内容来源：
2019年7月26日，在长城
会主办的“GMIC之院士AI论坛”上，索尔克生物研究所计算神经生物学实验室主任特伦斯进行了以“
人工智能
，
将成科技的最大风口
”为主题的精彩分享。
笔记侠作为合作方，未经主办方和讲者审核。
讲者
| 特伦斯
封面设计
&
责编
| 马畅
第
3960
篇深度好文：6003 字 | 12 分钟阅读
本文优质度：★★
★
★
★
口感：红烧狮子头
笔记君邀您阅读前，先思考：
大家好。
现在人工智能对科学发展起着推波助澜的作用，如虎添翼，我们今天讨论的话题，就是这样普适的内容。
我们先回顾一下过去的250年。
英国的工业革命兴起后，蒸汽机的发明增强了人类使用动能的能力，一个蒸汽机就能取代一百个劳动力。
当时，世界上的大部分人口，仍在农场进行手工劳动，可这样一来，手工劳动都被蒸汽机取代了。
蒸汽机极大程度地替代了人工劳动力。
工业革命也带来人口迁移，人们从乡村转移到城镇。
工业革命为社会带来极深远的影响。
从过去的250年可以看到，一系列的工业革命，使科学技术大范围地使用，各种技术层出不穷，这些技术深刻影响我们生活的方方面面。
当然这也有不少缺陷。
几十年来，比如说工业革命时期的伦敦，有着大量的雾霾、烟尘，这是因为使用了以煤为驱动的蒸汽机所导致的。
在煤厂工作的煤炭工也饱受着呼吸疾病折磨，这是技术带来便利的同时，也要面临的挑战。
怎么进行空气治理，减少呼吸疾病，就是一大挑战。
技术发展的同时，也需要处理技术带来的后果。
我们现在正面临的人工智能技术也不例外。
▲ 长按图片分享给需要的人
大家会听到很多科技热词，我来简单介绍一下：
人工智能。
这个名词诞生于1956年，目标就是在机器上模仿人类智能。
这是一个非常大的目标，我们至今仍然没有达到这个目标。
在人工智能范畴内，有一个子范畴快速增长，就是机器学习。
机器学习是以另一种方向发展人工智能。
比如说你能编程，就说明你已经具备了这个领域的知识，能去解决相关问题，而且解决问题的形式就是编程。
所以你能编程，就已经是这个领域的专家。
但机器学习的路径是不一样的。
我们通过收集大量数据、通过机器进行学习，利用数据结构化进行学习，学习图像对象、语言、词语序列等等。
在机器学习范畴，又另有一个方法学，就是特定算法。这是受到大脑启发触动的一个方向。
我们的大脑是一个非常复杂的设备，负责收集信息，有数千亿的脑神经元，来进行信息传递。
比如在场这么多人，大脑通过上千亿脑神经元进行信息处理，再将信息传递给在座各位。
目前我们仍然不了解大脑的内部运作，但是我想说，深度学习的灵感就来自大脑运作机制。
▲ 学习与编程的权衡
红线是编程线，如果要雇一个程序员给你解决问题，这个成本从1980年到2040年，成本都是逐年增加的。
编程员是很贵的，而且需要专家级的编程员。
所以相对来说，从发展开始，我们的机器学习，从上世纪80年代开始，成本就非常高，电脑非常贵。
但是现在的人工智能、机器学习，成本不断下降。
2012年，机器学习算法跟编程的成本大致相同，从2012年开始就逐年下降。
我们使用不同的数据组，不需要完全了解这个领域的知识，只要获得大量实例数据，我们的机器就可以通过特定的学习算法不断解决困难。
我们使用神经网络处理系统，在30年前就提出“神经网络模式”的理论。
脑神经网络可以有效处理复杂的数据组，也有能力处理上亿的图像数据。
我相信在座各位对于阿尔法狗与柯洁的大战是非常熟悉的。
2017年阿尔法狗打败世界围棋冠军柯洁，当时震惊世界。
不仅是因为它通过围棋这么复杂的运动，而打败了世界围棋冠军，同时还有巨大的人类共鸣，认为：
机器打败人类，已经超越人类了。
在阿尔法狗打败世界冠军前，人们认为机器可以学得很好，但是不可能打败人类。
但我们来看看柯洁是怎么说的：
“去年跟阿尔法狗对话，觉得它的下棋方式非常接近人类，今天已经像围棋之神一样在下棋，它每一步下棋的章法非常创新，是之前棋盘没有出现过的，非常创新，如果是人，我们称之为围棋天才。
因为是通过人工智能，阿尔法狗出现创新下棋之举，所以也可以看到通过AI机器学习，机器也可以实现超神一般的创新。
”
人类的大脑机制，是一个非常简单的版本，大脑里有很多神经元，大概上千亿个，但它们是平行工作的，这和数字化电脑不一样。
电脑是有处理器的，是有内存的。
记忆实际上是神经元之间的连接，也就是在突触中存在，十的十次方个神经元，就有十个十次方个连接。
大脑里突触的数量非常多，也就是说大脑内存是巨大的，可以储存非常多的数据，这是大脑的好处。
问题是人脑是毫秒级传输速度，所以和电脑比慢很多。
在自然中，人脑没有这么多处理层，而且电脑计算速度更快，是因为我们居住的世界就是毫秒级的世界，不需要这么快的速度。
我们在大脑中的信息传递，是非常复杂的过程。
信息的储存、处理等等，都是我们要解决的一大串问题，这才是最关键的。
还有一些挑战，比如说有很多神经元、有突触等等，最终是围绕着中枢神经系统，这是最重要的一个器官。
我们要知道，某一个连接的改变是否会改变信息的输入和输出？
如果把这个连接改变了，就会受到影响。
当时杰弗里和我一起，得出神经算法，也就是怎么样才能让突触处理正确的神经传递。
在这之前，几乎所有的科学家和工程师觉得这是不可能的。
但我想告诉一些年轻人：
你不要相信专家说的话，因为很多专家总是知道这个事情不能做的原因，但是不知道这个事情可以做成的方法。
所以我们发明了玻尔兹曼机，今天在网络神经学习中还在使用。
深度学习网络是怎样的？
举个例子：
一边是输出，是要对疾病进行诊断，另一边是各种各样的输入，对于医生来说，看了就可以得出诊断。
每一个信息点就是神经节点，最希望有一个架构师能让这些信息一层层传递到输出端，可以有效地诊断这是什么疾病。
帮助病人治病，我们需要大量的病历输入才可以做到这一点，而且必须从已经确诊的病人那里获得信息，这才是有效的输入。
机器不是说要去记住这些东西，将其泛化，因为不同人给出的输入不一样，人脑可以进行非常好的泛化，这是我们希望让机器做到的事情。
杨立昆是一个架构师，而且受到了视觉系统的启发，大概在上世纪60、70年代的时候，已经有一些生物学家学习了人的视觉系统。
所以我们知道在人脑当中，信息是如何流动的。
他们研究了猴子的架构，因为人与猴子有一定的相似性。
他们就是设计并用了卷积神经网络的算法，这边输入信息，将图像和神经元网络进行结合，传输后进行输出。
这里有猴子的大脑，有一层层的神经输入架构，最上面的是猴子的大脑皮层最上端，一、二、三层等等输入，要怎么样大脑才能解决视觉输入的方法？
杨立昆他们设计多层架构，使用早期的卷积神经网络，最终他们就有了识别物体的功能。
还有就是网络中的单元，模仿人的大脑，而且有阈值，如果低于这个阈值就没有输出，高于这个阈值才有。
之后他们还进行了一系列的实验，进行了很多技术上的工作。
这是2012年的时候，ImageNet比赛，这是一个深度学习应用。
这个网络里有概率分布，第一张图，大家最高概率猜的是老鼠，我可能也猜不出是虫，以为是蜘蛛。
后面也是猜图片，不同人看到的是不同面。
我们看出，在性能级别上，深度学习能够在计算机识别方面，把误差率下降20%，这已经非常厉害了。
而且这是经过很多年才有的成果，但是对于某一些图像依然无法准确识别。
关键是要不断进行改善、演化。
今年图灵奖颁给我的朋友杨立昆、约书亚·本吉奥、杰弗里·辛顿，这相当于诺贝尔级别了，是对他们在深度学习里非常大的鼓励。
而且深度学习现在成了很热的词。
去年我写了一本书，总结深度学习的发展历史：
深度学习是怎么来的、学习算法是怎么来的、取得了哪些成功、有哪些失败、未来将向何处去、偏差带来哪些问题、怎么解决、未来的挑战等等。
最近这本书已被翻译成中文。
我书中的一个章节写到：
皮肤病医生看病，检查病人的病到底是癌症还是良性的，已经治疗了2000例皮肤病的医生收集的数据，用来做训练集。
机器和16个皮肤病学家同场竞技，人们发现网络表现和医生是并驾齐驱的，诊断
率可以达到92%之高。
只要有一台手机，只要看到有一块皮肤病就可以拍照，马上可以得到诊断，不需要去看医生，也不需要去付很多医药费。
有谁去看过皮肤病的？
去医院看皮肤病真的很麻烦，有时候要做出诊断，需要好几个星期，甚至几个月时间，这样往往让病人苦不堪言。
书是2017年写的，2018年出版，今天我在听一个电台节目时，听到有一个公司，已经提供了这样的服务：
只要病患拍照发到他们平台，他们的AI系统就可以告诉病人，现在是否要就医，还是说是良性的。
有一位女士，看到她男朋友背上长了一些东西，就随便拍了照片试一下，发给这个平台，谁料到竟然是恶性的，因为及时就诊，她救了自己男朋友一命，而且收费才29美元。
这是WAYMO自动驾驶汽车，舆论让你感觉明天就可以做成，其实要做几十年时间，因为有很多路况和复杂因素需要攻克和优化。
这辆汽车搭载了很多雷达和传感器，180度的传感器不像我们人类的视觉，只能看前方，它可以有180度的视角。
现在无人驾驶汽车的应用场景非常受限，我们看一下有可能的一些场景——
如果我们能一键启车，就可以提高车辆使用率，如果无人驾驶汽车能够实现这单，就可以重新规划停车场和停车道。
因为大量汽车利用率增高，很多车都在路上跑，就不需要那么多停车场了，我们现在城市里遍布的停车场、停车道，都可以再利用，可以变成公园、自行车专道。
当然，这样很多公司可能就要关门大吉了，就是汽车维修店和汽车保险公司。
但是更重要的，这样可以挽救很多生命：
因为疲劳驾驶是导致事故死亡的重要原因，酒驾、醉驾的事件也很多，每年在高速公路，醉驾导致4万人死亡。
一键启车最大的便利是可以节省通行时间，尤其是出行高峰的时候，高峰时候堵车是很堵心的，如果我们使用无人驾驶汽车，就都不用开车了。
出行时间可以用来看看报纸，驾驶完全自动且安全，这样可以极大的降低交通事故死亡率。
我们还可以更进一步畅想，盗车时代会被终结；
此外还有一些新的就业岗位生成，很多人说卡车司机要失业了，不会的，我们如果使用无人驾驶的卡车，也要人去控制的。
卡车司机的角色可以转化为安全监测，这个岗位比开卡车好得多，而且更舒服。
现在无人驾驶汽车仍然不能实现，因为有很多极端路况交通控制，比如说卡车有一些货物掉在路上怎么办？
所以我们还吸收更多的训练数据，集训无人卡车，一旦有这种边缘情况案例出现，我们需要有人监控。
机器是监控不了的，所以我们仍然需要人去监控这些无人驾驶的卡车。
这还这能催生另一个新的产业岗位，传感器技术供应链。
这是一个全新的供应链。
因为我们需要在无人驾驶车辆上边搭载几十亿个传感器，大量数据生成后，我们需要进行数据清理，这些都会催生很多很好的新工作岗位。
这一个公司——睿金科技——来自中国郏县，他们是有几千万人专门做数据清理的公司。
听上去是挺烦燥的工作，但是比在“煤矿”上工作更好，其实是数据挖煤，这比在现实中的煤矿挖煤好得多。
接下来举一个语言翻译的例子。
语言翻译在中国有几千个语种，互相不能理解，所以我们训练机器预计下一个字词出现，这时候不需要分类数据，是非监督学习。
这种叫做文字嵌入。
如果机器能够训练得很好，我们期望的是学习内模通过自己的活动运算，可以了解和解构整个语义，同时要识别出大写的专有名词，非常有趣。
比如说俄罗斯和莫斯科是一组对应关系，这是一个项量，将这个项量依附于德国，则德国对应柏林。
这个网络没有任何监督，就可以发现城市首都的关系和地理位置的关系。
