余山

最近以“阿爾法狗”為代表的一系列新進(jìn)展說明，最新的人工智能已經(jīng)不光靠計(jì)算速度了，而是具有了以往不具備的重要能力。

這一突破來源于人工智能采取了類似大腦的工作方式。傳統(tǒng)上，計(jì)算機(jī)程序員的工作是把一個(gè)任務(wù)分解成一步一步的數(shù)字和邏輯運(yùn)算，計(jì)算機(jī)執(zhí)行完所有這些步驟，也就得到了問題的解決方案?？墒呛芏鄷r(shí)候這樣處理任務(wù)需要太多的計(jì)算資源（比如下圍棋），或者我們根本不知道如何把一個(gè)任務(wù)分解成簡(jiǎn)單運(yùn)算（比如理解一部電影）。對(duì)于這一類被稱為認(rèn)知任務(wù)的問題，我們的大腦往往能夠有效地處理。在腦內(nèi)，沒有計(jì)算機(jī)中常見的處理器或內(nèi)存，而一個(gè)成年人腦中有800億左右的神經(jīng)細(xì)胞，以非常精密的方式相互作用，構(gòu)成了一個(gè)巨大而復(fù)雜的神經(jīng)網(wǎng)絡(luò)。我們的一切思維都是這個(gè)網(wǎng)絡(luò)活動(dòng)的直接結(jié)果。而人腦執(zhí)行認(rèn)知任務(wù)的能力，是通過各種訓(xùn)練過程得到的。比如，下圍棋和熟練使用語言都需要數(shù)年的時(shí)間和大量的練習(xí)。所以，大腦工作的這兩個(gè)基本特性，即海量處理單元通過網(wǎng)絡(luò)進(jìn)行復(fù)雜的相互作用，以及通過訓(xùn)練逐漸提高智能水平，為人工智能提供了重要的借鑒。

近十年來，把多層的人工神經(jīng)網(wǎng)絡(luò)依次連接起來，并通過大量的訓(xùn)練來提高網(wǎng)絡(luò)的信息處理能力，被證明是處理認(rèn)知任務(wù)非常有效的方式。這一被稱為“深度學(xué)習(xí)”的模式，在圖像識(shí)別、語音識(shí)別、自動(dòng)翻譯等眾多領(lǐng)域都取得了令人吃驚的效果。類腦處理任務(wù)的方式使得傳統(tǒng)上難于處理的問題第一次變得可以解決了。除了在圍棋上的成功，“深度學(xué)習(xí)”系統(tǒng)已經(jīng)可以用語言描述一幅圖片或是一段視頻中的內(nèi)容，可以基于醫(yī)學(xué)影像對(duì)疾病做出比?？漆t(yī)生更為準(zhǔn)確的診斷，可以通過面孔甚至走路的姿態(tài)進(jìn)行準(zhǔn)確快速的身份識(shí)別……工作原理的改變，使得人工智能實(shí)現(xiàn)了質(zhì)的提升。

展望未來，類腦智能還有眾多的“金礦”等待挖掘?，F(xiàn)有系統(tǒng)的訓(xùn)練需要數(shù)量巨大的樣本，遠(yuǎn)遠(yuǎn)超過人腦在掌握新技能時(shí)的所需，說明腦有更高效的學(xué)習(xí)規(guī)則，或是利用預(yù)先存貯的知識(shí)大大加快了學(xué)習(xí)。另外，“深度學(xué)習(xí)”系統(tǒng)只在特定的領(lǐng)域有較強(qiáng)的能力，而腦可以在眾多的領(lǐng)域都表現(xiàn)出高度的智能，說明腦中具有處理多種任務(wù)的模塊，而且有相應(yīng)的機(jī)制可以把這些模塊靈活地組織起來處理紛繁復(fù)雜的問題。隨著對(duì)大腦工作原理的不斷了解，腦科學(xué)與人工智能的深度融合將成為推動(dòng)通用人工智能實(shí)現(xiàn)的強(qiáng)大動(dòng)力。