文章發佈於公號【數智物語】 （ID：decision_engine），關注公號不錯過每一篇乾貨。
數智物語（公衆號ID：decision_engine）出品
策劃、編寫：捲毛雅各布
數智物語本期推薦書目爲《深度學習：智能時代的核心驅動力量》，作者爲特倫斯·謝諾夫斯基，該書在國內已經由中信出版社出版發行。
作者特倫斯·謝諾夫斯基是世界十大AI科學家之一，美國四大國家學院在世僅3位的“四院院士”之一，全球人工智能頂級會議NIPS基金會主席。
作爲神經網絡的先驅，早在1986年，特倫斯就與深度學習之父傑弗裏·辛頓共同發明了玻爾茲曼機，把神經網絡帶入到研究與應用的熱潮，將深度學習從邊緣課題變成了互聯網科技公司仰賴的核心技術。
1989年，特倫斯加入美國索爾克生物研究所，與DNA雙螺旋結構的發現者之一弗朗西斯·克里克作爲同事，共同研究神經網絡科學。
2013 年，白宮宣佈啓動美國“BRAIN 計劃”，開發創新的神經技術，以加速對大腦功能的理解。該計劃能夠幫助找到在未來治療精神分裂症和阿爾茲海默症等衰弱性腦部疾病的方法，美國政府已經爲“BRAIN 計劃”注資50億美元。特倫斯作爲參與該計劃研究的領軍人物，爲該計劃的推動提供了非常多的研究和建議。
美國科技媒體《The Verge》曾採訪過特倫斯·謝諾夫斯基，與他討論了“人工智能”“神經網絡”“深度學習”“機器學習”究竟有何區別？爲何“深度學習”突然變得無處不在，它能做什麼？不能做什麼？
以下是採訪全文：
Q1：首先，我想問一下定義。
人們幾乎可以互換地使用“人工智能”，“神經網絡”，“深度學習”和“機器學習”等詞語。但這些是不同的東西。你能解釋一下嗎？
答：人工智能可以追溯到1956年的美國，那時工程師們決定編寫一個試圖仿效智能的計算機程序。
在人工智能中，一個新領域成長起來，稱爲機器學習。不是編寫一個按部就班的程序來做某事——這是人工智能中的傳統方法——而是你收集了大量關於你試圖理解的事物的數據。
例如，設想您正在嘗試識別對象，因此您可以收集大量它們的圖像。然後，通過機器學習，這是一個可以剖析各種特徵的自動化過程，就可以確定一個物體是汽車，而另一個是訂書機。
機器學習是一個非常大的領域，其歷史可以追溯到更久遠的時期。最初，人們稱之爲“模式識別”。後來算法在數學上變得更加廣泛和複雜。
在機器學習中有受大腦啓發的神經網絡，然後是深度學習。深度學習算法具有特定的體系結構，其中有許多層數據流經的網絡。
基本上，深度學習是機器學習的一部分，機器學習是人工智能的一部分。
Q2: 有什麼“深度學習”能做而其他程序不能做的嗎？
答：編寫程序非常耗費人力。在過去，計算機是如此之慢，內存非常昂貴，以至於人們採用邏輯，也就是計算機的工作原理，來編寫程序。他們通過基礎機器語言來操縱信息。計算機太慢了，計算太貴了。
但現在，計算力越來越便宜，勞動力也越來越昂貴。而且計算力變得如此便宜，以至於慢慢地，讓計算機學習會比讓人類編寫程序更有效。在那時，深度學習會開始解決以前沒有人編寫過程序的問題，比如在計算機視覺和翻譯等領域。
機器學習是計算密集型的，但你只需編寫一個程序，通過給它不同的數據集，你可以解決不同的問題。並且你不需要是領域專家。因此，對於存在大量數據的任何事物，都有對應的大量應用程序。
Q3：“深度學習”現在似乎無處不在。它是如何變得如此主導潮流？
答：我可以在歷史上精確地找到這一特定時刻：2012年12月在NIPS會議（這是最大的AI會議）上。
在那裏，計算機科學家Geoff Hinton和他的兩個研究生表明你可以使用一個名爲ImageNet的非常大的數據集，包含10,000個類別和1000萬個圖像，並使用深度學習將分類錯誤減少20％。
通常，在該數據集上，錯誤在一年內減少不到1％。在一年內，20年的研究被跨越了。
這真的打開了潮水的閘門。
Q4：深度學習的靈感來自大腦。那麼計算機科學和神經科學這些領域如何協同工作呢？
答：深度學習的靈感來自神經科學。最成功的深度學習網絡是由YannLeCun開發的卷積神經網絡（CNN）。
如果你看一下CNN的架構，它不僅僅是很多單元，它們以一種基本上鏡像大腦的方式連接起來。大腦中被研究的最好的一部分在視覺系統，在對視覺皮層的基礎研究工作中，表明那裏存在簡單和複雜細胞。如果你看一下CNN架構，會發現有簡單細胞和複雜細胞的等價物，這直接來自我們對視覺系統的理解。
Yann沒有盲目地試圖複製皮質。他嘗試了許多不同的變種，但他最終收斂到的方式和那些自然收斂到的方式相同。這是一個重要的觀察。自然與人工智能的趨同可以教給我們很多東西，而且還有更多的東西要去探索。
Q5：我們對計算機科學的理解有多少取決於我們對大腦的理解程度？
答：我們現在的大部分AI都是基於我們對大腦在60年代的瞭解。我們現在知道的更多，並且更多的知識被融入到架構中。
AlphaGo，這個擊敗圍棋冠軍的程序不僅包括皮質模型，還包括大腦的一部分被稱爲“基底神經節”的模型，這對於制定一系列決策來實現目標非常重要。有一種稱爲時間差分的算法，由Richard Sutton在80年×××發，當與深度學習相結合時，能夠進行人類以前從未見過的非常複雜的玩法。
當我們瞭解大腦的結構，並且當我們開始瞭解如何將它們集成到人工系統中時，它將提供越來越多的功能，超越我們現在所擁有的。
Q6：人工智能也會影響神經科學嗎？
答：它們是並行的工作。創新神經技術已經取得了巨大的進步，從一次記錄一個神經元到同時記錄數千個神經元，並且同時涉及大腦的許多部分，這完全開闢了一個全新的世界。
我說人工智能與人類智能之間存在着一種趨同。隨着我們越來越多地瞭解大腦如何工作，這些認識將反映到AI中。
但與此同時，他們實際上創造了一整套學習理論，可用於理解大腦，讓我們分析成千上萬的神經元以及他們的活動是如何產生的。所以神經科學和人工智能之間存在這種反饋循環，我認爲這更令人興奮和重要。
Q7：你的書討論了許多不同的深度學習應用，從自動駕駛汽車到金融交易。你覺得哪個特定領域最有趣？
答：我完全被震撼到的一個應用是生成對抗網絡，或稱GANS。使用傳統的神經網絡，你給出一個輸入，你得到一個輸出。 GAN能夠在沒有輸入的情況下開展活動 - 產生輸出。
是的，我在這些網絡創建假視頻的故事背景下聽說過這個。他們真的會產生看似真實的新事物，對吧？
從某種意義上說，它們會產生內部活動。事實證明這是大腦運作的方式。你可以看某處並看到一些東西，然後你可以閉上眼睛，你可以開始想象出那裏沒有的東西。
你有一個視覺想象，當週圍安靜時，你鬧鐘聲會浮現想法。那是因爲你的大腦是生成性的。
現在，這種新型網絡可以生成從未存在過的新模式。所以你可以給它，例如，數百張汽車圖像，它會創建一個內部結構，可以生成從未存在的汽車的新圖像，並且它們看起來完全像汽車。
特倫斯·謝諾夫斯基在《深度學習：智能時代的核心驅動力量》這本新書中，以親歷者視角，前瞻性的提出了未來人工智能發展的8大重要預判：
觀點1，人工智能不會導致失業，只會讓你更聰明。
你無須擔心人工智能將接管你的工作。
人工智能會讓你更聰明，讓你有能力實現的成就達到新的高度。
就像工業革命時期蒸汽機放大了物理能力一樣，人工智能也會放大認知能力。
我們正迎來一個新的時代——信息時代。
我們進入的新世界不僅會使我們變得更聰明，還會讓我們更清楚地認識自己。
未來，需要人類認知技能的工作將被自動化人工智能系統接管，那些能夠創建和維護這些系統的人將會獲得新的工作。
觀點2，深度學習技術將全面影響未來商業變革，得數據者得天下。
深度學習技術是下一波商業浪潮的主要推動力，將全面影響未來商業變革。
到 2050 年，人工智能會擁有能和我們大腦相媲美的操作系統。
哪些人、哪些公司、哪些國家會掌握這種科技，取決於他們現在所做的投資和下的賭注。
而在機器學習中，誰擁有最多的數據，誰就是贏家，顯然Facebook所擁有的關於人們點贊、好友和照片的數據讓其他人只能望其項背。
利用所有這些數據，Facebook 可以創建我們的心理理論，並用它來預測我們的偏好和政治傾向，甚至有一天可能會比我們更瞭解我們自己。
你會覺得這是一個令人不寒而慄的前景，還是發現有一個能滿足你需求的數字管家感覺很方便？
我們可能會問，Facebook 是否應該擁有這種權力，但在這個問題上，我們也許並沒有多少發言權。
觀點3，再過20年，無人駕駛將全面走入人類生活。
谷歌Waymo無人車於2018年第三季度投放商用，Uber在匹斯堡投放了一批自動駕駛汽車，蘋果、百度以及傳統汽車廠商也都早已佈局自動駕駛領域。
自動駕駛汽車不久就會威脅到卡車司機和出租車司機的生計。
是否擁有汽車已經不重要，汽車產業將面臨重大考驗。
城市規劃同樣需要變革，城市內將不再需要那麼多停車場。
謝諾夫斯基預計，卡車會在10年內實現自動駕駛，出租車要花上15年，15到25年後，客運無人車將全面走入人們的生活。
觀點4，你的iphone會比你自己更懂你。
如果去掉頭髮、首飾和第二性徵，你能快速區分男女嗎？
通過深度學習，機器可以實現通過細微的面部線索進行區分，如大多數男性的人中面積更大，男性眼睛周圍區域較大，女性上頰較大。
通過監控面部44塊肌肉的狀態，機器能讀懂你的情緒。
面部表情識別已經進入商業化，如監測選民的微表情來判斷選舉走勢，研判未來哪部劇將大火。
未來，你的手機將會主動關心你的情緒，不但會問你爲什麼不高興，還會幫你高興起來。
觀點5，×××不再可怕，每一個人都將成爲AI醫療的受益者。
基於大數據的深度學習將改變醫療行業，對疾病提供更快速、準確的診斷和治療。
如果某人被診斷出×××，傳統療法（手術、化療、放療）手段都失敗了，那最有可能的結果就是走到生命盡頭。
在未來技術發展的某個階段，人工智能可以對腫瘤進行基因排序，檢測癌細胞變異和擴散狀態，通過數據分析匹配適合個人的治療藥物，甚至設計出某一種新葯專門針對這個人的×××治療。
觀點6，未來需要以家庭，而非以學校爲基礎的新教育體系。
傳統的學校教育教給孩子太多的信息，太多的既有技能，而技術的發展可能讓這些東西很快過時。
未來的人工智能將會改變傳統教育現狀。
成爲終身學習者，纔是不被時代淘汰的必備能力。
要做到這一點，我們需要一個以家庭，而不是以學校爲基礎的新教育體系。
與學校課程“要麼太多，要麼沒有”的學習模式不同，慕課（在線公開課）更像是你隨時可以挑選和閱讀的書：
學習者們更傾向於“放養式”的學習方法，有針對性地選擇符合他們迫切需求的課程。
人工智能時代，你需要的不是擔憂和焦慮，而是成爲更好的學習者，抓住每一分資源和機會，讓自己成爲更有價值的人。
觀點7，如何證明你的朋友不是AI？
人工智能的發展改變了我們的社交方式，甚至是社交對象。
具有社交屬性的人工智能已經成爲我們生活中的一部分，比如智能音箱，或者蘋果手機智能語音助手Siri和微軟開發的小冰。
社交聊天機器人還可以在閒聊中幫助用戶執行多種任務。
2014年5月微軟發佈小冰，之後她成爲使用最廣泛的社交聊天機器人。
她理解用戶的情感需求，進行人際溝通，在對話中鼓勵用戶、吸引用戶參與對話、逗用戶開心。
這些對話使用戶的情緒變得更加積極，爲用戶提供情感支持和社交歸屬感。
觀點8，跨文化交流將不再有障礙。
深度學習讓語音識別和語言翻譯融合在一起，涉及多種語言的跨國甚至跨文化交流將不再是問題。
早在1946年第一臺計算機發明之初，就有科學家提出利用計算機自動進行語言翻譯的設想。
經歷70多年的發展，機器翻譯先後涌現出多種方法。
近幾年，隨着深度學習技術被應用到翻譯領域，翻譯質量大幅躍升，百度、谷歌、微軟等巨頭公司相繼發佈了一系列基於最新人工智能技術的翻譯系統和產品。
當語音識別和語言翻譯結合到一起時，實時的跨文化交流將有可能實現。
《星際迷航》中那種萬能翻譯機將×××。
（1）《5分鐘讀懂「深度學習」：智能時代背後的神祕力量》，中信出版集團公衆號，2019年1月23日
（2）“AI奠基人”特倫斯新書《深度學習》解析智能時代的核心驅動力量，新華網，2019年01月18日
（3）《9102年了，該懂點深度學習通識了》，筆記俠公衆號，2019年1月23日
