你需要了解的吳恩達

　　人工智能是現(xiàn)今科技界最前沿的話題之一。以谷歌為代表的科技巨頭均在這個方向上進行了巨大的投入，在這個全球最智慧大腦的群體里，斯坦福大學人工智能實驗室主任吳恩達(英文名 Andrew Ng，華裔)所領導的Google Brain項目，在人工智能技術的競爭中更加領先，2013年6月，Google Brain運用深度學習等研究成果，使用1000臺電腦創(chuàng)造出多達10億個連接的“神經網絡”，讓機器系統(tǒng)學會自動識別貓，這個在國際深度學習領域廣為人知的案例驚艷全場。今年1月，李彥宏宣布，百度將建立公司歷史上首個前沿科學研究機構——深度學習研究院(Institute of Deep Learning，IDL)。今年5月Google Brain之父吳恩達正式加入百度美國研究院，作為機器學習、特別是深度學習方面的資深學者之一，他將成為“百度大腦”計劃以及百度全球化擴張中的核心人員。

　　夢想重燃：讓機器擁有智慧是世界上最酷的事情

　　有種理論認為人類的智慧來源于一個單一的算法。這個理論的實驗依據是，人類大腦發(fā)育初期，每一部分的職責分工是不確定的，也就是說，人腦中負責處理聲音的部分其實也可以處理視覺影像。人腦究其本質來說，是一臺可以被調試以執(zhí)行特定任務的通用型機器。

　　七年前，斯坦福大學計算機科學教授吳恩達偶然接觸到了這一理論，他突覺醍醐灌頂，這個理論從此改變了他對于人工智能本質的理解，重新點燃了他對人工智能技術的熱愛，從而改變了他的職業(yè)軌跡。據他回憶，“有生以來第一次，我感到自己有可能在人工智能的研究領域取得一點進展。”

　　吳恩達說，在人工智能技術研究的早期，這個領域的主流理念是，人類智慧形成于成千上萬個簡單代理的協(xié)同工作，也就是麻省理工大學教授馬爾文·明斯基(Marvin Minsky)所說的“頭腦的社會”。工程師們就以此為信條，認為要實現(xiàn)人工智能，就必須建立成千上萬個獨立的計算機模塊。一個模塊，或者算法，去模擬語言，第二個模塊處理發(fā)聲說話等等以此類推?？傊?，按照這個早期理念，實現(xiàn)人工智能所需的工作量巨大，難以實現(xiàn)。

　　吳恩達小時候的夢想就是發(fā)明能像人類一樣思考的機器，當時只是很單純地認為，讓機器擁有智慧是世界上最酷的事情。但當他進入大學真正開始接觸人工智能時，卻正逢上述理念盛行，他很泄氣，因此放棄了對人工智能的研究。后來，他成為大學教授，也不忘順便打擊自己的學生，勸他們也放棄人工智能這一“不切實際的夢想”。直到有一天，他接觸到了“人類的智慧來源于一個單一的算法”的理論，意識到這個領域的主流理念對于人工智能的理解可能大錯特錯，他看到了一個機會，于是他果斷地重拾了兒時的夢想。而“單一算法”這一假說的提出者是杰夫·霍金斯(Jeff Hawkins)，一名有著神經科學研究背景的人工智能領域的企業(yè)家。

　　現(xiàn)在看來，這一假說所改變的，不僅僅是吳恩達的職業(yè)生涯而已。吳恩達目前的主要研究領域是機器學習技術中的“深度學習”，在計算機科學中屬于比較新的領域，深度學習研究的主要目的是打造能像人腦一樣處理數據的機器。目前，深度學習的研究已經不限于學術界，谷歌和蘋果這樣的大公司也意識到了其中蘊藏的巨大機會。吳恩達和谷歌的其他研究人員一起成立了有史以來人工智能領域目標最遠大的項目——Google Brain。

　　究竟什么是“深度學習”?

　　深度學習是人工智能技術朝新的研究方向邁出的第一步。簡單地說，深度學習包含了構建能夠模仿人類大腦行為的神經網絡。這些多層次的電腦網絡像人類大腦一樣， 可以收集信息，并基于收集到的信息產生相應的行為。這些電腦網絡可以逐漸對事物的外形和聲音進行感知和理解，也就是“認識”事物。

　　比如，為了賦予機器“視覺”，研究人員需要建立最基本的一層人工神經元，用來探知如物體的邊緣形狀等基本信息，第二層神經元可以將第一層感知到了物體邊緣性狀拼湊起來，鑒定較大塊的物體形狀，然后再加一層將第二層檢測到的信息再拼湊從而使機器明白物體整體的形態(tài)。這里面關鍵的一點是，軟件可以自行做到這一切——舊的“偽人工智能”往往需要工程師人工輸入物體視覺或者聲音的信息，然后由機器學習算法來處理這些信息數據。

　　吳恩達介紹，在深度學習算法之下，可以通過給這個系統(tǒng)很多數據，使其“自己學會世界上的一些概念”。去年，吳恩達的一個深度學習算法機器通過掃描互聯(lián)網上無數的貓的圖片“認識”了貓，但是初期的機器不認識單詞cat，吳恩達需要為機器輸入這個單詞，然后經過一段時間，機器將這種毛茸茸的小動物與單詞cat聯(lián)系到了一起，可以自行鑒別什么樣的事物是cat。

　　教機器學習的方法本身就是在模仿人類的學習機制，當我們還是嬰兒的時候，我們通過觀察周圍，開始認識我們接觸到的事物，但是如果父母不告訴我們一樣事物的名字是什么的話，我們在接觸其他信息之前都是無法理解這個事物和名字的關系。

　　當然，吳恩達的深度學習算法目前還比不上人腦的精確性和靈活性，但他說，那一天會到來的。

　　吳恩達在他的電腦上解釋何謂深度學習

　　加入百度的三個原因

　　百度擁有非常先進的深度學習技術。他的好朋友余凱(百度北京深度學習實驗室的負責人)是深度學習方面的佼佼者。深度學習對于網絡搜索、廣告、語音識別、光學字符識別和包括百度核心產品在內的該公司一大堆產品都非常有用。百度首席執(zhí)行官李彥宏本人也熱衷于人工智能。我非常欣賞的一點是，李彥宏在致股東的正式年報中談到了深度學習。這說明百度領導層認識到了人工智能的重要性

　　一是如今的人工智能是資本密集型產業(yè)。需要數據和計算資源才能取得進展。數據比計算資源更難獲得，若要研發(fā)必須二者皆有，百度以搜索起家，發(fā)展多年來積累了大量的數據，是其他企業(yè)很難企及的。

　　二是靈活性。百度擁有不可思議的靈活性。例如，想建立一個圖形處理器集群，馬上就實現(xiàn)了。這與百度在互聯(lián)網行業(yè)拼殺多年形成的反應機制有關。

　　三是人。百度的工程師極為勤奮。中國工程師努力工作的程度遠遠超過普通的硅谷工程師。

　　談到同百度的合作，吳恩達認為還有很多工作要做，“全球共有三個百度研究院實驗室，兩個在北京，大部分已經建成，硅谷的正在從頭建起，雖然門檻一直都很高，但是招兵買馬的速度相當快，至今共招了六人全部來自硅谷，我們將在這里做些很酷的事情。”

　　未來：得人工智能者得天下

　　隨著移動設備的崛起，“破解人類神經密碼”的任務愈發(fā)緊迫。由于設備越來越小，我們需要它們運算更快、更準確。然而，隨著電子設備的基礎元件晶體管的尺寸不斷縮小，將它們變得更精確更高效的難度也越來越大。比如，想要加快設備的運算速度，需要給設備提供更多電能，但更多電能會讓設備的運算系統(tǒng)更“嘈雜”，也就是說，它得運算精確度會下降。

　　目前工程師們只能通過避開問題核心的方式來應對上述問題，力求在設備大小、運算速度、能耗之間取得平衡，而無恩達認為人工智能技術對此則能提供更好的解決方案，“生物科學能讓我們直面問題的根本所在，生物內部的轉換機制也是天生‘嘈雜’的，但其找到了一個辦法來適應和忍受這些干擾噪聲甚至對之加以利用。如果我們可以搞明白生物內部應對這些雜音的方法，我們就能開創(chuàng)一套截然不同的計算模型”。

　　科學家的目標并不是將計算設備變得更小，他們的目標是讓計算機能夠做到的事情更多。不管背后的算法多么復雜，目前的計算機無法幫助人類去雜貨店購買物品，或者幫助人類挑選適合的衣服、錢包等，如果要處理這樣的事情，計算機需要添加更高級的圖像智能識別技術以及像人類一樣的注意力和記憶力，相信，要是能夠實現(xiàn)這一點，那么計算機能夠處理的事情的想象空間將變得無窮大。

　　全世界都意識到，如果你可以解決這些問題，人工智能領域存在的無限商機就會被打開。

　　而驅使谷歌、IBM、微軟、蘋果、百度這些公司競相開發(fā)高級機器學習技術的原因，正是其背后蘊藏的巨大商業(yè)潛力。紐約大學教授、深度學習領域的專家燕樂存(Yann LeCun)教授預測，兩年內，將出現(xiàn)大量的機器學習領域的初創(chuàng)公司，其中很多可能會被大公司收購。

　　吳恩達的夢想正在照進現(xiàn)實。“我有了希望，不僅僅只是希望，我們可能能夠實現(xiàn)真正的人工智能，”他說，“我們當然還沒有找到正確的算法——這可能需要長達幾十年的時間，要實現(xiàn)它很不容易，但我看到了希望。（文丨楊璐）