不管我們是否愿意，形形式式的人工智能早已深入日常生活。對(duì)違章車(chē)輛車(chē)牌的自動(dòng)識(shí)別，網(wǎng)上搜索的自動(dòng)推薦，懂得自己充電和探索地形的掃地機(jī)器人，還有會(huì)幫你自動(dòng)排好日程的智能助理。這一切將人們從種種無(wú)趣的腦力勞動(dòng)中解放出來(lái)，也帶來(lái)了眾多機(jī)遇和挑戰(zhàn)。但鮮為人知的是，在背后支撐這些人工智能的，其實(shí)是一個(gè)個(gè)數(shù)學(xué)定理和計(jì)算機(jī)算法。

思考向來(lái)是人類(lèi)的專利。通過(guò)思考，我們獲得了壓倒一切其他動(dòng)物的能力。自然，人們也想要造出能夠輔助思考的機(jī)器，減輕自己的負(fù)擔(dān)，這就是人工智能的起點(diǎn)。思考既然如此強(qiáng)大，要模擬它也就很困難，于是人們將起點(diǎn)放在其中比較簡(jiǎn)單的一部分：邏輯推理。

邏輯推理的規(guī)則明確簡(jiǎn)單，自古希臘的亞里士多德起就為人所知。人工智能最初的一步，就是教會(huì)機(jī)器邏輯推理的方法，也就是具體的算法。

但在考慮算法之前，有一個(gè)更根本的問(wèn)題：我們?cè)趺粗肋壿嬐评硪欢ㄕ_，而正確的命題必定能通過(guò)邏輯推理得到？換句話說(shuō)，真理是否相當(dāng)于能被證明？這屬于數(shù)理邏輯的范疇，對(duì)于不同的邏輯系統(tǒng)，答案也不一樣。

幸好，哥德?tīng)栕C明了，在所謂“一階謂詞演算”的體系中，答案是肯定的。這個(gè)定理鋪平了自動(dòng)邏輯推理的道路。從上世紀(jì)六十年代開(kāi)始，各種自動(dòng)推理系統(tǒng)陸續(xù)出現(xiàn)，只要向它們輸入以邏輯命題表達(dá)的某個(gè)領(lǐng)域的知識(shí)，它們就搖身一變，成為所謂的“專家系統(tǒng)”，能自動(dòng)進(jìn)行推理，回答人們提出的相關(guān)問(wèn)題。自動(dòng)安排任務(wù)的人工智能也基于類(lèi)似的系統(tǒng)，在航空航天等領(lǐng)域得到了廣泛的應(yīng)用。

作為早期的人工智能技術(shù)，自動(dòng)推理系統(tǒng)曾被寄予厚望，但人們逐漸發(fā)現(xiàn)它有不少弱點(diǎn)。先不說(shuō)需要專家的寶貴時(shí)間來(lái)將知識(shí)整理成邏輯命題，就算是這些知識(shí)，也常常充滿各種例外，難以用邏輯完全概括。勉強(qiáng)去概括的話，得到的就是一個(gè)頭腦簡(jiǎn)單的“人工智能”，雖然能正確應(yīng)對(duì)大多數(shù)情況，但面對(duì)少見(jiàn)的情況會(huì)束手無(wú)策甚至鬧出笑話，所以目前它主要被用在一些相對(duì)狹隘簡(jiǎn)單的領(lǐng)域，比如數(shù)學(xué)和交通調(diào)度。

怎樣才能避免這個(gè)缺點(diǎn)呢？

專家系統(tǒng)的問(wèn)題在于，它需要專家為它總結(jié)知識(shí)，但專家也是人，在整理自己的知識(shí)時(shí)，難免有疏漏，忽略某些罕見(jiàn)的情況，就像醫(yī)生遇見(jiàn)感冒癥狀，并不會(huì)一下子想到心肌炎。但醫(yī)生在結(jié)合其他少見(jiàn)的癥狀后，仍然能作出正確的診斷，這就是人的優(yōu)勢(shì)：懂得變通。

能不能將這個(gè)優(yōu)勢(shì)移植到人工智能上呢？還是舉醫(yī)生的例子，讓醫(yī)生用自己的經(jīng)驗(yàn)為人工智能編寫(xiě)一部教科書(shū)，這是個(gè)艱巨的任務(wù)，但醫(yī)生的經(jīng)驗(yàn)同樣體現(xiàn)在診斷結(jié)果上。如果能直接從醫(yī)生經(jīng)手的病歷中學(xué)到他們的經(jīng)驗(yàn)，這不僅節(jié)省了時(shí)間，還不會(huì)漏掉那些不常見(jiàn)但確實(shí)會(huì)出現(xiàn)的病例。

為了做到這一點(diǎn)，計(jì)算機(jī)科學(xué)家依靠大量線性代數(shù)、統(tǒng)計(jì)學(xué)和概率論的知識(shí)，發(fā)明了各種各樣的算法，從看似雜亂無(wú)章的海量數(shù)據(jù)中提取統(tǒng)計(jì)上有意義的規(guī)律，這就是統(tǒng)計(jì)學(xué)習(xí)和大數(shù)據(jù)分析的基礎(chǔ)之一。人們利用這些算法，能從互聯(lián)網(wǎng)無(wú)數(shù)頁(yè)面之間的相互鏈接中推斷某個(gè)網(wǎng)站的重要性，從而改善網(wǎng)絡(luò)搜索；也能通過(guò)對(duì)大量病例的分析，為某些特定的疾病提供早期的發(fā)現(xiàn)和診斷；還能從互聯(lián)網(wǎng)中海量的雙語(yǔ)對(duì)照資料中，得知如何將一種語(yǔ)言翻譯為另一種語(yǔ)言。大數(shù)據(jù)的應(yīng)用可謂數(shù)不勝數(shù)，雖然這些算法本質(zhì)上某種統(tǒng)計(jì)方法，做不到絕對(duì)的可靠，但在實(shí)踐中它們表現(xiàn)十分出色。例如IBM研發(fā)的人工智能系統(tǒng)Watson，在閱讀大量資料后，能搖身一變成為星級(jí)客服，回答顧客各種各樣的提問(wèn)。

但統(tǒng)計(jì)學(xué)習(xí)也有無(wú)法解決的問(wèn)題。要判斷一張照片中有沒(méi)有貓，對(duì)于人類(lèi)來(lái)說(shuō)小菜一碟，但對(duì)于機(jī)器來(lái)說(shuō)，圖片包含的信息太多，即使對(duì)于統(tǒng)計(jì)學(xué)習(xí)，要利用這樣的數(shù)據(jù)還是太棘手了。

那么，人類(lèi)的大腦又是怎么處理這些信息的呢？能不能將這種處理方法搬到機(jī)器上呢？

在大腦中，負(fù)責(zé)處理數(shù)據(jù)的是上千億名為“神經(jīng)元”的細(xì)胞。它們之間通過(guò)電脈沖互相傳遞信息，每個(gè)神經(jīng)元受到一定閾值的刺激，就會(huì)向自身連接的其他神經(jīng)元發(fā)送電信號(hào)，這些信號(hào)有的起到刺激作用，有的起抑制作用。這些信號(hào)紛繁復(fù)雜的舞蹈組成了人類(lèi)的思維。

人工智能的研究者嘗試在計(jì)算機(jī)上重現(xiàn)類(lèi)似的系統(tǒng)，試圖模仿人類(lèi)思維這一演化的奇跡。這就是所謂的“神經(jīng)網(wǎng)絡(luò)”。當(dāng)然，我們現(xiàn)在仍然無(wú)法模擬整個(gè)大腦，但即使是數(shù)萬(wàn)個(gè)神經(jīng)元組成的系統(tǒng)，能力已經(jīng)非同凡響。

跟人一樣，神經(jīng)網(wǎng)絡(luò)也需要利用相應(yīng)的數(shù)據(jù)進(jìn)行大量的學(xué)習(xí)，才能用于解決問(wèn)題，而學(xué)習(xí)的方法會(huì)深刻影響最后的結(jié)果。

目前神經(jīng)網(wǎng)絡(luò)的研究主要集中于所謂的“前饋神經(jīng)網(wǎng)絡(luò)”，數(shù)學(xué)家證明了它們?cè)诶碚撋献阋越鉀Q所有問(wèn)題。為了得到實(shí)用的神經(jīng)網(wǎng)絡(luò)，科學(xué)家利用數(shù)學(xué)分析中的知識(shí)，借鑒人腦的部分結(jié)構(gòu)，設(shè)計(jì)了特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，還有配套的高速并行學(xué)習(xí)算法，能利用大型計(jì)算機(jī)、顯卡以及專用芯片提供的大量計(jì)算能力，訓(xùn)練出優(yōu)秀的神經(jīng)網(wǎng)絡(luò)以供應(yīng)用。只要向訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，它就能輸出相應(yīng)的計(jì)算結(jié)果。

神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，特別是在圖像處理方面。之前提到的自動(dòng)識(shí)別車(chē)牌就是實(shí)例之一，現(xiàn)在還出現(xiàn)了“刷臉支付”，只要在攝像頭前點(diǎn)點(diǎn)頭，神經(jīng)網(wǎng)絡(luò)就能識(shí)別出你的身份，自動(dòng)記錄你應(yīng)付的賬單。

而神經(jīng)網(wǎng)絡(luò)最有名的應(yīng)用，恐怕是擊敗世界圍棋第一人柯潔的圍棋人工智能AlphaGo。它的神經(jīng)網(wǎng)絡(luò)能將棋盤(pán)當(dāng)作一幅圖畫(huà)，從中“看出”目前局勢(shì)的優(yōu)劣。再結(jié)合其他算法，AlphaGo得到了遠(yuǎn)超人類(lèi)的圍棋水平。這不是人類(lèi)的造物第一次超過(guò)人類(lèi)自身，但也許是最震撼的一次，因?yàn)槲覀兤鋵?shí)并不完全理解AlphaGo為什么能下出如此犀利的圍棋。

盡管人工智能現(xiàn)在已經(jīng)能解決很多問(wèn)題，但對(duì)它的研究才剛剛開(kāi)始。之前提到的所有實(shí)現(xiàn)人工智能的方法，無(wú)不需要處理海量的數(shù)據(jù)，但反觀人類(lèi)自身，我們能舉一反三，不需要閱讀整個(gè)互聯(lián)網(wǎng)的數(shù)據(jù)，就能學(xué)會(huì)一種語(yǔ)言或者一門(mén)學(xué)科。如何將這種觸類(lèi)旁通的能力移植到機(jī)器上，這是對(duì)人類(lèi)智慧的又一個(gè)挑戰(zhàn)。