我们该如何适应扑面而来的人工智能？——读《深度学习：智能时代的核心驱动力量》
| ||
|
我们该如何适应扑面而来的人工智能？
——读《深度学习：智能时代的核心驱动力量》
⊙孟庆江
人工智能就像星际漫游一样，是人类最美好的梦想之一。只是，普通大众过去对它的认识大多停留在《终结者》、《星球大战》这类科幻电影中。随着以深度学习技术为核心的AlphaGo在2016年毫无争议地战胜围棋世界冠军李世石，距离1997年IBM电脑击败国际象棋世界冠军已过去近20年，技术的进步激发了人类对其未来威胁的担忧，科幻电影中出现的那些道德困境再次重现：机器应该有多少自主权？他们应该为谁服务？现在人工智能正取代人类的部分工作并展现出创造性，它迫使人类以一种新的方式面对一个古老的问题：是什么让人类如此特别？
由世界十大AI科学家之一、全球人工智能专业会议NIPS基金会主席特伦斯·谢诺夫斯基撰写的《深度学习革命》，通过描述人工智能如何进化及如何演变两个主题很好地回答了上述问题。谢诺夫斯基通过阐述人类曾面对核武器毁灭全世界的威胁、重组DNA技术导致全球范围出现难以估量的痛苦和死亡等例子，说明人类有能力阻止对人类具有生存威胁事件的发生。把握深度学习这门新兴技术的最新进展，人类将逐渐适应人工智能。
深度学习的发展历程
人工智能的真正挑战，在于解决那些对人来说很容易执行、但很难形式化描述的任务。比如识别人们所说的话或眼神表述的含义，人类凭直觉可轻松解决。为解决这个挑战，科学家提出了深度学习的概念体系，让计算机从经验中学习，根据层次化的概念让计算机由较简单概念间的联系定义复杂概念。如果将大千世界表示为嵌套的层次概念体系绘制成图，就得到了一张“深”（层次很多）图，称之为深度学习，它是通向人工智能的途径之一。
然而，深度学习的概念一开始并不被看好，明斯基教授通过《感知器》一书指出神经网络技术的局限性，直接导致了神经网络研究近20年的低潮期。谢诺夫斯基的研究就曾受到来自神经网络研究人员的阻力，这种对抗来源于两种思想流派间的冲突。传统的人工智能研究是以“专家系统”为代表的，用大量“If-Then”规则定义，采取自上而下的思路。由于数字计算机在逻辑运算、符号操作和规则应用方面非常高效，这使这种使用逻辑规则编程的思想在当时的研究中处于主导地位，但开发者在收集专家提供的规则时遇到了麻烦，尤其在规则比较复杂的领域。例如，最好的医师是依靠基于经验的图案识别而非依赖规则来诊断，每个病人的信息录入需要半个小时以上，这给医生带来了时间上的困扰，并且系统必须随着新发现的诞生和旧规则的过时不断更新，这种方式实际操作起来，对医生来说是一场噩梦。作者试图模仿大脑神经元之间的传递、处理信息的模式，采取自下而上的思路，通过模拟大脑建立智能机器的计算机模型，使用从数据中学习技能的数学模型，早期神经网络由于缺乏原始计算能力使得这种研究潜力得以延迟。摩尔定律提供了这种能力，当互联网提供了大量数据来训练越来越大的神经网络时，这种力量变得更加普遍。最终完成了从基于逻辑、规则的人工智能向基于大数据和学习算法的深度神经网络的转变。
谢诺夫斯基这本《深度学习》讲述他所历经艰辛攀登到人工智能研究顶峰的故事，为审视快速发展的深度学习领域背后的技术，提供了一种历史视角。作者从AI的源头——深度学习开始，讲述这个智能时代核心驱动力量如何一步步影响科技、商业乃至整个世界的进步。深度学习是人工智能从概念到繁荣得以实现的主流技术。自动驾驶、AI医疗、语音识别、图像识别、智能翻译以及震惊世界的AlphaGo，背后都是深度学习在发挥神奇的作用。经过深度学习训练的计算机，不再被动按照指令运转，而是像自然进化的生命那样，开始自主地从经验中学习。所以，当下全球科技巨头纷纷拥抱深度学习，虽然《深度学习》对该领域最先进技术作了科普性阐述，但却不是一本关于深度学习原理或实践的技术类书籍，而更像是一本有关人工智能的简明史。如果说人工智能是科技王冠上的钻石，那么深度学习就代表了其中一个承上启下的重要阶段。深度学习脱胎于科学家们60多年前开始的人工智能研究，而从概念形成，到落地开花，只有10多年。与过去相比，深度学习极大地推进了人工智能各个分支课题的发展速度；与未来相比，我们今天所取得的一切成果，都是非常粗糙的，注定会被更好的成果取代。因此，了解深度学习，就如同站在一个关键的节点上向时间河流的上下游看，一览无遗。作为深度学习技术的先驱和领军人物，过去10年，谢诺夫斯基不但见证了深度学习的发展，更参与了神经网络的研究，与他人一起发明的波尔兹曼机引发了神经网络研究热潮，将深度学习从边缘课题变成了核心技术。深度学习为现代人工智能系统的计算引擎提供了动力。按他的说法，人类已开始建立一个新世界，智能手机中的深度学习人工智能系统用于识别语音、实现实时口语翻译、无人驾驶汽车正变得司空见惯。
从多个领域获取灵感
人工智能的先驱们通过模仿自然界进化过程，创造出类人的智慧，通过理解大脑功能的运作原理及视觉皮层的组织结构为深度学习网络提供了灵感，模拟视网膜内两层神经元在空间和时间维度中处理视觉信号，从分子层面到行为层面研究大脑的学习行为，神经网络的进步通常伴随着受大脑特定设计特征启发的创新。例如，谢诺夫斯基谈到Yann LeCun的卷积神经网络的发明，就是受到在视网膜中图像处理的启发。
人脑的神经网络是一个非常复杂的组织，成人的大脑中有超过1000亿个神经元，它们以非常稠密而复杂的形式相互连接、相互传递信息并随着人类学习进程产生新的连接。深度学习技术通过模仿人脑中多层神经元的活动，进行非线性、多层次的数据处理，以期实现类人工智能的机器学习技术，它在许多连接节点之间传递数据，每个节点都执行一些经过训练自行完成的算法，类似大脑的神经元一样。
按谢诺夫斯基的解释，人工神经网络的每一个新进展，都是在模拟人类大脑的结构或功能。由此，他在书中描述了人工神经网络的演变过程，阐述了其几十年来如何由相对小众逐渐发展到为大众所接受，描述了研究者们如何坚持，相信类似人脑神经网络的详细模型可以打败“专家系统”的规则方法，他们的坚持得到了回报。深度学习神经网络与强化学习算法相结合，在完成某些任务时水平超人。特别是AlphaGo击败人类最佳顶尖围棋高手的场面，真是既令人震惊又令人着迷。
谢诺夫斯基将机器学习与20世纪初莱特兄弟在美国小镇基蒂霍克飞行的初级飞机作比较，虽然这是一项具有里程碑意义的成就，但今天这台早期的机器看起来似乎不可思议的简单，但紧随其后发明了商用喷气机。如果对深度学习的研究遵循与工业时代初期工程师瓦特开发的早期蒸汽机引发相同的轨迹，则深度学习对社会的影响正处于发现之旅的开始，第一台蒸汽机吸引物理学家和数学家研究热力学理论，进而改善蒸汽机的性能，并带来了许多创新的改进，这种改进在此后的百年间不断发展，最终使大型蒸汽机将火车拉过广袤无垠的欧亚大陆。
深度学习带来的金融领域革命性机会
当投资者在选择投资一只股票时，关心的是公司未来表现，但未来是未知的，因此要解决的问题是能否用现有的数据预测未来，于是，当前数据与处理方法能否构成对未来的预测能力就成了关键。数据统计证明，公司股值的长期走势与其不断发展的基本面有重要关联，传统的交易员通过手动选取类似市盈率这样的因子，寻找导致一只股票强于基准指数的因子。使用深度学习算法后，交易员会给神经网络一个目标价格，然后向模型注入原始的公司股票和股市数据，人工神经元经过不同层次调整来接近目标价格，就能找到预测股票会达到目标的因子。
眼下，深度学习在投资和提高利润方面做得越来越好，由西蒙斯创立的对冲基金文艺复兴科技公司就是利用数据和算法获取最佳回报的范例。在高频交易的时间段，机器具有绝对优势，机器学习系统能在几毫秒内解读突发新闻，并在几毫秒内完成交易。深度学习和神经网络在金融领域已经有了超越人类的表现，对金融时间序列的处理方案也获得了成功，在文本处理领域取得了突破性进展，在改进贷款信用评估方面能准确提供业务和财务信息，使征信报告更为可信。
深度学习带来的金融领域革命性机会就在眼前。
