界围棋冠军李世石，是基于大数据技术。那么到底什么是人工智能？第一，能够理解知识；第二，懂得学习，这是KEY；第三，能够普遍适用。

电脑学习VS人脑学习

我一直在想这个问题，机器到底怎么学习？人脑跟电脑到底有什么差别？我们先看人脑是如何学习的,人脑里面有上千亿个神经元人工智能科学计算器，有很多树突，每个树突经过神经元做函数的运算，然后产生结果。人的记忆量好像很大，这是人脑的特性，但也是有限的，而且会记错。除此之外，人脑能够做推理、分析、搜索、计算等等。

“电脑”如何学习？电脑是数字化的，是0和1组合的、有学习能力的“感知器（Perceptron）”，这是人工智能神经网络的雏形。1958年，美国心理学家Frank Rosenblatt分析提出，人脑中有这样一个复杂并交互的系统，我们能不能把这样一个系统数字化，让电脑模拟出来。所以说，电脑学习的基本结构最初就是模仿人脑神经树突结构而来，在电脑神经网络中，有input、output、function，每一个权重是不一样的，各项系统参数的配置也相应不同。电脑的特性是记忆比人强、各种逻辑能力比人强、计算比人快。

先看电脑如何学“字”，其间用了N个神经元，然后在里面设置很多参数，并且不断调整和完善，再调参数，调完参数再反馈，一直按照这个程序来做。所谓调参数就是一个优化的过程，首先找“字”的特征，然后按照或然率（也叫概率、几率，是对可能性大小的科学说明和测定）排序。事实上，各个公司比较产品的高下，也就是说我做的参数比你做得漂亮，我的成功率大，那你就输给我。再看图片识别，神经网络理论上是可以认出图片的，但是需要神经元的数目巨大。多伦多大学的Geoffrey Hinton教授推出了“深度神经网络”，原理是把神经元拉了很多层，变化是用乘法来计算。之后，谷歌用1000台电脑，从网上抓了1000万张猫的照片，用10亿个参数，让电脑认出了猫。

那什么叫深度学习？在不增加参数参量的情况下，模型有强大的特征表达能力，基本上需要自动地从底层过渡到高层，分类不同特征。到底要多少个神经元？有多少层？层和层怎么连接？参数多少？初始值多少？怎样反复调？这也是一项项非比寻常的挑战。

图片识别每年都有比赛，用5000多张有编号的照片来训练机器。到2011年，大概只认出74%；在2012年的时候，Geoffrey Hinton团队找出了最大突破，达到了85%，这个结果一公布，全世界轰动了；2015年，微软位于北京的亚洲研究院参数调整率达到了96.4%，比人眼识别还要准，用了152层的，叫Convolutional Neural Network（卷积神经网络）。从不会认到会认，再到认到96.4%，要用大量已知的东西训练它，调参数，不断增加它的可认度。

人工智能未来会怎样发展？

机器把冠军打败了，这使我对人工智能从看不起、纯忽悠到改变了认知。棋盘就是一张图，我input 这张照片，19×19，需要大量的数据来训练我的神经网络。根据直觉，我们通常下棋的时候，下完一步，肯定要想对方会下哪里，然后再想我的应对是走哪一步。不管是围棋还是象棋，高手都是能够预估后面2、3、4、5 步棋。

如果说计算机有无限的速度和空间，那是否能用“穷举法”来预判后面所要走的棋。假使机器有能力把所有的排列组合都能够放进去的话，那么下棋是不会输的，但问题是，“穷举法”是无法实现的。也就是说，目前先进入卷积神经网络，然后算广的应该几步走、深的应该几步走，对所有的可能，做一个快速的模拟来决定胜负，这就是AlphaGo 的基本原理。

计算机如何做到这些？有两种方法：第一种，专家设计训练参数，先把不合理的删掉，减少搜索的空间；第二种是自己跟自己打，下完之后，修正自己的模型，迭代500 次以后再对打，之后再产生更好的模型，再继续打，一直不断地把参数调上去。

第一种也叫“ 深度剪枝”，降低胜率较低的下子步骤。每次下子，要对当前棋盘做胜率的估算。如果胜率大于50% 了，再往前走；如果胜率小于50%，那再换一步试试。要训练那么多的神经网络，要用很多的棋谱来训练它。只找5-9 段的高手棋谱来做参数，也需要用16 万场棋来训练，用2840 万步来调参数，再用100 万步来作验证。即便通过这样的方法，计算机下棋的胜率也只是47%。概率还不够，怎么办？

这时，就要用到第二步，神经网络是用已知的东西来调参数，自己和自己下，英文叫Reinforcement Learning。再产生3000 万局，一直不断修正模型，一直达到新的模型能够比我第一步达到的概率还要高80% 以上。

1997年IBM 的Deep Blue打败了俄罗斯人国际象棋特级大师卡斯帕罗夫人工智能科学计算器，做法很简单，就是把所有能买到的棋谱全部输入电脑，包括残局。所以，Deep Blue 完全是按照棋谱上过去的步伐来走的，第一次它输了，又增加一些棋谱进去，它赢了。

深度学习、人工智能，对我们是个突破。因为它不只能够理解知识，还懂得学习，而且应用非常广泛。最早的应用是语音识别，从语言的理解，到同声翻译，也可以是图像识别，微软就是用神经网络做图像识别。这是人工智能的一大突破，大家都在研究怎么用，可以解决什么样的问题，这是目前最接近人类的学习方式。

Hinton 早就做出了深度学习网络，为什么一开始它的方案没有得到更好地应用，就是因为它的东西无法得到验证，那个时候没有大量的数据来训练。如果用大量的数据来训练，机器又太慢，也是不行。所以，因为有了大量的数据，有了超算、很多GPU 等等，它终于可以实现了。

所以说，大数据和超算带动人工智能发展，进而引爆人类社会革命，影响深远。金融、生命科学、精准医疗等领域，今后要做的都是靠大量的数据来训练机器。有人问我，机器人会对人类社会造成威胁吗？我觉得不会。机器人砍你是因为有bug，而这个bug 是由人来控制的。

人工智能可不可能做创新？我的答案是不可能。人工智能是一个更高级的工具，数字化电脑仅仅是模拟人脑，应该不会有智慧。科技创新是为人类带来福利，遵循的原则是不应该为人类的有序生存带来灾难。真的有一天，我的机器人有智慧，可以创新；有情感、有直觉，能探索未知，甚至超越人的想象和思考，那么，我们可以谦逊地在机器搬家的路上过上好日子，也可以傲慢地死去。