隨著AlphaGo、無人駕駛、智能翻譯的橫空出世，“人工智能”這個已經存在60多年的詞語，突然來到人們面前釋放出奪目的光彩。同時被科技圈和企業界廣泛提及的還有機器學習、深度學習、神經網絡……但事實是，如此喧囂熱烈的氣氛之下，大部分人對這一領域仍是一知半解。

如果說誰有資格談論目前正在進行的人工智能革命，特倫斯·謝諾夫斯基（Terry Sejnowski）無疑是其中一個，特倫斯是20世紀80年代挑戰構建人工智能主流方法的重要研究人員之一。

這些研究人員認為，受大腦生物學啟發的、那些被稱為神經網絡、連接主義和并行分布處理的AI實現方法，會最終解決困擾基于邏輯的AI研究難題，從而提出了使用可以從數據中學習技能的數學模型。

正是這些研究人員，證明了基于大腦式的全新計算方法是可行的，從而為“深度學習”的發展奠定了基礎。

深度學習路徑的由來

經歷過20世紀前期關于發展路徑的分歧和摸索后，科學家們終于意識到，基于腦科學的研究，將成為AI的助推器。

近年來，包括中國、美國、歐盟、日韓等國家和經濟體正將這作為重要工程推進。

特倫斯表示，相比AI，人腦被頭骨層層包裹，里面一片黑暗，才是真正的“黑盒子”，但AI背后的算法框架其實可為數學家們掌控。

現代科學家們正在研究，在未來十年一個周期的時間內，如何借助對腦科學的研究，更好讓AI落地。

人工智能技術的誕生要追溯到20世紀50年代，當時學界對于如何構建人工智能產生了兩種路徑分歧。

一類觀點主張基于邏輯和計算機程序，另一類則主張直接從數據中學習。前者曾主導AI發展早期的數十年間研究和應用，但后者才是目前大眾所知曉的AI技術實現路徑。

到今天，我們從AlphaGo兩次對戰世界級冠軍選手中了解到其得以發展下來的原委。

Google旗下團隊通過讓機器學習圍棋的多樣化棋局數作為基礎數據，AlphaGo除了具備評估盤局的深度學習網絡，還有解決時間信用分配問題的系統，通過這些得以評估落子的行動順序。

深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法：

（1）基于卷積運算的神經網絡系統，即卷積神經網絡（CNN）。

（2）基于多層神經元的自編碼神經網絡，包括自編碼（Auto encoder）以及近年來受到廣泛關注的稀疏編碼兩類（Sparse Coding）。

（3）以多層自編碼神經網絡的方式進行預訓練，進而結合鑒別信息進一步優化神經網絡權值的深度置信網絡（DBN）。

通過多層處理，逐漸將初始的“低層”特征表示轉化為“高層”特征表示后，用“簡單模型”即可完成復雜的分類等學習任務。由此可將深度學習理解為進行“特征學習”（Feature Learning）或“表示學習”（Representation Learning）。

以往在機器學習用于現實任務時，描述樣本的特征通常需由人類專家來設計，這成為“特征工程”（Feature Engineering）。

眾所周知，特征的好壞對泛化性能有至關重要的影響，人類專家設計出好特征也并非易事；特征學習（表征學習）則通過機器學習技術自身來產生好特征，這使機器學習向“全自動數據分析”又前進了一步。

與傳統的學習方法相比，深度學習方法預設了更多的模型參數，因此模型訓練難度更大，根據統計學習的一般規律知道，模型參數越多，需要參與訓練的數據量也越大。

近年來，研究人員也逐漸將這幾類方法結合起來，如對原本是以有監督學習為基礎的卷積神經網絡結合自編碼神經網絡進行無監督的預訓練，進而利用鑒別信息微調網絡參數形成的卷積深度置信網絡。

面對人工智能

人類還只是“小學生”

縱觀科學技術的發展歷程，從基礎科學，到真正實現商業化，都至少經歷了50年時間。

而目前人工智能的應用還是基于30年前完成的基礎研究而來，這意味著我們處在人工智能時代非常初級的階段，也被稱為是“弱人工智能時期”。

初級階段的人工智能相關技術仍面臨著諸多挑戰，特倫斯表示，不太可能存在“深度神經網絡”之外的其他人工智能技術框架。

自1956年人工智能誕生之日起，其目標就是要模仿人工的智能并在機器上實現，但目前人類遠遠沒有達到這個程度。

不過目前，AI在場景中的應用已經可以帶來一些驚喜，比如智能翻譯。五年前，Google將深度學習相關技術應用到翻譯軟件中，幾乎一夜之間，過往幾千年來的文化壁壘就此被打破了。

如今，人工智能正朝著兩個方向發展。第一是利用原有的框架，借助大數據應用解決各種問題；第二是研究人員在嘗試突破各種邊界和限制。

新技術的發展往往是以十年為一個周期計算，可能AI在未來20-30年才會顯示出它的潛力。包括自動駕駛技術的發展，也是需要經過十幾年甚至幾代人的努力來實現。

人工智能技術尚處在發展的第一個階段，科學家們在嘗試理解更復雜的內涵并解釋它。比如科學家們研究人類的大腦運作機制，包括大腦是如何從經驗中得出推論。

但有時人類得出的結論并不總基于邏輯，未來研究人的大腦神經科學和人工智能的交融將是推進人工智能向更高層級發展有著重要作用。

腦科學研究對于

人工智能有何啟示？

實際上，深度學習框架的靈感也正來自對人類大腦運作機制的研究。大腦中有上千億個神經元，其中有很多彼此相連的突觸，科學家在學習它的框架，并且用里面的一些一般性原則進行簡化用于深度學習框架的發展。

比如卷積神經網絡是用來處理視覺信號，把視覺輸入變成神經信號作為輸出，去識別圖像以及和各種事物做聯結。

世界各國對于腦科學的研究在近年來正成為一個重要工程在推進。2013年，美國提出“BRAIN計劃”，目的就是創造新的神經技術，以加速對大腦功能和障礙的進一步了解。

關于腦科學要探知的話題有很多，比如人腦對信息的處理和傳輸速度是毫秒級，遠比電腦要慢。

但大腦中的信息傳遞是非常復雜的過程，了解信息如何儲存和處理后，才是人類有效改良AI的關鍵。

還有一些挑戰，假如神經元中的突觸連接有所改變，是否會改變信息的輸入和輸出強度，需要多久才能發現信息傳遞帶來的影響等。

最近，埃隆·馬斯克宣布旗下公司Neuralink項目推出侵入式腦機接口方案；Facebook團隊也宣布能夠通過讀取腦損傷參與者的大腦，做到實時解碼一小部分對話中的口語單詞和短語，這都是對人腦研究的最新重大進展。

通過腦機接口，可以提取到人類的感官信息，一旦這項技術成功，人類在未來就不需要用鍵盤打字，可以直接提取大腦信息，用意念進行谷歌或者百度搜索，這將帶來一個全新的世界和聯結方式。

當然，對于腦科學的研究并不只是為了促成人工智能這類基礎技術的發展，這將衍生出對更多行業領域的新變革。