關(guān)于人工智能這篇文章最易懂：原理、技術(shù)和未來

　　Facebook 官方博客更新，F(xiàn)AIR 主管、深度學習代表人物 Yann LeCun 與同事撰文，深入淺出解釋什么是人工智能、人工智能如何影響我們的生活，以及在充滿人工智能的未來我們將如何學習、工作和生活。Facebook 還推出了系列教學視頻，幫你更好地了解人工智能。

　　星期二早上8：00。你已經(jīng)醒了，掃了一眼手機上的標題，回復了一個在線帖子，為你媽媽訂購了一件假日毛衣，鎖上屋子開車上班，路上聽一些好聽的曲子。

　　在這個過程中，你已使用了人工智能（AI）十幾次——被鬧鈴喚醒、得到當?shù)靥鞖鈭蟾?、購買禮物、鎖上你的房子、得知提醒即將到來的交通堵塞，甚至識別一首不熟悉的歌曲。

　　AI已經(jīng)遍布我們的世界，它在日常生活中產(chǎn)生了巨大的變化。但這不是你在科幻電影中看到的AI，也沒有神經(jīng)緊繃的科學家猛擊鍵盤，試圖阻止機器摧毀世界。

　　您的智能手機、房子、銀行和汽車已經(jīng)每天都在使用AI。有時很明顯，就像當你讓Siri把你導向最近的加油站的，或者 Facebook 建議你提醒某個好友你在網(wǎng)上發(fā)布了一張圖片。有時候則幾乎看不出來，就像當你使用你的 Amazon Echo 用你的信用卡買一件平時不怎么購買的東西（比如一件花哨的假日毛衣），并且沒有從銀行得到欺詐短信提醒。

　　AI將通過推動自動駕駛汽車的發(fā)展、改善醫(yī)學圖像分析、促進更好的醫(yī)療診斷和個性化醫(yī)療，從而帶來社會的重大轉(zhuǎn)變。AI 也將是支撐未來許多最具創(chuàng)新應(yīng)用和服務(wù)的基本架構(gòu)。但對許多人來說，AI 仍然很神秘。

　　為了幫助你解開這些謎題，F(xiàn)acebook 正在創(chuàng)建一系列教育在線視頻，概述AI如何工作。我們希望這些簡單扼要的介紹將幫助大家了解復雜的計算機科學領(lǐng)域是如何工作的。

　　不是魔法，只是代碼

　　首先，有一些重要的事要知道：AI是一門嚴謹?shù)目茖W，專注于設(shè)計智能系統(tǒng)和智能機器，其中使用的算法技術(shù)在某些程度上借鑒了我們對大腦的了解。許多現(xiàn)代 AI系統(tǒng)使用人工神經(jīng)網(wǎng)絡(luò)和計算機代碼，模擬非常簡單的、通過互相連接的單元組成的網(wǎng)絡(luò)，有點像大腦中的神經(jīng)元。這些網(wǎng)絡(luò)可以通過修改單元之間的連接來學習經(jīng)驗，有點像人類和動物的大腦通過修改神經(jīng)元之間的連接進行學習?，F(xiàn)代神經(jīng)網(wǎng)絡(luò)可以學習識別模式、翻譯語言、學習簡單的邏輯推理，甚至創(chuàng)建圖像并且形成新的想法。其中，模式識別是一項特別重要的功能——AI十分擅于識別大量數(shù)據(jù)中的模式，而這對于人類來說則沒有那么容易。

　　所有這些都通過一組編碼程序以驚人的速度發(fā)生，運行這些程序的神經(jīng)網(wǎng)絡(luò)具有數(shù)百萬單位和數(shù)十億的連接。智能就源于這些大量簡單元素之間的交互。

　　人工智能不是魔術(shù)，但我們已經(jīng)看到它如何像魔法一樣大幅推進科學研究，并在照片中識別物體、識別語音、駕駛汽車或?qū)⒃诰€文章翻譯成幾十種語言的日常奇跡中扮演重要的角色。

　　在 Facebook 人工智能研究（FAIR）實驗室，我們正在努力使學習機器更好地工作。其中很大一部分是所謂的深度學習。使用深度學習，我們可以幫助AI學習世界的抽象表征。深度學習可以幫助改善語音和物體識別等問題，并且有助于推進物理學、工程學、生物學和醫(yī)學等領(lǐng)域的研究。

　　深度學習系統(tǒng)中一個特別有用的架構(gòu)被稱為卷積神經(jīng)網(wǎng)絡(luò)或 ConvNet。 ConvNet 是連接神經(jīng)網(wǎng)絡(luò)中單元的一種特定方式，受其他動物和人類視覺皮層體系結(jié)構(gòu)的啟發(fā)構(gòu)建而來。現(xiàn)代 ConNet可以利用從7~100層的單元。在公園里，我們?nèi)祟惪吹酱竽裂蛉推嫱咄?，盡管它們的體型和體重都不同，但我們卻知道它們都是狗。對于計算機而言，圖像只是一串數(shù)組。在這串數(shù)組內(nèi)，局部圖案，例如物體的邊緣，在第一層中能夠被輕易檢測出來。神經(jīng)網(wǎng)絡(luò)的下一層將檢測這些簡單圖案的組合所形成簡單形狀，比如汽車的輪子或人臉的眼睛。再下一層將檢測這些形狀組合所構(gòu)成的物體的某些部分，例如人臉、腿部或飛機的機翼。神經(jīng)網(wǎng)絡(luò)的最后一層將檢測剛才那些部分的組合：一輛汽車、一架飛機、一個人、一只狗等等。神經(jīng)網(wǎng)絡(luò)的深度——具有多少層——使網(wǎng)絡(luò)能夠以這種分層次的方式識別復雜模式。

　　一旦經(jīng)過了大量樣本數(shù)據(jù)庫的訓練，ConvNet 對于識別圖像、視頻、語音、音樂甚至文本等自然信號特別有用。為了很好地訓練網(wǎng)絡(luò)，我們需要提供給這些網(wǎng)絡(luò)被人標記的大量圖像數(shù)據(jù)。ConvNet會學習將每個圖像與其相應(yīng)的標簽相互關(guān)聯(lián)起來。有趣的是，ConvNet 還能將以前從未見過的圖像及其相應(yīng)的標簽配對。由此我么就得到了一個系統(tǒng)，可以梳理各種各樣的圖像，并且識別照片中的元素。這些網(wǎng)絡(luò)在語音識別和文本識別中也非常有用，在自動駕駛汽車和最新一代醫(yī)學圖像分析系統(tǒng)中也是關(guān)鍵組成部分。

　　什么是可以學習的

　　AI也解決了我們?nèi)祟愃媾R的核心問題之一：什么是智能（intelligence）？哲學家和科學家一直在努力解決這個問題，而答案卻一直難以捉摸、飄忽不定，哪怕這個中心是我們能稱之為人的根本屬性。

　　同時，AI也提出了大量的哲學和理論問題：什么是可以學習的？數(shù)學定理告訴我們，單個能學習的機器不能有效地學會所有可能的任務(wù)，我們也由此得知什么是不可能學到的，不管你投入多少資源。

　　這樣，AI機器就像我們?nèi)祟愐粯印Ｔ诤芏喾矫?，我們?nèi)瞬⒉槐葧W習的機器優(yōu)秀。人類大腦高度特化，盡管具有明顯的適應(yīng)性。當前的AI系統(tǒng)仍然遠不具有人類擁有的看似一般的智能。

　　在AI中，我們通?？紤]三種類型的學習：

　　強化學習 這是關(guān)于代理應(yīng)該如何行動以獲得最大化獎勵的問題，它受行為心理學理論的啟發(fā)。在特定情況下，機器挑選一個動作或一系列動作并獲得獎勵。強化學習通常用于教機器玩游戲和贏得比賽，比如國際象棋、西洋雙陸棋、圍棋或簡單的視頻游戲。強化學習存在的問題是，單純地強化學習需要海量的試錯才能學會簡單的任務(wù)。

　　監(jiān)督學習 基本上，監(jiān)督學習就是我們告訴機器特定輸入的正確答案：這是一幅汽車的圖像，正確答案是“汽車”。它之所以被稱為監(jiān)督學習，是因為算法從帶標簽數(shù)據(jù)學習的過程類似于向年幼的孩子展示圖畫書。成年人知道正確的答案，孩子根據(jù)前面的例子做出預測。這也是訓練神經(jīng)網(wǎng)絡(luò)和其他機器學習體系結(jié)構(gòu)最常用的技術(shù)。舉個例子：給出你城市中大量房屋的描述及其價格，嘗試預測你自己家房子的售價。

　　無監(jiān)督學習 人類和大多數(shù)其他動物學習，是在其生命的前幾個小時、幾天、幾個月和幾年，以沒有人監(jiān)督的方式學習：我們通過觀察和得知我們行動的結(jié)果了解世界如何運作。沒有人告訴我們所看到的每一個對象的名稱和功能。我們學會非?；镜母拍?，比如世界是三維的，物體不會自行消失，沒有支撐的物體會往下落。當前我們還不知道如何在機器身上實現(xiàn)這一點，至少無法達到人類和其他動物的水平。缺乏用于無監(jiān)督或預測學習的AI技術(shù)，是限制當前AI發(fā)展的原因之一。

　　這都是 AI 是經(jīng)常使用的方法，但是對于任何計算設(shè)備而言，都有很多從根本上無法解決的問題。這就是為什么即使我們修建出了擁有超越人類智慧的機器，這些機器仍然能力有限。這些機器可能在下國際象棋時打敗我們，但卻不知道在淋雨時躲進屋里。

　　未來的工作

　　隨著AI、機器學習和智能機器人變得越來越普遍，在這些機器人將在制造、培訓、銷售、維修和車隊管理方面擔任新的崗位。人工智能和機器人將能夠?qū)崿F(xiàn)今天難以想象的新服務(wù)。但很顯然，醫(yī)療保健和交通運輸將是AI第一批顛覆的行業(yè)。

　　年輕人只要調(diào)整職業(yè)目標，就能夠享受 AI 提供的大量的機會。那么，我們?nèi)绾螢樯胁淮嬖诘墓ぷ髯龊脺蕚淠兀?/p>

　　如果你是學生：

　　數(shù)學和物理是學習人工智能、機器學習、數(shù)據(jù)科學以及許多未來工作的基本方法的地方。選修所有你能夠選修的數(shù)學課程，包括Calc I，Calc II，Calc III，線性代數(shù)，概率論和統(tǒng)計學。計算機科學也是必不可少的，你需要學習如何編程。工程學、經(jīng)濟學和神經(jīng)科學也會有所幫助。你也可以考慮一些與哲學相關(guān)的領(lǐng)域，例如認識論——這門學習研究什么是知識、什么是科學理論，什么是學習。

　　選修這些課程的目標不是簡單記憶。作為學生，你必須學會如何將數(shù)據(jù)轉(zhuǎn)化為知識。這包括基本的統(tǒng)計學，還包括如何收集和分析數(shù)據(jù)，注意可能出現(xiàn)的偏差，并小心因為這些偏差在處理數(shù)據(jù)時出現(xiàn)的誤差。

　　請教你學校的教授，他或她可以幫助你，使你的想法變得更加具體。如果他們的時間有限，你也可以請教高年級的博士生或博士后。

　　讀博士。不用管學校的“排名”，在那些從事你感興趣的研究中，找一位信譽良好的教授，或選擇一位寫了你喜歡或敬佩的論文的人。申請這些教授所在的學校的一些博士課程，并在申請信中提到你愿意與這些教授合作，但同時也愿意與其他人合作。

　　參與研究你感興趣的與AI相關(guān)的問題。開始閱讀關(guān)于這個問題的文獻，并嘗試用不同于以前的思路去解決它。在你畢業(yè)之前，嘗試寫一篇研究論文，或者發(fā)布一個開源代碼。

　　申請側(cè)重產(chǎn)業(yè)為的實習機會，獲得關(guān)于AI在實踐中的工作經(jīng)驗。

　　如果你已經(jīng)就業(yè)，但想要轉(zhuǎn)向從事與AI有關(guān)的工作：

　　在網(wǎng)上有大量關(guān)于深度學習的資料，包括講座、在線教材、教程和機器學習相關(guān)課程。你可以報名 Udacity 或 Coursera 課程，閱讀Yoshua Bengio、Geoff Hinton 和我合著的 Nature 論文，還有剛剛出版的《深度學習》這本書，作者是 Goodfellow， Bengio and Courville，以及我最近在巴黎法蘭西學院的講座（有英語版本）。

　　當然，你也可以考慮重新回到學習，那么就參考我上面說的內(nèi)容。

　　展望未來

　　越來越多的人類智力活動將與智能機器一起進行。我們的智慧是我們成為人的根本，AI則是這種屬性的延伸。

　　在通往打造真正智能機器的道路上，我們正在發(fā)現(xiàn)新的理論、新的原則、新的方法和新的算法，這些都將產(chǎn)生應(yīng)用，并將改善我們今天、明天乃至明年的日常生活。許多這些技術(shù)很快被用于 Facebook 的產(chǎn)品和服務(wù)，比如圖像識別、自然語言理解等等。

　　當談到 Facebook AI 的時候，我們有一個長期目標：了解智能并構(gòu)建智能的機器。這不僅僅是一個技術(shù)挑戰(zhàn)，這是一個科學問題。什么是智能，我們?nèi)绾卧跈C器中再現(xiàn)它？最終，這將是全人類的問題。這些問題的答案將幫助我們不僅建立智能機器，還能更深入了解神秘的人類思想和大腦的工作方式?？赡艿脑?，這些答案也將幫助我們更好地了解人類何以為人。