早在上個世紀(jì)50年代，電子計算機(jī)誕生不久，就有科學(xué)家們提出“類人類的智能”這樣的一個概念。
人工智能領(lǐng)域有個符號主義學(xué)派，用基于邏輯推理的智能模擬方法去模擬人類智能行為，其中最有代表性的成果為啟發(fā)式程序——“邏輯理論家”，科學(xué)家們用它證明了38條數(shù)學(xué)定理。加之當(dāng)時處于冷戰(zhàn)背景，不論是美國還是前蘇聯(lián)，政府對人工智能投入非常大，所以人工智能在60年代迎來了第一個黃金時代，人們對其前景非常樂觀。
諾貝爾經(jīng)濟(jì)學(xué)獎獲得者、美國著名經(jīng)濟(jì)學(xué)家西蒙是一位早期人工智能學(xué)者，他認(rèn)為，到20世紀(jì)末，人工智能將取代人類智能，機(jī)器會完成人類日常大部分工作。
□ 電影《人工智能》劇照
80年代中期到90年代，人工智能遇到一個大挫折，人們發(fā)現(xiàn)，雖然人工智能可以做復(fù)雜的推理工作，卻做不好簡單的事情，在語音識別、圖像識別方面一直沒有進(jìn)步，而且看起來連發(fā)展方向都找不到。
同時，伴隨著冷戰(zhàn)結(jié)束，政府投資逐漸減少，做人工智能拿不到錢，大家甚至類比核戰(zhàn)后的蕭條創(chuàng)造了一個詞叫AI Winter。盡管在90年代早期到中期AI出現(xiàn)一次小規(guī)模復(fù)興，主要是專家系統(tǒng)的興起，但仍舊沒有走出低潮期，這個低潮期一直持續(xù)到2000年左右。
從2006年開始，由于深度神經(jīng)網(wǎng)絡(luò)的逐漸興起，特別是在2011年左右的深度神經(jīng)網(wǎng)絡(luò)在一系列傳統(tǒng)機(jī)器學(xué)習(xí)任務(wù)上取得了重大突破，人們發(fā)現(xiàn)，人工智能進(jìn)入了復(fù)興的快車道。近兩年來，尤其是從2016年3月份AlphaGo擊敗李世石這件事情開始，人工智能再次進(jìn)入大眾視野。
目前對于非監(jiān)督學(xué)習(xí)的研究遠(yuǎn)遠(yuǎn)不夠
截至目前，人工智能領(lǐng)域取得的最重大突破還是機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)大致可分成三類。
第一類叫監(jiān)督學(xué)習(xí)（Supervised Learning），就是利用一定量的標(biāo)定數(shù)據(jù)學(xué)到一個模型，然后利用這個模型對沒有標(biāo)定的數(shù)據(jù)去做分類。
監(jiān)督學(xué)習(xí)可以用于分類和回歸。
分類是指將若干標(biāo)定好的數(shù)據(jù)分成ABC若干類，如信用卡反欺詐、人臉識別、語音識別、指紋識別等。
所有偏數(shù)值性的東西都可以用回歸的方法去做，回歸是指預(yù)測某個數(shù)值，如預(yù)測天氣或股票價格。
目前在機(jī)器學(xué)習(xí)領(lǐng)域研究的最透徹的還是分類問題，大致可以分為兩個階段：
第一階段：要有一堆標(biāo)定數(shù)據(jù)。比如你告訴機(jī)器，這張圖片上有張人臉，或是某句話表達(dá)了一個什么意圖，這句話的語音信號和其所對應(yīng)的文本就叫標(biāo)定數(shù)據(jù)。
第二階段：將標(biāo)定數(shù)據(jù)放到機(jī)器學(xué)習(xí)算法里去做訓(xùn)練，生成相應(yīng)的模型，今后可以利用模型來做預(yù)測。舉個例子，我們利用一張帶有人臉的照片作為標(biāo)定數(shù)據(jù)生成一個模型，今后我們使用一張新照片作為沒有標(biāo)定的數(shù)據(jù)，便可利用這個模型來判斷照片里有沒有人臉。
□ 電影《機(jī)器姬》劇照
第二類叫非監(jiān)督學(xué)習(xí)（Unsupervised Learning），主要是在沒有標(biāo)定的數(shù)據(jù)里發(fā)現(xiàn)模式或各種。常見的非監(jiān)督學(xué)習(xí)任務(wù)包括異常檢測、聚類、關(guān)聯(lián)分析等等。
異常檢測是從在一系列數(shù)據(jù)中找到反常的點(diǎn)或模式，比如峰值或波谷，聚類是將一堆數(shù)據(jù)中相似的部分聚成一類。
以下這種情況就屬于異常檢測：
經(jīng)過幾千公里長的石油管道運(yùn)過來的油出現(xiàn)問題，產(chǎn)生問題的原因可能是自然災(zāi)害把石油管道破壞，也有可能是油管被人撬開一個洞，怎么找到產(chǎn)生問題的點(diǎn)。
盡管公認(rèn)非監(jiān)督學(xué)習(xí)比監(jiān)督學(xué)習(xí)更重要，因為前者能發(fā)現(xiàn)新東西——原來不知道的、沒有看到過的東西，但實際上，以人工智能目前所能達(dá)到的水平來看，90％以上精力都集中在監(jiān)督學(xué)習(xí)里。
就監(jiān)督學(xué)習(xí)來講，預(yù)測準(zhǔn)確率和召回率是一個硬指標(biāo)。同樣面對一張含有人臉的照片，在同樣的召回率下，A的準(zhǔn)確率90％，B的準(zhǔn)確率95％，那肯定是B比A好。
人類探索知識過程是個非監(jiān)督學(xué)習(xí)的過程，雖然很重要，但沒有東西可以比較。比如說做聚類，A聚了五類，B聚了六類，如何在理論上確定A一定比B好、聚五類一定比聚六類好呢？或者說，A發(fā)現(xiàn)某個現(xiàn)象，管這個現(xiàn)象叫異常，B也發(fā)現(xiàn)了這個現(xiàn)象，但不一定就把它叫做異常。哪個更有道理？
從工業(yè)界角度去看，我們希望能有大量這樣的學(xué)習(xí)過程能幫助我們?nèi)フJ(rèn)識這個世界，但實際上，目前我們對于非監(jiān)督學(xué)習(xí)的研究遠(yuǎn)遠(yuǎn)不夠。
我跟同行們接觸，發(fā)現(xiàn)一個非常明顯的現(xiàn)象：人工智能領(lǐng)域的很多研究者，大部分都在研究監(jiān)督學(xué)習(xí)，因為這方面的成果非常容易被學(xué)術(shù)界認(rèn)可，只要在數(shù)據(jù)上做的好，一定會得到認(rèn)可。但對于非監(jiān)督學(xué)習(xí)，模式和知識的自動發(fā)現(xiàn)和積累，卻少有人問津，雖然大家都普遍認(rèn)為很重要。
□ 科幻電影《人工智能》劇照
第三類是強(qiáng)化學(xué)習(xí)（Reinforcement Learning），其所承諾的目標(biāo)更加吸引人：能夠從反饋里學(xué)習(xí)，即在一個不斷變化的環(huán)境中去學(xué)習(xí)。這個術(shù)語最初是用來描述賭場里的場景。
假設(shè)你帶著1000塊錢進(jìn)入一個有1000臺老虎機(jī)的賭場，每臺老虎機(jī)每次可以賭1塊錢，但每臺老虎機(jī)輸贏概率都不一樣，有高有低，如果你的任務(wù)是盡可能多贏錢，該怎么做呢？
一個合理的策略是你先拿出三分之一的錢去挑臺老虎機(jī)試，贏了之后可以繼續(xù)在這臺機(jī)子上接著試，輸了的話就換一臺。三分之一的錢花完，你可能已經(jīng)試了幾十臺或幾百臺老虎機(jī)；把其余三分之二的錢都用在贏錢概率最高的那臺老虎機(jī)上。
這個策略就可以用強(qiáng)化學(xué)習(xí)的方式學(xué)習(xí)到。強(qiáng)化學(xué)習(xí)的思維方法就是在一個不確定的環(huán)境下，如何利用反饋去學(xué)到一個最優(yōu)策略，從而使得收益最大化。AlphaGo的算法模型中就使用了強(qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)和現(xiàn)實生活很接近，甚至能幫我們解決一些現(xiàn)實生活中的問題。所以在這方面研究現(xiàn)在越來越多。
深度學(xué)習(xí)的強(qiáng)大之處
當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個重大突破就是最近我們經(jīng)常提起的深度學(xué)習(xí)（Deep Learning），它所使用的深度神經(jīng)網(wǎng)絡(luò)和人類大腦的工作方式有一些類似的地方。
人類大腦里有150億個神經(jīng)元，分成不同區(qū)域，每個區(qū)域之間的神經(jīng)元本身沒有區(qū)別，只因功能和位置的原因?qū)е路止げ煌?。比如說，接近我們眼睛的這部分神經(jīng)元被訓(xùn)練成能夠感知眼睛傳過來的信號，但對人類的語言沒有反應(yīng)，它能夠把眼睛傳過來的信號處理后，傳輸?shù)酱竽X內(nèi)部。
但這并不意味著神經(jīng)元本身是有差別的，事實上，有科學(xué)家做過實驗，把鼠胚胎的神經(jīng)元細(xì)胞移植到成年鼠受損的視神經(jīng)區(qū)域，兩者成功融合，建立了連接。我們在 AI 領(lǐng)域使用的深度神經(jīng)網(wǎng)絡(luò)技術(shù)也是如此，神經(jīng)元之間是類似的，因為層級和位置的不同，輸出不同的效果。
大家為什么都愿意用深度神經(jīng)網(wǎng)絡(luò)呢？一個重要的原因在于，利用深度神經(jīng)網(wǎng)絡(luò)之后，我們就可以不用再去花大力氣去做特征工程（Feature Engineering），也就是挑特征。
你可以把所有能找到的特征都融進(jìn)去，只要層數(shù)足夠多，投入的計算機(jī)資源足夠大，就能得到更好的結(jié)果。
要使用深度神經(jīng)網(wǎng)絡(luò)，首先需要巨大的數(shù)據(jù)量。人類在幼兒階段要想認(rèn)識一個蘋果，可能被訓(xùn)練十幾次、幾十次就差不多了；而一個深度神經(jīng)網(wǎng)絡(luò)要認(rèn)識一個蘋果，沒有幾百萬張圖片是不行的。
其次是需要一個可描述的確定性目標(biāo)。也就是說，要明確告訴它這是一個蘋果。
目前人工智能的特點(diǎn)是：我們?nèi)祟惪雌饋矸浅Ｓ刑魬?zhàn)性的事情，只要這件事情有明確目標(biāo)和足夠數(shù)據(jù)，機(jī)器就可以相對容易地將其解決；而許多我們?nèi)祟愑X得很稀松平常的事情，比如模式的發(fā)現(xiàn)、基于常識的推理，機(jī)器做起來反倒是非常難。
如何將人工智能技術(shù)運(yùn)用到各行各業(yè)，解決行業(yè)里的推理、知識共享與傳播、生產(chǎn)規(guī)劃、路徑規(guī)劃、通訊等問題，將是人工智能的未來重要趨勢。
如何衡量對話機(jī)器人產(chǎn)品的優(yōu)劣？
無論在國內(nèi)還是國外，年輕一代對于對話交互的接受程度非常高。有調(diào)研數(shù)據(jù)顯示，年輕人更習(xí)慣于以文本信息進(jìn)行交流。在這種大背景下，我們認(rèn)為，對話交互很可能會成為下一代交互方式，它未必能替代圖形交互，但至少會成為圖形交互方式的補(bǔ)充。
大家對于現(xiàn)有的對話型機(jī)器人產(chǎn)品的體驗一定很糟糕，覺得這個東西不是人工智能，而是人工智障，問題非常多，其中最根本的一個問題是，目前我們對于語言／文本，在機(jī)器能處理的空間中沒有一個很好的表達(dá)方式（Representation），從而使得現(xiàn)有這些對話機(jī)器人沒有辦法從語義和邏輯上去理解對話，并且缺乏自學(xué)習(xí)能力。人類理解的語言，其實是由單詞之間組合的意義，機(jī)器沒有辦法將這些意義很好地表達(dá)出來。
從效率上看，CUI（對話用戶界面）適合做深度，GUI（圖形用戶界面）適合做廣度展示。
CUI和GUI還有一個重要區(qū)別是：產(chǎn)生的感受不一樣。
GUI給用戶的感受是更多地是靜態(tài)的具有空間感的東西，陳設(shè)式的；但CUI給人更多地感覺是時間感，隨著溝通的深入，給用戶一種時間流逝的感覺，所以時間在對話交互里是一個非常關(guān)鍵的設(shè)計因素。很多對話機(jī)器人在和用戶對話時，用戶就說，這個東西我之前告訴過你，你為什么還不知道？所以話語之間的前后關(guān)系對用戶的影響比較大。
用戶對于CUI和GUI的預(yù)期也不一樣。很多用戶對GUI沒有預(yù)期，我看到的東西和別人看到的都是一樣的，屬于公共的東西；但對話通常僅限于兩人之間，天生就應(yīng)該是個性化的，要滿足用戶的個性化需求。
衡量一個對話機(jī)器人產(chǎn)品，有三個象限：用戶價值、稀缺性和技術(shù)成熟度。
——用戶價值特別高、產(chǎn)品稀缺、技術(shù)成熟度又好的產(chǎn)品，一定是只有壟斷企業(yè)才能實現(xiàn)。——用戶價值高、技術(shù)成熟度高但稀缺性不夠的產(chǎn)品，一定會有很多人在做。——技術(shù)成熟度高、稀缺性高但對用戶來說價值不大產(chǎn)品，一定會慢慢退出歷史舞臺。
從界面的角度來說，對話本身不是目的，它只是黏合劑，如何通過對話技術(shù)將東西推薦給用戶并從中挖掘出合適的有價值的東西？這是一件有挑戰(zhàn)的事情，也是一件有價值的事情。
