“黑夜给了我黑色的眼睛，我却用它来寻找光明”
--新一代人工智能的底线

       在众多大众媒体眼中，2016年似乎是AI崛起的元年，Alpha GO(阿尔法狗)击败李世石一举成名，众多传统行业以及科技、互联网巨头纷纷布局人工智能。但其实人工智能并不是一个新鲜事物，而是一个相对比较“老”的领域，比很多计算机科学的分支都要古老，六十年来已经起起落落过了。那么在新一波热潮兴起之际，对于人工智能自然就有一个疑问，就是过去的那么多年为什么都来回折戟沉沙？现在仅仅因为硬件变快了、数据变大了，人工智能就可以崛起了？
的确，人工智能终将而且很快就会改变世界，但前提是，人工智能首先要改变自己，要从那些形而上学或者蛮力计算的套路解放出来。暂且不论类似《奇点来临》那些关于伦理、政治等的讨论，痛定思痛，纯粹从技术角度，新一代的人工智能应当具备如下要义，或者说，新一代人工智能的定义：

       底线一：理论基础上自律(或者说，自完备)
      

       任何一个获得快速发展的科技领域，一般都伴随着理论基础的夯实，比如二进制对于冯.诺依曼体系计算机发展的重要推动，就是一个例子。且不说数学中依靠自律性、奠基性很强的交换律、结合律、分配律等等来构建大厦，就是计算机科学中的信息熵(香农)、机器学习中的统计公式(象贝叶斯条件概率)，还有数据结构及其算法复杂度等等，无一不透着其基石自完备的光芒。
在新一代人工智能中，我们也需要有几个基石性的底线：

      【数据的扩展性】
       对人工智能有一定关注的人都知道，深度学习是近十年来人工智能领域取得的最重要突破之一，当前大热的阿尔法狗就是深度神经网络的典型。神经网络、深度学习，它们都是从无到有的，通过训练网络中的各连接参数(权重)，在给定的输入与输出条件下，然后用其算出任意旧或新激励下的响应或执行。这类比较明显的缺点是，针对新的领域，或者哪怕是输入输出的扩维，都需要重新学习与计算，这可以看作是深度学习自身深入学习的能力问题。
       现在所有的(深度)神经网络学习的方法，一旦网络结构变化，它的学习过程都是要从头开始学，要把数据重新进行一次训练。这跟人的大脑的学习能力相比，确实有很大的差距，大脑中的知识是具有累加性的，并且具有可扩展性和举一反三的能力。所以新一代人工智能在这方面的目标，要想能跟人的大脑一样，就必须具备可累积性和可扩展性。
       当然，虽然(深度)神经网络的缺点比较明显，但不表示它没有用武之地。题外话，它的厉害之处，其实并不仅仅是模拟神经元的工作，而是象数字集成电路一样，它能实现与非门与异或运算，进而可以拓展组合出各种非线性可能。

      【算法的收敛性】
       按照教科书上的讲法，算法的所谓收敛，是指随着迭代的进行，算法的结果与真实结果的误差越来越小，且趋近于一个固定的值。其实讲通俗点就是说已经得到了数值计算的解，再继续迭代，结果也不会有太大变化了。而发散则与收敛对应，发散是无论迭代次数多大，收敛曲线均一直跳动无法趋于定值。

       考察一个算法这方面的性能，通常会用到局部收敛能力和全局收敛能力这两个指标。局部收敛能力是指在一定区域内能够无穷接近最优解的能力，而全局收敛能力是指找到全局最优解所在大致位置的能力。打个生活的比方，局部搜索能力对应着，人对于自己所遇到的事情刨根究底，从而精通的能力；举个例子，这种能力可以是与人交往的能力，学好功课的能力，创业的能力，做饭的能力，下围棋的能力，甚至蹭饭的能力。而全局收敛能力则对应着一个人的是否对全局信息有较好的把握，在不断失败的尝试中，然后找到了自己喜欢的一种生活状态和定位。
       最优解的导向，对于任何智能算法的性能都是很重要的，对于新一代人工智能也是如此，它不仅需要有局部收敛能力，同样需要有全局收敛能力，那样才算得上是真正的智能，不然就丢失标靶、无法聚焦，无法确定性的分析理解和判断。

      【平台的一致性】
       目前，在人工智能领域流行的是比较狭隘的人工智能系统，它们只可以做特定的事情。比如自动驾驶开车、语音识别转换成文本、分析特定的基因数据、以及了解特定的治疗方案等等。由于其特定平台设计的限制，导致每一个人工智能的项目都是在特定的领域做特定的工作，各自为战、各有特色。但与人工智能相比，人类的大脑明显是有着更大的通用性，是一种一致化的平台。人类可以应对各种各样的环境，这种能力是与生俱来，无需学习。打个比方，人出生的时候根本没有互联网，在学校也根本没有学习如何利用互联网，但是人类有适应的能力，能够快速适应互联网的环境。通过这种天然的一致性平台，人类可以进入到一个新的领域，了解它的背景，并利用通用智能找到解决方案。
       虽然目前人工智能已有的项目，其范围比较狭窄，但是依照发展趋势来看，人工智能将来会变的越来越通用，它们不仅会越来越智能，同时范围和目的也会更加通用，那么承载它的平台就必须是一致性的，对于各种范围和场景有同构的核与异构的表。

      【模型的通用性】
       承接上节，作为一致性平台所代表的通用智能的另一面，则自然而然是模型的通用性，即伴随的另一个轮子。照搬当前流行的分类法，强AI在学术界一般指通用人工智能，即借助通用的数学模型，能够最大限度概括智能的本质。
       现在，很多人都在关注产业和人工智能经济带来的机会，但如果仔细来看，近来人工智能的一些显性突破，似乎并没有直接带来商业方面明显的价值。因为，现有人工智能大部分的方案比较笨重、单一、昂贵，并由此产生了一些不太乐观的后果。比如垂直行业，像网络安全、像金融医疗、像用户画像、像对天文学数据学的处理等，目前的状态都是处在一个比较薄弱的数据状态，数据量很大，但技术手段和分析手段没有达到科学家和用户所需要的功能。
       通用型人工智能明显是复杂得多，因为我们面对的世界太庞大，上下五千年，东西两半球，小到柴米油盐，大到两次大战，啥事没发生过，还有人的各种感情问题，比如“你是风儿我是沙”这样卿卿我我的东西，让计算机能够理解，建立这样全方位的知识体系肯定难得多，也重要得多。

      【社会的融入性】
       (或者说，“AI即UI”的设定)
       前述都是客观技术的范畴比较多，我们再来看看主观和体验的方面。其实近几年，各类智能产品早已在渐渐融入我们的生活，作为辅助性的工具改变了我们的某些生活习惯。那让我们畅想一下，如果未来的AI不仅仅是辅助性的工具，而是能准确揣测并自动执行用户的需求，即未来的AI不是仅仅会下象棋，围棋，而是会跟人做交互，它能根据具体的情况作出相应的动作，会是什么样的体验？
       报告会上，我们不需要做任何记录。电脑能够将其“听”到的语音直接转化为文字，以文档形式保存起来；在展示会上，我们不需要任何形式的鼠标，只要轻轻挥一下手指，就能控制PPT的播放。在家里看电视，你只要说出想看的电视节目或电视剧名称，电视机就会自动检索数据库，找到并播放你想看的节目。

       再打个比方，开门只需象阿里巴巴那样说声“芝麻开门”就可以了，或者感应式的自动识别身份并开锁；而手一招，具备自动驾驶能力的汽车直接开到面前停下来，上车后能将乘客的主动和被动关注点全方位展现......在AI即UI的时代里，人们的很多生活习惯和行为方式将被打破，代之以全新的人机互动体验。

       底线二：全链路径上闭环(或者说，互耦合)

      【有并行与分层能力的感知】
       这个是对输入环节的要求。当前主流实现人工智能的手段，主要是通过从行为上模拟人类智能；但智能行为、特别是思维对应的信息处理机制上，目前人与机器存在着巨大差别。
       一个是并行和分层计算的能力，比如早晨当人一睁开眼，面前所有的东西都一目了然，柜子、床、天花板、窗户、窗外的天空等等，以及它们的各种诸如纹理、颜色、位置等等各种细节；这种能力，哪怕是计算能力巨大的超级电脑，都难以望其项背；毕竟当前计算机本质上是串行计算的，并且以逻辑处理的方式去分析感知目标对象；并不是人的智能这种天然并行与分层的融和计算方式。

       另一个是前馈的机制和能力，当前主流实现主要是面向应用收集一些相关的数据，通过统计学习或神经网络训练等方法，来提取一些显式或隐式的规则以解决问题。而人脑是一个不断学习、不断进化的信息处理系统；人从一出生开始，人脑就在通过视觉、听觉、触觉等多感知通道获取各种知识，而后在学习和感知过程中，这些通过各种场景、经历等长期积累的知识，都在感知过程中发挥着潜移默化的作用。就是说，没有核心大脑的前馈参与，只是单纯的去感知，并不是完全意义上的智能感知；

      【基于理解和自学习的认知】
       这个是对中枢环节的要求。打个比方，相信大家对主流的机器翻译都不陌生，其结果经手工改一改有时还可凑合用；造成这个差强人意效果的主要原因是，在他们的知识体系里关联度不够立体、不够多维、不够强，毕竟是以词汇翻译为基础，然后把他们拼接起来。由于他们并没有理解需要翻译句子的语义，所以有时候翻译的结果与真实的意思相差甚远；何况机器翻译早在很多年前就已经诞生，发展很多年了，并不是个全新的事物。
       其实在当前人工智能领域里这是个普遍的现象，更多的是单纯的机械式的抽取和比对特征(词)。而真正的智能必须要能理解对象目标，象人类所做的那样，毕竟即使是人类的语言也是一直在进步和多样化。
       与此对应，鉴于已知与未知的海量与浩瀚，毋庸置疑，这个过程显然需要有很好的相对精巧的自学习能力。如果只是人工梳理了再喂给电脑，一是知识相对有限，二是无法超越人类。

      【决策变换下的合成与执行】
       这个是对输出环节的要求。真正的智能，不仅能感知和理解目标对象，还应该能灵活的应对各种场合，这对于新一代人工智能的模型来说，也应该是必备的技能，简而言之就是随机应变。比如要实现自动驾驶，汽车需要将模式识别和其它能力整合到一起，包括推理、规划和记忆。它需要识别模式，这样才能对障碍物和街道标志做出反应；它需要推理，这样才能理解交通规则和解决像避开障碍物等、任务；它需要规划以获得从当前位置到目标位置的路径，并同时考虑到交通状况等其它模式。它需要不断重复做这些事，同时不断更新它的解决方案。

       底线三：工程实施上可达(或者说，可行性)

      【可控学习过程和生长】
       当前流行的做法，无论是走统计模型，还是走深度神经网络模型，都算是一种比较好的工程实现方法，可建模、可计算、可量化、也可达到特定目标，否则不会有那么广泛的参与；其实这也从一个侧面证明了，工程可行性对于科技的重要程度。但它们通常只能半学习某一种或者几种技能，比如阿尔法狗，他只是学习了如何下围棋，新一代的人工智能不应该只是这样子的，它应该是一个全能性的人才，会下围棋，会斗地主，会做饭等等，也就是说它需要能同时学习很多种技能。
       所以对于模型而言，它应该具有可持续发展性，具有自学习和生长的能力，只要通过不断的可控的学习和生长，它就会越来越全能、越来越庞大、越来越健壮。所以说人工智能真正的其重心从“人工”转向“智能”，最核心的是自学习能力和生长，否则就只是验证知识的程序式实现而已。

      【降维的速度和精度】
       人工智能各种模型都会面临一个普遍性的问题，就是维度一般较高，要控制好整体的收敛性和计算速度，就要对数据进行降维。因为高维度不仅会导致“维数灾”的问题，而且会使人们对数据集中所隐含的结构信息难以直观的理解和发现。所以当前人工智能计算力的角逐，很多都集中在降维领域，而这恰恰是各个公司的不传之秘，涉及到制高点的争夺。
       不过通常来讲，降维一般都伴随着微小量处理，这里就有个粒度与精度的权衡；粒度不同，导致计算的精细度不同，导致摒弃的小量数不同；所以需要计算出一定误差范围内，需要的粒度指标，这也是里面的一个核心数学问题。

      【形态的多样性】
       从大众的角度看，所谓人工智能，就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。或许“人工智能”听起来总让人想起科幻小说或者科幻电影中的那些聪明的机器人，很有趣，但却缺乏真实感。可实际上机器人外形只不过是人工智能的容器之一，人工智能很早之前就以多种形态出现在生活之中。

       结语：
       如果说达尔文的进化论是人类关于自身起源的一次冲击，那么通用型人工智能的诞生便是对人类未来的另一次冲击。让我们扩大时间的尺度，想想十年前、百年前、千年前世界的样子，再看看我们现在的生活，不能说是天翻地覆，但显然得益于技术的发展，我们的生活有了更多的便捷；也不禁畅想未来，说不定下个奇点没有想象中的那么远，或许明年、或许明天。

好贴