事物飛速發展之時，往往需要你停下腳步，回顧自己所處的位置，否則你會很容易陷入對細節的興奮之中。構成人工智能基礎的數據科技正以不同的方式向前發展，而且速度飛快。因此，在你改變職業之前，或者決定使用人工智能擴展業務時，讓我們首先對人工智能做一個鳥瞰，以幫助理解我們所處的位置以及未來走向。

 

[[195779]]

人工智能的三個階段

我們傾向于把人工智能看做新事物，尤其是新技術以及和深度學習相關的新技巧。然而，人工智能已經過數十年的發展，否認過往的成功似乎不合邏輯，因為技術總是不斷向前發展。

當我費力向其他人解釋人工智能之時，我不斷為預測分析尋找一些分界線，這些分析我們已經實踐了相當一段時間，也是大眾對人工智能持有的觀點。最近我讀到了一本名叫《人工智能的三次浪潮（Three Waves of AI）》的書，作者是 DARPA 信息創新辦公室主管 John Launchbury，他從一個更長遠和寬廣的視角，將人工智能的歷史與未來劃分為了三個階段：

1. 手工知識（Handcrafted Knowledge）階段

2. 統計學習（Statistical Learning）階段

3. 語境順應（Contextual Adaptation）階段

Launchbury 的觀點對我幫助極大。盡管階段（ages）的比喻很有用，但是這很容易讓人誤解為一個階段結束了下一個階段作為替代才開始。與此相反，我把人工智能看作一個金字塔，其中下一階段的發展奠定在前一階段之上。這也清晰地表明了即使是最古老的人工智能技術也不會過時，且實際上依然在使用之中。

對于第二個階段統計學習（Statistical Learning），即我們目前所處的階段，我分為了一些更細的階段，因為第二個階段之中有一些重大突破值得單獨作解釋。

第一階段：手工知識

第一個階段的典型代表是「專家系統」（expert systems），其把大量知識轉化為由中小企業團隊精心制定的決策樹來增強人類的智能。專家系統的代表例子是 TurboTax 或者做調度的物流程序，它們在上世紀 80 年代已經出現，且很有可能更早。

盡管我們有能力運用機器學習統計算法諸如回歸、SVM、隨機森林以及神經網絡，且這些算法自上世紀 90 年代以來獲得了飛速擴展，但手工系統的應用并未完全消失。最近 Launchbury 提及到該系統的一個應用成功防御了網絡攻擊。大約在 2004 年之前，相似的系統實際上已經成為自動駕駛車的核心（其失敗的主要原因是不能解釋所有的現實問題）。

Launchbury 認為專家系統在推理方面表現不俗，但僅限于幾個嚴格定義的問題，且沒有學習能力，不能處理不確定性問題。

第二階段：統計學習

第二個階段是我們現在所處的階段。盡管 Launchbury 傾向于關注深度學習方面的進步，實際上早在我們使用計算機尋找數據中的信號之時就已經步入了第二階段。統計學習階段開始于數十年之前，但是在上世紀 90 年代獲得了牽引力，并通過處理新數據、容量甚至是數據流而不斷獲得擴展。

由于不斷增加的深度學習技術工具箱（比如回歸、神經網絡、隨機森林、SVM、GBM），統計學習階段伴隨著從數據之中尋找信號能力的爆炸性增長應運而生。

這是一種不會消失的基礎數據科學實踐，它可以解釋消費者（他們為什么來、為什么留、為什么走）、交易（是否存在欺詐）、裝置（它是否有問題）、數據流（30 天之后其價值是什么）的所有行為問題。統計學系對人類智能的增強是不斷發展的人工智能的部分之一。

在第二階段之中，至少有另外兩個重大突破極大地提升了人類的能力。第一個是 Hadoop 與大數據?，F在我們已經有了大規模并行處理以及儲存和查詢大的非結構快速移動數據集的方法。2007 年 Hadoop 首次開源，直到現在。第二個小的突破是現代人工智能工具集的興起，其由以下 6 種技術組成：

1. 自然語言處理

2. 圖像識別

3. 強化學習

4. 問答機

5. 對抗式訓練

6. 機器人

除了少數例外，這些技術可被整合為依賴于深度學習的一類，但是如果你查看深度學習工作方式以及深度神經網絡運行方式的詳情，你很快會意識到這些并不是問題的核心。

在卷積神經網絡、循環神經網絡、生成對抗神經網絡、強化學習之中的進化神經網絡及其所有變體之中通常有很少；反過來在問答機（Watson）、機器人或者不使用深度神經網絡的強化學習變體之中存在更少。

由于這些技術的共同之處是它們生成自己的特征，也許我們應該稱之為無特征建模的階段（Era of Featureless Modeling）。你仍然不得不使用已知的標注實例進行訓練，但是你不必在列中填入預定義的變體和屬性。它們在極其大的計算陣列上也需要大規模并行處理，很多次需要專業芯片（比如 GPU、FPGA）以在人類時間尺度上搞定一切。

因此，重要的區別就是第二階段的人工智能可以延續幾十年，并且其主要從機器學習、大數據/Hadoop 和無特征建模三個方面已經對新技術進行了三次大的變革。但這些突破仍然在統計學習方法這一階段內，該階段還會繼續發展并產生更多的突破。

 

 

Launchbury 表明，到目前為止，我們已經擁有非常先進、細分和強大預測能力的系統，但是仍然還沒有理解語境和最小推理能力。因為我們的技術對數據有更大量的需求，這已經成為了一個障礙，而對我們仍然有價值和高效的預測分析技術并不應該是這樣的。但我們在這個階段早期無法解決的困難，包括自動駕駛汽車、機器贏得日益復雜游戲的能力、圖像、文本和自然語言處理等方面目前都已經取得了重大的突破。

第三階段：語境順應（contextual adaption）

接下來呢？Lauchbury 說，當前統計學習時代出現了兩個問題，第三個階段要解決兩個問題。

解釋推理行為的模型：雖然我們的深度神經網絡善于分類，比如圖片，但是處理原理仍然顯得神秘莫測。我們需要既可以進行分類也可以得到解釋的系統。理解推理就能讓對處理過程的修正真正有效。

生成模型：這些模型可以從潛在語境中進行學習，比如一個模型，掌握了每個字母的筆畫，而不是基于大量糟糕的書寫樣本進行粗暴分類。我們今天使用的生成模型有望顯著減少對訓練數據的需求。

鑒于這些特點，處在這一階段的人工智能系統就能使用語境模型（contextual models）進行感知、學習、推理以及抽象，將從一個系統中學習到的東西應用到一個完全不同的語境中。

全景視野

新階段的開始并不意味著前一階段會戛然而止。一些技術、功能的有用性或許會降低，但是完全被淘汰出局也不太現實。比如，最新技術所需的大量計算力、研發的復雜性以及訓練都會制約這些技術退出歷史舞臺，將來某個時候出現的高價值的問題可能還會用到這些技術。

其他情況，比如語境采用階段，我們可能不得不等待新一代芯片的出現，這類芯片更加類似人腦。這些被稱為神經形態或者脈沖神經網絡的第三代神經網絡都會用到現在研發最早階段的那些芯片。

現在，我們處在第二階段（統計學習）的什么位置？

當前階段的三章內容中，人們可能最關注的是新東西，深度學習、強化學習以及上述構成該階段的六種技術之間的平衡。

這是一場演化的艱難過程，剛開始結出果實，但這些新的發展中絕大部分仍然沒有準備好開花結果。盡管可以看到這些技術會往哪個方向發展，但是，只有兩到三個技術有望可靠商業化（圖像處理、文本和語音處理，類似 Watson QAMs 的有限版本。）

當你試著將這些技術擰在一起時，這些技術也不過是松散地在一起，集成這些技術仍然是最具挑戰性的事情之一。我們總會想到辦法的，只是還沒到這一步。

 

我們總會走到那一步的，甚至進入第三階段。不過，走過這一階段之前，或許還會出現我們未曾預料的演化或者變革。