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。對違章車輛車牌的自動識別，網上搜索的自動推薦，懂得自己充電和探索地形的掃地機器人，還有會幫你自動排好日程的智能助理。這一切將人們從種種無趣的腦力勞動中解放出來，也帶來了眾多機遇和挑戰。但鮮為人知的是，在背后支撐這些人工智能的，其實是一個個數學定理和計算機算法。

思考向來是人類的專利。通過思考，我們獲得了壓倒一切其他動物的能力。自然，人們也想要造出能夠輔助思考的機器，減輕自己的負擔，這就是人工智能的起點。思考既然如此強大，要模擬它也就很困難，于是人們將起點放在其中比較簡單的一部分：邏輯推理。

邏輯推理的規則明確簡單，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，就是教會機器邏輯推理的方法，也就是具體的算法。

但在考慮算法之前，有一個更根本的問題：我們怎么知道邏輯推理一定正確，而正確的命題必定能通過邏輯推理得到？換句話說，真理是否相當于能被證明？這屬于數理邏輯的范疇，對于不同的邏輯系統，答案也不一樣。

幸好，哥德爾證明了，在所謂“一階謂詞演算”的體系中，答案是肯定的。這個定理鋪平了自動邏輯推理的道路。從上世紀六十年代開始，各種自動推理系統陸續出現，只要向它們輸入以邏輯命題表達的某個領域的知識，它們就搖身一變，成為所謂的“專家系統”，能自動進行推理，回答人們提出的相關問題。自動安排任務的人工智能也基于類似的系統，在航空航天等領域得到了廣泛的應用。

作為早期的人工智能技術，自動推理系統曾被寄予厚望，但人們逐漸發現它有不少弱點。先不說需要專家的寶貴時間來將知識整理成邏輯命題，就算是這些知識，也常常充滿各種例外，難以用邏輯完全概括。勉強去概括的話，得到的就是一個頭腦簡單的“人工智能”，雖然能正確應對大多數情況，但面對少見的情況會束手無策甚至鬧出笑話，所以目前它主要被用在一些相對狹隘簡單的領域，比如數學和交通調度。

怎樣才能避免這個缺點呢？

專家系統的問題在于，它需要專家為它總結知識，但專家也是人，在整理自己的知識時，難免有疏漏，忽略某些罕見的情況，就像醫生遇見感冒癥狀，并不會一下子想到心肌炎。但醫生在結合其他少見的癥狀后，仍然能作出正確的診斷，這就是人的優勢：懂得變通。

能不能將這個優勢移植到人工智能上呢？還是舉醫生的例子，讓醫生用自己的經驗為人工智能編寫一部教科書，這是個艱巨的任務，但醫生的經驗同樣體現在診斷結果上。如果能直接從醫生經手的病歷中學到他們的經驗，這不僅節省了時間，還不會漏掉那些不常見但確實會出現的病例。

為了做到這一點，計算機科學家依靠大量線性代數、統計學和概率論的知識，發明了各種各樣的算法，從看似雜亂無章的海量數據中提取統計上有意義的規律，這就是統計學習和大數據分析的基礎之一。人們利用這些算法，能從互聯網無數頁面之間的相互鏈接中推斷某個網站的重要性，從而改善網絡搜索；也能通過對大量病例的分析，為某些特定的疾病提供早期的發現和診斷；還能從互聯網中海量的雙語對照資料中，得知如何將一種語言翻譯為另一種語言。大數據的應用可謂數不勝數，雖然這些算法本質上某種統計方法，做不到絕對的可靠，但在實踐中它們表現十分出色。例如IBM研發的人工智能系統Watson，在閱讀大量資料后，能搖身一變成為星級客服，回答顧客各種各樣的提問。

但統計學習也有無法解決的問題。要判斷一張照片中有沒有貓，對于人類來說小菜一碟，但對于機器來說，圖片包含的信息太多，即使對于統計學習，要利用這樣的數據還是太棘手了。

那么，人類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器上呢？

在大腦中，負責處理數據的是上千億名為“神經元”的細胞。它們之間通過電脈沖互相傳遞信息，每個神經元受到一定閾值的刺激，就會向自身連接的其他神經元發送電信號，這些信號有的起到刺激作用，有的起抑制作用。這些信號紛繁復雜的舞蹈組成了人類的思維。

人工智能的研究者嘗試在計算機上重現類似的系統，試圖模仿人類思維這一演化的奇跡。這就是所謂的“神經網絡”。當然，我們現在仍然無法模擬整個大腦，但即使是數萬個神經元組成的系統，能力已經非同凡響。

跟人一樣，神經網絡也需要利用相應的數據進行大量的學習，才能用于解決問題，而學習的方法會深刻影響最后的結果。

目前神經網絡的研究主要集中于所謂的“前饋神經網絡”，數學家證明了它們在理論上足以解決所有問題。為了得到實用的神經網絡，科學家利用數學分析中的知識，借鑒人腦的部分結構，設計了特殊的神經網絡結構，還有配套的高速并行學習算法，能利用大型計算機、顯卡以及專用芯片提供的大量計算能力，訓練出優秀的神經網絡以供應用。只要向訓練好的神經網絡輸入數據，它就能輸出相應的計算結果。

神經網絡應用廣泛，特別是在圖像處理方面。之前提到的自動識別車牌就是實例之一，現在還出現了“刷臉支付”，只要在攝像頭前點點頭，神經網絡就能識別出你的身份，自動記錄你應付的賬單。

而神經網絡最有名的應用，恐怕是擊敗世界圍棋第一人柯潔的圍棋人工智能AlphaGo。它的神經網絡能將棋盤當作一幅圖畫，從中“看出”目前局勢的優劣。再結合其他算法，AlphaGo得到了遠超人類的圍棋水平。這不是人類的造物第一次超過人類自身，但也許是最震撼的一次，因為我們其實并不完全理解AlphaGo為什么能下出如此犀利的圍棋。

盡管人工智能現在已經能解決很多問題，但對它的研究才剛剛開始。之前提到的所有實現人工智能的方法，無不需要處理海量的數據，但反觀人類自身，我們能舉一反三，不需要閱讀整個互聯網的數據，就能學會一種語言或者一門學科。如何將這種觸類旁通的能力移植到機器上，這是對人類智慧的又一個挑戰。