機器究竟如何學習？詳解人工智能的“左右互搏術”
金庸武俠小說《射雕英雄傳》里，有這樣一段經典場景：“老頑童”周伯通在被困桃花島期間，創造了“左右互搏術”，即用自己的左手跟自己的右手打架，在兩手互搏中提高功力。
如今，這樣的橋段在人工智能領域真實上演。它，就是深度學習。
“左右互搏術”與深度學習中的一種對抗訓練原理相仿，即有兩個角色——生成器和判別器。生成器類似于左手，扮演攻方;判別器類似于右手，扮演守方。
判別器的目的是正確區分真實數據和生成數據，從而最大化判別準確率;生成器則是盡可能逼近真實數據的潛在分布。二者需要不斷提高各自的判別能力和生成能力來取勝，從而實現目標優化。
今天，讓我們打開這個“神秘魔盒”。
深度學習的概念，最早是由杰弗里·辛頓在2006年提出的。這是一門用于學習和利用“深度”人工神經網絡的機器學習技術。作為人工智能領域中最熱的研究方向，深度學習迅速受到學術界和工業界的關注。
目前，深度學習已得到廣泛應用。如在博弈領域，AlphaGo通過深度學習，以4∶1的比分戰勝韓國棋手李世石，成為第一個擊敗人類職業圍棋選手的電腦程序;在醫學影像識別中，以深度學習為核心技術的X光、核磁、CT、超聲等醫療影像多模態大數據的分析技術，可提取二維或三維醫療影像中隱含的疾病特征;在圖像處理中，最成功的領域是計算機視覺，如圖像風格遷移、圖像修復、圖像上色、人臉圖像編輯以及視頻生成等。
一種特殊的機器學習方法
今天的人工智能，其實是把現實生活中的問題量化成了可計算的問題，然后用計算機算出來。數學模型則架起了中間的橋梁。
現實生活中，很多問題都可以通過建模解決。比如計算遠程火炮彈道問題，計算日食、月食出現的時間和地點等。我們只要把相應公式用計算機語言寫一遍，再代入參數，就能計算出來。
然而，更多問題的解決方法是不確定的。即使我們找到了相應的數學模型，也不知道應該代入什么參數。比如語音識別、人臉識別和機器翻譯等。因此，我們需要讓計算機通過自主學習，從大量數據中得到相應參數。這個過程，就是機器學習。
機器學習旨在發現數據存在和利用的模式，并用它們進行學習及做出預測。機器學習的過程，就是用計算機算法不斷地優化模型，讓它越來越接近真實情況的過程。它與人類學習的道理如出一轍。
考察人的學習通常方式是考試，如果分數不及格，就需要進一步學習。機器學習也要這樣來衡量，它的目標用專業術語來說，就是“期望值最大化”。
機器學習的效果取決于兩個方面：一方面是學習的深度。機器學習并不能“一口吃成個胖子”，它的訓練算法需要迭代執行。這如同人在學習時要通過復習來“溫故而知新”一樣。機器學習迭代的次數越多，即學習得越深入，得到的數學模型效果越好。另一方面是數據的質與量。正如我們做大量優質習題，成績就會提高。機器學習也是如此，訓練數據量越大，學習效果就會越好。
根據數學模型的特點，機器學習有兩種方法：一種是利用已知模型進行訓練;另一種是在模型未知的情況下，設計一些簡單通用的模型結構，然后使用大量的數據進行訓練，訓練成什么樣就是什么樣。這便是我們常聽到的人工智能“黑箱”問題，即使訓練有效，也不清楚里面是什么。
深度學習就是后一種機器學習的方法。人工智能涵蓋的領域十分廣泛，深度學習只是其中的一個分支，屬于機器學習的范疇。人工智能需要有“獨立思考”能力與機器學習技術的支持，深度學習便是幫助機器實現“獨立思考”的一種方式。
深度學習迎來革命性突破
人工神經網絡，簡稱神經網絡，是一種模仿動物中樞神經系統結構和功能的數學模型，是用大量簡單處理單元經廣泛連接而組成的人工網絡。它其實是一個特殊的分類器，用于對函數進行估計等。
神經網絡為許多問題的研究提供了新思路，特別是迅速發展的深度學習，能發現高維數據中的復雜結構，取得比傳統機器學習更好的效果。
20世紀50年代，人類第一次設計出計算機能運行的神經網絡算法。此時的神經網絡，雖然給了人們很多遐想空間，卻解決不了實際問題，因此被打入“冷宮”。
到了20世紀80年代末期，人們提出反向傳播算法，可讓一個神經網絡模型從大量樣本中學習統計規律，從而對未知事件做出預測。隨后，支持向量機等各種各樣的機器學習方法被相繼提出。不過，這些模型的結構均為淺層學習方法，處理復雜問題的能力受到一定制約。因此，神經網絡再進“冷宮”。
2006年，加拿大教授辛頓和他的學生提出深度學習神經網絡的“快速學習”算法，使深度學習迎來了革命性突破。深度學習通過學習一種深層非線性網絡結構，展現出了從少數樣本中集中學習數據及本質特征的強大能力。
從此，神經網絡學會了反復分類以及識別物體的方法，并展現出乎意料的精準度。
計算能力成為推動深度學習的利器
人工神經網絡在被提出的50年間，都沒能很好地解決智能問題。究其原因，除了算法本身不完善外，還在于計算機絕對速度不夠快，而且單位計算能力的能耗太高，無法通過大量服務器搭建并行計算系統，來達成深度人工神經網絡。
那么，靠什么加以突破?答案就是摩爾定律。
摩爾定律是英特爾聯合創始人戈登·摩爾在1965年提出的一項觀察結論，即計算機的總體處理能力大約每2年就會翻一番。經歷近50年的歷史檢驗，摩爾定律展現出驚人的準確性。摩爾定律帶來的結果是，在過去的半個多世紀里，計算機處理器性能增長了上億倍，耗電量卻降到了百分之一。
從能量角度看，摩爾定律反映出了人類在單位能耗下，所能完成信息處理能力的大幅提升。而這正是實現人工智能的基礎所在。
從某種意義上說，不僅是深度學習技術，今天的人工智能都是靠算力成就的。
人工智能的崛起，有3個技術要素：一是它解決了可計算問題，即在算法上的突破;二是它積累了大量數據，形成了可學習的原材料;三是摩爾定律所推測的，處理能力得到持續提高。
算力是推動深度學習的利器。計算能力越強，同樣時間內積累的經驗就越多、迭代速度也越快，深度學習的性能也就越高。
不斷進化的深度學習之道
1997年，“深藍”在國際象棋比賽中戰勝加里·卡斯帕羅夫;2016年，AlphaGo在圍棋比賽中戰勝李世石。
雖然這兩種人工智能系統都學會了下棋，但教授它們的方式以及它們如何比賽，則大相徑庭。
“深藍”的核心評估函數對給定盤面進行數字“排序”，而且函數是手工設計的。這種比賽風格，實際上是一種“蠻力”。“深藍”將其評估函數應用到許多備選的未來狀態，對每個棋手預先搜索七八步，以2億次/秒的速度進行局面評估。
AlphaGo的學習方法則迥然不同。它通過一種雙管齊下的深度學習方法“學習”，用“價值網絡”評估局面，用“策略網絡”選擇走棋。
深度學習神經網絡的訓練，一部分通過使用人類高手對弈數據集的監督學習進行(總出棋數約為3000萬步)，另一部分通過對自我對弈非監督強化學習進行(模擬成千上萬場隨機比賽)。它不使用預測搜索，走棋是單個“圍棋局面”整體評估的結果。
2017年5月，在中國烏鎮圍棋峰會上，AlphaGo的升級版AlphaGo Zero，與世界排名第一的圍棋冠軍柯潔對戰，結果以3∶0的總比分完勝。
令人震驚的是，AlphaGo Zero一開始并沒接觸過人類棋譜。它使用了新的強化學習方法，從單一神經網絡開始，通過神經網絡強大的搜索算法，進行自我對弈訓練。隨著自我對弈次數的增加，神經網絡逐漸調整，提升預測下一步的能力，最終成為具備超強棋力的“選手”。更為厲害的是，隨著訓練的深入，AlphaGo Zero還獨立發現了游戲規則，走出了新策略，為圍棋這項古老游戲帶來了新見解。
目前，深度學習在許多領域取得了技術性突破，并展示了極佳效果。然而，它仍存在一些局限：理論研究缺乏、無監督學習能力弱、缺少邏輯推理和記憶能力等。
深度學習對未來社會發展具有重要意義，需要不斷深入研究，從多方向多角度更全面地開發深度學習的潛在價值。面對復雜的戰場，以深度學習為代表的人工智能技術也已逐步滲透到軍事領域，深刻影響著人類戰爭。
可以推斷，未來作為“左右互搏術”的深度學習，必將繼續升級演化，開啟更高深的境界。
