人工智能是一個(gè)“機(jī)器大腦”，是通過不斷學(xué)習(xí)訓(xùn)練出來的。我們不妨用人腦和人工智能做個(gè)類比：人腦由很多神經(jīng)元組成，它們之間互相連接的強(qiáng)度是可變的，而人們正是通過改變神經(jīng)元之間的連接強(qiáng)度來學(xué)習(xí)新事物或強(qiáng)化某項(xiàng)技能，比如，畫畫、寫字、釣魚、打球……而人工智能就是通過模擬人腦學(xué)習(xí)過程，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的。它像人類一樣學(xué)習(xí)觀察、總結(jié)經(jīng)驗(yàn)、執(zhí)行任務(wù)，能做到“自學(xué)成才”。

那么問題來了，人工智能如何學(xué)習(xí)？訓(xùn)練人工智能，就像教育小孩，人們一般會(huì)使用以下幾種辦法：

一、監(jiān)督學(xué)習(xí)。人類通過給孩子看大量貓和狗的照片，讓孩子能夠辨認(rèn)出貓與狗，用類似方式給人工智能“看”信息，并告訴它答案，人工智能“看”了足夠多的信息后就能夠進(jìn)行識(shí)別工作了，如人臉識(shí)別、車牌識(shí)別和腫瘤診斷等。

二、無監(jiān)督學(xué)習(xí)。人工智能先分析大概內(nèi)容，再根據(jù)觀察到的特征，把自己認(rèn)為相似的東西分成一組。這樣，人工智能可以從繁雜的信息中找到隱藏的規(guī)律。

三、強(qiáng)化學(xué)習(xí)。人工智能直接和環(huán)境互動(dòng)，通過環(huán)境給出的獎(jiǎng)懲來學(xué)習(xí)，通過一系列動(dòng)作獲得最大的獎(jiǎng)勵(lì)。在互動(dòng)過程中，人工智能會(huì)不斷調(diào)整自己的行為，對(duì)環(huán)境變化做出最佳的應(yīng)對(duì)。例如，人工智能在經(jīng)過多次訓(xùn)練后，能夠用“一條命”就通關(guān)馬里奧游戲。強(qiáng)化學(xué)習(xí)適用于訓(xùn)練行為，如玩游戲、無人駕駛等。

在實(shí)際應(yīng)用中，這3種方法經(jīng)常被綜合使用，讓人工智能學(xué)會(huì)各種技能?，F(xiàn)如今，人工神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)元數(shù)量可達(dá)千萬量級(jí)，可以說，當(dāng)下人工智能的勝利是數(shù)據(jù)與算力的勝利。但人工智能并非一誕生就是個(gè)“大學(xué)霸”，你知道不同的人工智能模型是由多少數(shù)據(jù)練成的嗎？

1950年，著名的計(jì)算機(jī)科學(xué)家香農(nóng)設(shè)計(jì)了一只內(nèi)置磁鐵和金屬絲的機(jī)械小鼠，它的任務(wù)是穿越迷宮，找到位于終點(diǎn)的奶酪。起初，小鼠花了2分鐘，經(jīng)歷反復(fù)碰壁和拐彎才跌跌撞撞地摸索到終點(diǎn)，但在第二次穿越同一個(gè)迷宮時(shí)，它像是有記憶一般，一路順暢且準(zhǔn)確無誤地，只花費(fèi)了12～15秒就抵達(dá)終點(diǎn)。

奧秘在于，香農(nóng)在迷宮底部安裝了復(fù)雜的繼電器系統(tǒng)，這一系統(tǒng)可以在沒有外部輸入的情況下自行創(chuàng)建、記憶和使用信息，從而指揮機(jī)械小鼠按照正確的路徑行走。而這，就是世界上最早的人工智能設(shè)備之一。與當(dāng)代進(jìn)行機(jī)器學(xué)習(xí)所需的龐大訓(xùn)練數(shù)據(jù)集不同，香農(nóng)的實(shí)驗(yàn)里僅設(shè)置了40個(gè)數(shù)據(jù)點(diǎn)，迷宮中有40個(gè)插槽，只需把金屬板隨意放入不同的插槽位置，就可以創(chuàng)造出一條全新的路徑。這幾乎是機(jī)器學(xué)習(xí)所成功使用過的最小數(shù)據(jù)集。時(shí)間來到20世紀(jì)90年代，科學(xué)家們開始嘗試訓(xùn)練計(jì)算機(jī)模型來識(shí)別圖像。MNIST是其中經(jīng)典的數(shù)據(jù)集，它誕生于1994年，一共包括7萬張數(shù)字圖像，這些數(shù)字都是真人手寫的，既有高中生的筆跡，也有政府員工的筆跡——聽起來有點(diǎn)夸張是嗎？事實(shí)上整個(gè)數(shù)據(jù)集的大小只相當(dāng)于1.14張iPhone15手機(jī)拍出的照片。

在2012年的ImageNet大規(guī)模視覺識(shí)別挑戰(zhàn)賽中，一個(gè)名叫AlexNet的參賽模型以開創(chuàng)性的方法達(dá)到了比亞軍整整高出10.8%的準(zhǔn)確率，以絕對(duì)優(yōu)勢摘得桂冠。這一方法就是深度學(xué)習(xí)。AlexNet模型一戰(zhàn)成名，從此開啟了人工智能領(lǐng)域的深度學(xué)習(xí)浪潮，而它參賽所使用的訓(xùn)練數(shù)據(jù)集就是由ImageNet平臺(tái)提供的1281167張圖像。這個(gè)數(shù)據(jù)集的大小共計(jì)167.62GB，幾乎是MNIST數(shù)據(jù)集大小的1.6萬倍。

如果你足夠關(guān)注人工智能繪畫，一定不會(huì)忽略Stable Diffusion這一強(qiáng)大的圖像生成模型。它的初代版本經(jīng)過了共計(jì)43.1萬步的訓(xùn)練，涉及的圖像數(shù)量高達(dá)1.7億張。如果把這些圖片制作成電影，以每秒24幀的速度在我們眼前播放，需要整整1967小時(shí)35分鐘33秒才能放完。如今Stable Diffusion仍在不斷迭代，2024年發(fā)布的3.0版本擁有最多80億個(gè)參數(shù)。

（哈 克摘自《青年文摘·彩版》2024年第13期，宋晨圖）