智能時(shí)代的核心驅(qū)動(dòng)力：深度學(xué)習(xí)技術(shù)解析

\h深度學(xué)習(xí)智能時(shí)代的核心驅(qū)動(dòng)力量目錄\h第一部分智能的新構(gòu)想\h01機(jī)器學(xué)習(xí)的崛起\h02人工智能的重生\h03神經(jīng)網(wǎng)絡(luò)的黎明\h04大腦式的計(jì)算\h05洞察視覺系統(tǒng)\h第二部分深度學(xué)習(xí)的演進(jìn)\h06語音識(shí)別的突破\h07霍普菲爾德網(wǎng)絡(luò)和玻爾茲曼機(jī)\h08反向傳播算法\h09卷積學(xué)習(xí)\h10獎(jiǎng)勵(lì)學(xué)習(xí)\h11火爆的NIPS\h第三部分人類，智能與未來\h12智能時(shí)代\h13算法驅(qū)動(dòng)\h14芯片崛起\h15信息科學(xué)\h16生命與意識(shí)\h17進(jìn)化的力量\h18深度智能要事年表1956年達(dá)特茅斯人工智能夏季研究計(jì)劃（TheDartmouthArtificialIntelligenceSummerResearchProject）開啟了人工智能領(lǐng)域的研究，并鼓舞了一代科學(xué)家探尋可以媲美人類智慧的信息技術(shù)的潛力。1962年弗蘭克·羅森布拉特（FrankRosenblatt）出版了《神經(jīng)動(dòng)力學(xué)原理：感知器和大腦機(jī)制的理論》(PrinciplesofNeurodynamics:PerceptronsandtheTheoryofBrainMechanisms)，該書介紹了一種應(yīng)用于具有單層可變權(quán)重的神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)算法，該算法是今天的深度神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)算法的前身。1962年大衛(wèi)·休伯爾（DavidHubel）和托斯坦·威澤爾（TorstenWiesel）發(fā)表了《貓的視覺皮質(zhì)中的感受野、雙目互動(dòng)和功能架構(gòu)》（ReceptiveFields,BinocularInteractionandFunctionalArchitectureintheCat’sVisualCortex）一文，第一次報(bào)道了由微電極記錄的單個(gè)神經(jīng)元的響應(yīng)特性。深度學(xué)習(xí)網(wǎng)絡(luò)的架構(gòu)類似于視覺皮質(zhì)的層次結(jié)構(gòu)。1969年馬文·明斯基（MarvinMinsky）和西摩爾·帕普特（SeymourPapert）出版了《感知器》(Perceptrons)，該書指出了單個(gè)人造神經(jīng)元的計(jì)算極限，標(biāo)志著神經(jīng)網(wǎng)絡(luò)領(lǐng)域寒冬的到來。1979年杰弗里·辛頓和詹姆斯·安德森（JamesAnderson）在加州拉荷亞市（LaJolla）舉辦了“關(guān)聯(lián)記憶的并行模型”（ParallelModelsofAssociativeMemory）研討會(huì)，把新一代的神經(jīng)網(wǎng)絡(luò)先驅(qū)們聚集到了一起，同時(shí)也推動(dòng)辛頓和安德森在1981年發(fā)表了同名系列研究著作。1986年第一屆神經(jīng)信息處理系統(tǒng)大會(huì)（NeuralInformationProcessingSystems,以下統(tǒng)稱NIPS\h[1]）及研討會(huì)在美國(guó)丹佛科技中心舉辦，該會(huì)議吸引了很多不同領(lǐng)域的研究人員。\h[1]NIPS現(xiàn)通稱為NeurIPS?！g者注01

機(jī)器學(xué)習(xí)的崛起不久之前，人們還常說，計(jì)算機(jī)視覺的辨別能力尚不如一歲大的孩子。如今看來，這句話要改寫了。計(jì)算機(jī)不僅能和大多數(shù)成年人一樣識(shí)別圖片中的物體，在馬路上駕駛汽車的安全性還高過16歲的青少年。更神奇的是，如今的計(jì)算機(jī)不再是被動(dòng)按照指令識(shí)別和駕駛，而是像自然界的生命由數(shù)百萬年前開始進(jìn)化那樣，自主地從經(jīng)驗(yàn)中學(xué)習(xí)。是數(shù)據(jù)的井噴促成了這一技術(shù)進(jìn)步。如果說數(shù)據(jù)是新時(shí)代的石油，那么學(xué)習(xí)算法就是從中提取信息的煉油廠；信息積累成知識(shí)；知識(shí)深化成理解；理解演變?yōu)橹腔?。歡迎來到深度學(xué)習(xí)的新世界。\h[1]深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它根植于數(shù)學(xué)、計(jì)算機(jī)科學(xué)和神經(jīng)科學(xué)。深度網(wǎng)絡(luò)從數(shù)據(jù)中學(xué)習(xí)，就像嬰兒了解周圍世界那樣，從睜開眼睛開始，慢慢獲得駕馭新環(huán)境所需的技能。深度學(xué)習(xí)的起源可以追溯到20世紀(jì)50年代人工智能的誕生。關(guān)于如何構(gòu)建人工智能，當(dāng)時(shí)存在兩種不同的觀點(diǎn)：一種觀點(diǎn)主張基于邏輯和計(jì)算機(jī)程序，曾主宰人工智能的研究和應(yīng)用數(shù)十年；另一種觀點(diǎn)則主張直接從數(shù)據(jù)中學(xué)習(xí)，經(jīng)歷了更長(zhǎng)時(shí)間的摸索才逐漸成熟。20世紀(jì)，計(jì)算機(jī)技術(shù)還不夠成熟，而且按照現(xiàn)在的標(biāo)準(zhǔn)，數(shù)據(jù)存儲(chǔ)成本十分高昂，用邏輯程序來解決問題更加高效。熟練的程序員需要為每個(gè)不同的問題編寫不同的程序，問題越大，相應(yīng)的程序也就越復(fù)雜。如今，計(jì)算機(jī)能力日趨強(qiáng)大，數(shù)據(jù)資源也變得龐大且豐富，使用學(xué)習(xí)算法解決問題比以前更快、更準(zhǔn)確，也更高效。此外，同樣的學(xué)習(xí)算法還能用來解決許多不同的難題，這遠(yuǎn)比為每個(gè)問題編寫不同的程序更加節(jié)省人力。汽車新生態(tài)：無人駕駛將全面走入人們生活在2005年美國(guó)國(guó)防部高級(jí)研究計(jì)劃局（以下簡(jiǎn)稱DARPA）舉辦的自動(dòng)駕駛挑戰(zhàn)賽中，一輛由斯坦福大學(xué)塞巴斯蒂安·特?。⊿ebastianThrun）實(shí)驗(yàn)室開發(fā)的自動(dòng)駕駛汽車Stanley最終贏得了200萬美元現(xiàn)金大獎(jiǎng)（見圖1–1）。團(tuán)隊(duì)利用了機(jī)器學(xué)習(xí)技術(shù)教它如何自主地在加利福尼亞州的沙漠中穿行。132英里的賽道中有若干狹窄的隧道和急轉(zhuǎn)彎，還包括啤酒瓶道（BeerBottlePass），這是一段蜿蜒曲折的山路，兩側(cè)分別是碎石遍布的陡坡和斷壁（見圖1–2）。特隆并沒有遵循傳統(tǒng)的AI方法，即通過編寫計(jì)算機(jī)程序來應(yīng)付各種偶發(fā)事件，而是在沙漠中駕駛Stanley，讓汽車根據(jù)視覺和距離傳感器的感應(yīng)輸入，學(xué)習(xí)如何像人一樣駕駛。圖1-1塞巴斯蒂安·特隆及其團(tuán)隊(duì)的自動(dòng)駕駛汽車Stanley在2005年贏得了DARPA舉辦的自動(dòng)駕駛挑戰(zhàn)賽。這項(xiàng)突破引發(fā)了交通界的技術(shù)革命。圖片來源：塞巴斯蒂安·特隆。圖1-2啤酒瓶道。這段極具挑戰(zhàn)性的地形位于2005年DARPA自動(dòng)駕駛挑戰(zhàn)賽的末段。該賽事要求汽車在無人輔助的情況下駛過132英里的沙漠荒路。圖中遠(yuǎn)處的一輛卡車正要爬坡。圖片來源：DARPA。特隆后來參與創(chuàng)立了高科技項(xiàng)目重點(diǎn)實(shí)驗(yàn)室GoogleX，并開始了進(jìn)一步研究自動(dòng)駕駛汽車技術(shù)的計(jì)劃。谷歌的自動(dòng)駕駛汽車自此開始，在舊金山灣區(qū)累積了350萬英里的車程。優(yōu)步（Uber）已經(jīng)在匹茲堡投放了一批自動(dòng)駕駛汽車。蘋果也步入自動(dòng)駕駛領(lǐng)域，以擴(kuò)大其操作系統(tǒng)控制的產(chǎn)品范圍，并希望能夠再現(xiàn)它在手機(jī)市場(chǎng)上的輝煌。汽車制造商們親眼看見一個(gè)100年來從未改變的行業(yè)在他們眼前發(fā)生了轉(zhuǎn)型，也開始奮起直追。通用汽車公司以10億美元的價(jià)格并購了開發(fā)無人駕駛技術(shù)的硅谷創(chuàng)業(yè)公司CruiseAutomation，并在2017年投入了額外的6億美元用于研發(fā)。\h[2]2017年，英特爾以153億美元的價(jià)格收購了Mobileye，它是一家專門為自動(dòng)駕駛汽車研發(fā)傳感器和計(jì)算機(jī)視覺的公司。在價(jià)值數(shù)萬億美元的交通運(yùn)輸領(lǐng)域，參與的各方都下了極高的賭注。自動(dòng)駕駛汽車不久將擾亂數(shù)百萬卡車司機(jī)和出租車司機(jī)的生計(jì)。最終，如果一輛自動(dòng)駕駛汽車能夠在一分鐘內(nèi)出現(xiàn)，將你安全帶到目的地且無須停車，在城市擁有汽車就顯得不那么必要了。今天，汽車行駛時(shí)間平均僅占4%，這意味著它其余96%的時(shí)間都需要停放在某個(gè)地方。由于自動(dòng)駕駛汽車可以在城市外圍維修和停放，城市中被大量停車場(chǎng)占用的空間得以被重新高效利用。城市規(guī)劃者已經(jīng)開始考慮讓停車場(chǎng)變成公園了。\h[3]街邊的停車道可以成為真正的自行車道。其他汽車相關(guān)行業(yè)也將受到影響，包括汽車保險(xiǎn)業(yè)和修理廠。超速和停車罰單將不復(fù)存在。由醉駕和疲勞駕駛導(dǎo)致的交通事故死亡人數(shù)也會(huì)相應(yīng)減少。通勤浪費(fèi)的時(shí)間也將被節(jié)省下來做其他事情。根據(jù)2014年的美國(guó)人口普查數(shù)據(jù)，1.39億上班族人均單日通勤時(shí)間達(dá)到了52分鐘，全年總計(jì)296億小時(shí)。這驚人的340萬年的時(shí)間本可以在人生中得到更好的利用。\h[4]自動(dòng)駕駛汽車會(huì)使公路通行能力翻兩番。\h[5]而且，一旦大規(guī)模投入使用，沒有方向盤、可以自己開回家的自動(dòng)駕駛汽車還會(huì)讓大規(guī)模汽車盜竊行為銷聲匿跡。雖然目前自動(dòng)駕駛汽車仍面臨很多監(jiān)管和法律層面的障礙，但這一技術(shù)一旦開始普及，我們就將迎來一個(gè)嶄新的世界?？梢灶A(yù)見的是，卡車大概會(huì)在10年內(nèi)率先實(shí)現(xiàn)自動(dòng)駕駛，出租車要花上15年，而15到25年后，客運(yùn)無人車將全面走入人們的生活。汽車在人類社會(huì)中的標(biāo)志性地位將以我們無法想象的方式發(fā)生變化，一種新的汽車生態(tài)也將應(yīng)運(yùn)而生。正如100多年前汽車的出現(xiàn)創(chuàng)造了許多新的行業(yè)和就業(yè)機(jī)會(huì)，圍繞著自動(dòng)駕駛汽車的發(fā)展，也出現(xiàn)了一個(gè)快速增長(zhǎng)的生態(tài)系統(tǒng)。從谷歌獨(dú)立出來的自動(dòng)駕駛公司W(wǎng)aymo，8年來已經(jīng)投入了10億美元，并在加州中部山谷搭建了一個(gè)秘密測(cè)試場(chǎng)所。該場(chǎng)所位于一個(gè)占地91英畝的仿造小鎮(zhèn)，其中還設(shè)計(jì)了騎自行車的“演員”和假的汽車事故。\h[6]其目的是擴(kuò)大訓(xùn)練數(shù)據(jù)集以包含特殊和不常見的情況（也叫邊緣情況）。公路上罕見的駕駛事件經(jīng)常會(huì)導(dǎo)致事故。自動(dòng)駕駛汽車的不同之處就在于，當(dāng)一輛汽車遇到罕見事件時(shí)，相應(yīng)的學(xué)習(xí)體驗(yàn)會(huì)被傳遞給所有其他自動(dòng)駕駛汽車，這是一種集體智能。其他自動(dòng)駕駛汽車公司也在建造許多類似的測(cè)試設(shè)施。這些舉措創(chuàng)造了以前并不存在的新工作機(jī)會(huì)，以及用于汽車導(dǎo)航的傳感器和激光器的新供應(yīng)鏈。\h[7]自動(dòng)駕駛汽車僅是信息技術(shù)推動(dòng)經(jīng)濟(jì)發(fā)生重大轉(zhuǎn)變的一個(gè)最明顯的體現(xiàn)。網(wǎng)絡(luò)上的信息流就像城市管道里的水流。信息在谷歌、亞馬遜、微軟和其他IT公司的大型數(shù)據(jù)中心聚集。這些數(shù)據(jù)中心需要耗費(fèi)大量電力，因此通常建在水電站附近，并利用河水來冷卻信息流所產(chǎn)生的大量熱量。2013年，美國(guó)的數(shù)據(jù)中心消耗了1000萬兆瓦的電量，相當(dāng)于34個(gè)大型電廠產(chǎn)生的電力。\h[8]但是目前對(duì)經(jīng)濟(jì)影響更大的是如何使用這些信息。從原始數(shù)據(jù)中提取出的信息被轉(zhuǎn)化為關(guān)于人和事的知識(shí)：我們做什么，我們想要什么，我們是誰。計(jì)算機(jī)驅(qū)動(dòng)的設(shè)備也在越來越多地利用這些知識(shí)與我們進(jìn)行口頭上的交流。與大腦之外、書本之中的被動(dòng)知識(shí)不同，儲(chǔ)存在云中的知識(shí)是一種外部智能，并且正在成為人們生活中積極、活躍的一部分。\h[9]自然語言翻譯：從語言到句子的飛躍如今，谷歌在超過100種服務(wù)中使用了深度學(xué)習(xí)，包括街景視圖（StreetView）、收件箱智能回復(fù)（InboxSmartReply）和語音搜索。幾年前，谷歌的工程師意識(shí)到他們需要將這些計(jì)算密集型應(yīng)用擴(kuò)展到云端。他們開始著手設(shè)計(jì)一種用于深度學(xué)習(xí)的專用芯片，并巧妙地設(shè)計(jì)了可以插入數(shù)據(jù)中心機(jī)架中的硬盤插槽的電路板。谷歌的張量處理單元（TPU）現(xiàn)在已配置在遍布全球的服務(wù)器上，讓深度學(xué)習(xí)應(yīng)用程序的性能得到了大幅改進(jìn)。深度學(xué)習(xí)快速改變格局的一個(gè)例子是它對(duì)語言翻譯的影響。語言翻譯是人工智能的一只圣杯，因?yàn)樗蕾囉诶斫饩渥拥哪芰?。谷歌最近推出了基于深度學(xué)習(xí)的最新版谷歌翻譯（GoogleTranslate），代表了自然語言翻譯質(zhì)量的重大飛躍。幾乎一夜之間，語言翻譯就從零散雜亂的拼湊短語，升級(jí)到了語意完整的句子（見圖1–3）。之前的計(jì)算機(jī)方法搜索的是可以被一并翻譯的詞匯組合，但深度學(xué)習(xí)會(huì)在整個(gè)句子中尋找詞匯之間的依賴關(guān)系。圖1-3手機(jī)上的谷歌翻譯應(yīng)用可以將日語文字和菜單即時(shí)譯成英文。這一功能對(duì)于在日本如何按照指示牌乘車尤為重要。得知谷歌翻譯獲得了巨大進(jìn)步的消息后，2016年11月18日，東京大學(xué)的暦本純一（JunRekimoto）測(cè)試了這個(gè)新系統(tǒng)。他把歐內(nèi)斯特·海明威的小說《乞力馬扎羅的雪》開頭的一段話翻譯成了日文，然后再把這段日文翻譯成英文，結(jié)果如下（猜猜哪個(gè)是海明威的原作）：1.Kilimanjaroisasnow-coveredmountain19,710feethigh,andissaidtobethehighestmountaininAfrica.ItswesternsummitiscalledtheMasai“NgajeNgai,”theHouseofGod.Closetothewesternsummitthereisthedriedandfrozencarcassofaleopard.Noonehasexplainedwhattheleopardwasseekingatthataltitude.\h[10]2.Kilimanjaroisamountainof19,710feetcoveredwithsnowandissaidtobethehighestmountaininAfrica.Thesummitofthewestiscalled“NgajeNgai”inMasai,thehouseofGod.Nearthetopofthewestthereisadryandfrozendeadbodyofleopard.Noonehaseverexplainedwhatleopardwantedatthataltitude.\h[11]\h[12]海明威的原作是第一段。下一步工作是訓(xùn)練更大規(guī)模的深度學(xué)習(xí)網(wǎng)絡(luò)，針對(duì)段落來提高句子間的連貫性。文字背后都有悠久的文化歷史。俄裔作家和英文小說家，《洛麗塔》一書的作者弗拉基米爾·納博科夫（VladimirNabokov）曾經(jīng)得出結(jié)論，在不同語言之間翻譯詩歌是不可能的。他將亞歷山大·普希金（AleksandrPushkin）的詩體小說《葉甫蓋尼·奧涅金》（EugeneOnegin）直譯成了英文，并對(duì)這些詩文的文化背景做了解釋性腳注，以此論證他的觀點(diǎn)。\h[13]或許谷歌翻譯終有一天能夠通過整合莎士比亞的所有詩歌來翻譯他的作品。\h[14]語音識(shí)別：實(shí)時(shí)跨文化交流不再遙遠(yuǎn)人工智能的另一只圣杯是語音識(shí)別。不久之前，計(jì)算機(jī)的獨(dú)立語音識(shí)別應(yīng)用領(lǐng)域還很有限，如機(jī)票預(yù)訂。而如今，限制已不復(fù)存在。2012年，一名來自多倫多大學(xué)的實(shí)習(xí)生在微軟研究院（MicrosoftResearch）的一個(gè)夏季研究項(xiàng)目中，讓微軟的語音識(shí)別系統(tǒng)性能得到了顯著的提升（圖1–4）。\h[15]2016年，微軟的一個(gè)團(tuán)隊(duì)宣布，他們開發(fā)的一個(gè)擁有120層的深度學(xué)習(xí)網(wǎng)絡(luò)已經(jīng)在多人語音識(shí)別基準(zhǔn)測(cè)試中達(dá)到了與人類相當(dāng)?shù)乃健h[16]圖1-4微軟首席研究官里克·拉希德（RickRashid）在2012年10月25日于中國(guó)天津舉行的一場(chǎng)活動(dòng)中，使用深度學(xué)習(xí)進(jìn)行了自動(dòng)語音識(shí)別的現(xiàn)場(chǎng)演示。在2000名中國(guó)觀眾面前，拉希德說的英文被自動(dòng)化系統(tǒng)識(shí)別，先在他的屏幕圖像下方顯示出英文字幕，隨后被翻譯成了中文。此次高難度展示被全球媒體爭(zhēng)相報(bào)道。圖片來源：微軟研究院。這一突破性成果將在之后的幾年逐漸影響我們的社會(huì)，計(jì)算機(jī)鍵盤會(huì)被自然語言接口取代。隨著數(shù)字助手，如亞馬遜的Alexa、蘋果的Siri以及微軟的Cortana先后進(jìn)入千家萬戶，這種取代已經(jīng)在發(fā)生了。就如隨著個(gè)人電腦的普及，打字機(jī)退出了歷史舞臺(tái)，有一天電腦鍵盤也將成為博物館的展品。當(dāng)語音識(shí)別和語言翻譯結(jié)合到一起時(shí)，實(shí)時(shí)的跨文化交流將有可能實(shí)現(xiàn)?！缎请H迷航》中那種萬能翻譯機(jī)將觸手可及。為什么計(jì)算機(jī)語音識(shí)別和語言翻譯達(dá)到人類的水平要花這么久的時(shí)間？難道計(jì)算機(jī)的各種認(rèn)知能力同時(shí)進(jìn)入瓶頸期僅僅是巧合嗎？其實(shí)所有這些突破都源于大數(shù)據(jù)的出現(xiàn)。AI醫(yī)療：醫(yī)學(xué)診斷將更加準(zhǔn)確深入皮膚隨著機(jī)器學(xué)習(xí)的成熟并被應(yīng)用于可獲取大數(shù)據(jù)的許多其他問題，服務(wù)行業(yè)和其相關(guān)職業(yè)也將發(fā)生轉(zhuǎn)變?；跀?shù)百萬患者病情記錄的醫(yī)學(xué)診斷將變得更加準(zhǔn)確。最近的一項(xiàng)研究將深度學(xué)習(xí)運(yùn)用到了囊括超過2000種不同疾病的13萬張皮膚病學(xué)圖像中，這個(gè)醫(yī)學(xué)數(shù)據(jù)庫是以前的10倍大（圖1–5）。\h[17]該研究的網(wǎng)絡(luò)被訓(xùn)練用于診斷“測(cè)試集”（testset，它從未見過的新圖像集）中的各種疾病。它在新圖像上的診斷表現(xiàn)與21位皮膚科專家的結(jié)論基本一致，甚至在某些情況下還要更準(zhǔn)確。在不久的將來，任何一個(gè)擁有智能手機(jī)的人都可以拍下疑似皮膚病變的照片，并立即進(jìn)行診斷——而現(xiàn)在要完成同樣的過程，我們需要先去看醫(yī)生，耐心等待病變被專家篩查出來，然后再支付一大筆賬單。這一進(jìn)步將大大擴(kuò)大皮膚病護(hù)理的范圍，提升護(hù)理質(zhì)量。如果個(gè)體可以很快得到專家診斷，他們會(huì)在皮膚病的早期階段，也就是更容易治療的時(shí)候就開始就醫(yī)。借助深度學(xué)習(xí)，所有的醫(yī)生都將更準(zhǔn)確地診斷罕見的皮膚病。\h[18]圖1-5藝術(shù)家繪制的高準(zhǔn)確度診斷皮膚病變的深度學(xué)習(xí)網(wǎng)絡(luò)圖，2017年2月2日《自然》雜志封面。深入癌癥如果專家在轉(zhuǎn)移性乳腺癌的淋巴結(jié)活檢切片圖像上判斷錯(cuò)誤，就有可能導(dǎo)致致命的后果。這是一種深度學(xué)習(xí)擅長(zhǎng)的模式識(shí)別問題。實(shí)際上，一個(gè)經(jīng)過大量結(jié)論清晰的切片數(shù)據(jù)訓(xùn)練出來的深度學(xué)習(xí)網(wǎng)絡(luò)能達(dá)到0.925的準(zhǔn)確度，還不錯(cuò)，但還不及人類專家在同一測(cè)試集上達(dá)到的0.966。\h[19]然而，把深度學(xué)習(xí)與人類專家的預(yù)測(cè)結(jié)合起來，準(zhǔn)確度達(dá)到了0.995，幾近完美。由于深度學(xué)習(xí)網(wǎng)絡(luò)和人類專家查看相同的數(shù)據(jù)的方式不同，二者相結(jié)合的效果比單獨(dú)預(yù)測(cè)要好。這樣一來，更多的生命得以被挽救。這表明在未來，人類與機(jī)器將是合作而非競(jìng)爭(zhēng)的關(guān)系。深入睡眠如果你有嚴(yán)重的睡眠問題（70%的人一生中都會(huì)遇到這個(gè)問題），你要等待幾個(gè)月才能見到你的醫(yī)生（除非問題十分緊急），然后你會(huì)被轉(zhuǎn)到一個(gè)睡眠診所。在那里，你需要在身上接幾十個(gè)能在你入睡時(shí)記錄你的腦電圖（EEG）和肌肉活動(dòng)的電極，接受徹夜觀察。每個(gè)晚上，你會(huì)先進(jìn)入慢波睡眠，然后定期進(jìn)入快速眼動(dòng)（REM）睡眠，在此期間，你會(huì)做夢(mèng)，但是失眠、睡眠呼吸暫停綜合征、不寧腿綜合征以及許多其他睡眠障礙會(huì)干擾這種睡眠模式。如果你在家里就很難入睡，那么在一張陌生的床上，全身接滿了讓人不安的醫(yī)療設(shè)備進(jìn)入睡眠狀態(tài)，絕對(duì)算得上真正的挑戰(zhàn)。睡眠專家會(huì)查看你的腦電圖記錄，以30秒為單位標(biāo)記睡眠階段，一段8小時(shí)的睡眠要花幾個(gè)小時(shí)才能標(biāo)記完。而最終你會(huì)得到一份有關(guān)睡眠模式異常情況的報(bào)告，以及一份2000美元的賬單。依據(jù)1968年由安東尼·雷希特施芬（AnthonyRechtshaffen）和艾倫·卡萊斯（AlanKales）設(shè)計(jì)的系統(tǒng)，睡眠專家將接受尋找表征不同睡眠階段特征跡象的培訓(xùn)。\h[20]但是由于這些特征常常不明確，也不一致，只有75%的情況下專家們能在數(shù)據(jù)解讀上達(dá)成一致。相比之下，我實(shí)驗(yàn)室之前的一名研究生菲利普·洛（PhilipLow）使用無監(jiān)督機(jī)器學(xué)習(xí)，花了不到一分鐘的計(jì)算機(jī)運(yùn)算時(shí)間，以3秒的時(shí)間分辨率自動(dòng)檢測(cè)睡眠階段，和87%的人類專家達(dá)成了一致的結(jié)論。此外，這種方式只需要在頭部的單個(gè)位置做記錄，用不到那些觸點(diǎn)和接線，也節(jié)省了大量佩戴和摘除的時(shí)間。2007年，我們創(chuàng)立了一家公司Neurovigil，想將這項(xiàng)技術(shù)引入睡眠診所，但診所對(duì)此沒有表現(xiàn)出多大興趣，因?yàn)榭咳肆?biāo)注能產(chǎn)生更多的現(xiàn)金流。實(shí)際上，依據(jù)保險(xiǎn)號(hào)向患者開具賬單，會(huì)讓診所沒有動(dòng)機(jī)采用更廉價(jià)的程序。Neurovigil在大型制藥公司發(fā)現(xiàn)了另一個(gè)市場(chǎng)，這些公司在開展臨床試驗(yàn)，需要測(cè)試他們的藥物對(duì)睡眠模式的影響。這項(xiàng)技術(shù)目前正在進(jìn)入長(zhǎng)期護(hù)理設(shè)施市場(chǎng)，幫助解決在老年人中更普遍的進(jìn)行性睡眠問題。睡眠診所模式是存在缺陷的，因?yàn)樵谶@樣的限制條件下不能可靠地診斷出健康問題：每個(gè)人的生理基數(shù)都不同，而偏離這個(gè)基數(shù)的信息最重要。Neurovigil已經(jīng)有了一個(gè)小型設(shè)備iBrain，它可以在家里記錄你的腦電圖信息，將數(shù)據(jù)傳到網(wǎng)上并分析數(shù)據(jù)的長(zhǎng)期趨勢(shì)和異常情況。這可以幫助醫(yī)生及早發(fā)現(xiàn)健康問題，在惡化前及時(shí)干預(yù)并阻止慢性疾病的發(fā)展。其他很多疾病的治療也將受益于持續(xù)監(jiān)測(cè)，如1型糖尿病，血糖水平可以被監(jiān)測(cè)并通過胰島素進(jìn)行調(diào)節(jié)。使用能夠連續(xù)記錄數(shù)據(jù)的廉價(jià)傳感器正在對(duì)其他慢性疾病的診斷和治療產(chǎn)生重大影響。從Neurovigil的發(fā)展過程中可以看出：第一，即便擁有更好更廉價(jià)的技術(shù)，也不代表能輕易地將其轉(zhuǎn)化為有市場(chǎng)價(jià)值，甚至更優(yōu)質(zhì)的新產(chǎn)品或服務(wù)；第二，當(dāng)現(xiàn)有產(chǎn)品在市場(chǎng)中的地位根深蒂固，就會(huì)進(jìn)一步開發(fā)出深入應(yīng)用的二級(jí)市場(chǎng)，可以讓新技術(shù)產(chǎn)生更直接的影響，并爭(zhēng)取時(shí)間來改進(jìn)，提升競(jìng)爭(zhēng)力。太陽能和許多其他新興產(chǎn)業(yè)的技術(shù)就是這樣進(jìn)入市場(chǎng)的。從長(zhǎng)遠(yuǎn)來看，已被證實(shí)具有優(yōu)勢(shì)的睡眠監(jiān)測(cè)和新技術(shù)將會(huì)覆蓋到家中的患者，并最終融入醫(yī)療實(shí)踐。金融科技：利用數(shù)據(jù)和算法獲取最佳回報(bào)紐約證券交易所超過75%的交易都是自動(dòng)完成的（圖1–6），高頻交易能在幾分之一秒內(nèi)進(jìn)出倉位。（如果你不用為每筆交易支付費(fèi)用，那么即使是很小的優(yōu)勢(shì)也能帶來巨額利潤(rùn)。）更長(zhǎng)時(shí)間范圍內(nèi)的算法交易會(huì)考慮到基于大數(shù)據(jù)的長(zhǎng)期趨勢(shì)。深度學(xué)習(xí)在賺錢和提高利潤(rùn)方面做得越來越好。\h[21]預(yù)測(cè)金融市場(chǎng)，問題在于數(shù)據(jù)嘈雜，條件不穩(wěn)定——一場(chǎng)選舉或國(guó)際沖突可能會(huì)導(dǎo)致投資者心態(tài)在一夜之間發(fā)生變化。這意味著用來預(yù)測(cè)今天股票價(jià)值的算法可能到明天就不準(zhǔn)了。在實(shí)踐中，被用來賺錢的算法有數(shù)百種，表現(xiàn)突出的則被不斷整合以實(shí)現(xiàn)最優(yōu)回報(bào)。圖1-6延遲vs頭寸持有時(shí)間。在線機(jī)器學(xué)習(xí)正在推動(dòng)算法交易，它比傳統(tǒng)的長(zhǎng)期投資策略更快速，比股票市場(chǎng)中的高頻交易更加慎重。許多不同類型的機(jī)器學(xué)習(xí)算法被組合運(yùn)用以獲得最佳回報(bào)。早在20世紀(jì)80年代，我還在為摩根士丹利的股票交易神經(jīng)網(wǎng)絡(luò)模型提供咨詢時(shí)，遇到了專門設(shè)計(jì)并行計(jì)算機(jī)的計(jì)算機(jī)科學(xué)家大衛(wèi)·肖（DavidShaw）。哥倫比亞大學(xué)學(xué)術(shù)休假期間，肖曾在自動(dòng)化交易早期擔(dān)任量化分析師，隨后他在華爾街創(chuàng)立了自己的投資管理公司德劭集團(tuán)（TheD.E.ShawGroup），現(xiàn)在他已經(jīng)是億萬富翁了。德劭集團(tuán)非常成功，但仍然遜于另一家對(duì)沖基金文藝復(fù)興科技公司（RenaissanceTechnologies）。這家基金是由杰出的數(shù)學(xué)家、紐約州立大學(xué)石溪分校數(shù)學(xué)系前主任詹姆斯·西蒙斯（JamesSimons）創(chuàng)立的。僅2016年，西蒙斯就掙了16億美元，這還算不上他最好的一年。\h[22]文藝復(fù)興科技被稱為“世界上最好的物理和數(shù)學(xué)系，”\h[23]“它不會(huì)雇用帶有哪怕一點(diǎn)點(diǎn)華爾街正統(tǒng)味道的人”。\h[24]不再參與德劭的日常運(yùn)營(yíng)后，大衛(wèi)·肖現(xiàn)在專注于德劭研究所（D.E.ShawResearch）的業(yè)務(wù)，該研究所搭建了一臺(tái)名為“Anton”的專用并行計(jì)算機(jī)，比全球其他計(jì)算機(jī)執(zhí)行蛋白質(zhì)折疊的速度都快得多。\h[25]西蒙斯退休后不再掌管文藝復(fù)興科技，而是建立了資助自閉癥及其他物理和生物科學(xué)項(xiàng)目研究的基金會(huì)。通過加州大學(xué)伯克利分校的西蒙斯計(jì)算理論研究所（theSimonsInstitutefortheTheoryofComputingatUCBerkeley）、麻省理工學(xué)院的西蒙斯社會(huì)大腦中心（theSimonsCenterfortheSocialBrainatMIT）和紐約熨斗研究院（theFlatironInstitute），西蒙斯的慈善事業(yè)對(duì)推進(jìn)數(shù)據(jù)分析、建模和仿真的計(jì)算方法產(chǎn)生了重大影響。\h[26]更廣泛的金融服務(wù)正在金融科技（fintech）的大背景下發(fā)生大規(guī)模轉(zhuǎn)型。諸如區(qū)塊鏈這樣的信息技術(shù)——一種安全的互聯(lián)網(wǎng)記賬方式，取代了金融交易的中間商——正在接受小規(guī)模的測(cè)試，但它很快就會(huì)擾亂價(jià)值數(shù)萬億美元的金融市場(chǎng)。機(jī)器學(xué)習(xí)正在被用于改進(jìn)貸款信用評(píng)估，準(zhǔn)確地提供業(yè)務(wù)和財(cái)務(wù)信息，在社交媒體上獲取預(yù)測(cè)市場(chǎng)趨勢(shì)的信號(hào)，并為金融交易提供生物識(shí)別安全服務(wù)。誰擁有最多的數(shù)據(jù)，誰就是贏家，而世界上充斥著財(cái)務(wù)數(shù)據(jù)。深度法律：效率的提高與費(fèi)用的降低深度學(xué)習(xí)剛剛開始影響法律界。律師事務(wù)所每小時(shí)收費(fèi)數(shù)百美元的法務(wù)助理的大部分日常工作都將實(shí)現(xiàn)自動(dòng)化，特別是在高檔寫字樓辦公的規(guī)?；聞?wù)所里。具體點(diǎn)說，技術(shù)輔助審核或調(diào)查將被人工智能接管，它可以瀏覽數(shù)千份文件以獲取合法證據(jù)，且絲毫不會(huì)感到厭倦。自動(dòng)化深度學(xué)習(xí)系統(tǒng)也將幫助律師事務(wù)所遵守日益復(fù)雜的政府規(guī)定。這些系統(tǒng)將為現(xiàn)在無法負(fù)擔(dān)律師費(fèi)用的普通人提供法律建議。法律工作不僅收費(fèi)會(huì)更便宜，也會(huì)更高效，這一點(diǎn)通常比費(fèi)用更重要。法律世界正在走向“深度法律”。\h[27]德州撲克：當(dāng)機(jī)器智能學(xué)會(huì)了虛張聲勢(shì)一對(duì)一無限注德州撲克是最受歡迎的撲克玩法之一，常見于賭場(chǎng)，無限注投注方式則通常出現(xiàn)在世界撲克系列賽（WorldSeriesofPoker）的主賽事中。撲克很有挑戰(zhàn)性，因?yàn)榕c國(guó)際象棋玩家可以獲得相同的信息不同，撲克玩家的信息不完整，而且在最高級(jí)別的比賽中，詐唬、欺騙的技巧和拿到的牌一樣重要。數(shù)學(xué)家約翰·馮·諾依曼（JohnvonNeumann）創(chuàng)立了數(shù)學(xué)博弈理論，也是數(shù)字計(jì)算機(jī)之父，他就對(duì)撲克特別著迷。他說過：“現(xiàn)實(shí)生活包括虛張聲勢(shì)，一點(diǎn)欺騙手段，以及自問另一個(gè)人會(huì)怎么評(píng)判我做事的意圖。這就是我理論中博弈的內(nèi)涵?！盶h[28]撲克是一種博弈，反映了經(jīng)過進(jìn)化精煉過的人類智能的一部分。一個(gè)名為“DeepStack”的深度學(xué)習(xí)網(wǎng)絡(luò)和33名職業(yè)撲克選手進(jìn)行了44852場(chǎng)比賽。令撲克專家震驚的是，它以相當(dāng)大的優(yōu)勢(shì)，一個(gè)標(biāo)準(zhǔn)差，擊敗了最出色的撲克玩家，同時(shí)以四個(gè)標(biāo)準(zhǔn)差在整體上擊敗了全部33名玩家——多么巨大的差距（見圖1–7）。\h[29]如果這一成就能復(fù)制到其他基于不完全信息、需要人來做判斷的重要領(lǐng)域，比如政治學(xué)和國(guó)際關(guān)系，其影響可能是極其深遠(yuǎn)的。\h[30]圖1-7一對(duì)一無限注德州撲克。強(qiáng)勢(shì)手牌。DeepStack已經(jīng)掌握了如何在高籌碼撲克中虛張聲勢(shì)，以大比分優(yōu)勢(shì)擊敗職業(yè)撲克玩家。AlphaGo奇跡：神經(jīng)科學(xué)與人工智能的協(xié)同2016年3月，韓國(guó)圍棋界18次世界冠軍獲得者李世石（LeeSedol）與DeepMind公司的AlphaGo（圖1–8）——一個(gè)使用深度學(xué)習(xí)網(wǎng)絡(luò)評(píng)估盤面形勢(shì)和可能的走法的圍棋程序——進(jìn)行了5場(chǎng)比賽。\h[31]圍棋相對(duì)國(guó)際象棋的難度，相當(dāng)于國(guó)際象棋對(duì)跳棋的難度。如果國(guó)際象棋是一場(chǎng)戰(zhàn)役，那么圍棋就是一場(chǎng)戰(zhàn)爭(zhēng)。一塊19×19圍棋棋盤比一塊8×8象棋棋盤大得多，這使得在棋盤的不同部分可能同時(shí)發(fā)生多場(chǎng)戰(zhàn)役。不同戰(zhàn)役之間存在長(zhǎng)期的相互作用，即使是專家也難以判斷。圍棋的合法棋局總數(shù)是10170，遠(yuǎn)遠(yuǎn)超過宇宙中的原子數(shù)量。圖1-8韓國(guó)圍棋冠軍李世石對(duì)戰(zhàn)AlphaGo的5場(chǎng)比賽里，某一場(chǎng)戰(zhàn)局中的棋盤。AlphaGo是一個(gè)通過與自己下圍棋來學(xué)習(xí)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。除了幾個(gè)評(píng)估盤局并選擇最佳著數(shù)的深度學(xué)習(xí)網(wǎng)絡(luò)，AlphaGo還有一個(gè)完全不同的學(xué)習(xí)系統(tǒng)，用于解決時(shí)間信用分配問題：在眾多步棋中，哪一步對(duì)贏得勝利有所貢獻(xiàn)，哪一步對(duì)失敗承擔(dān)責(zé)任？大腦的基底神經(jīng)節(jié)接收來自整個(gè)大腦皮層的投射，并投射回去，利用時(shí)間差分算法和強(qiáng)化學(xué)習(xí)來解決這個(gè)問題。AlphaGo使用由基底神經(jīng)節(jié)進(jìn)化出來的相同的學(xué)習(xí)算法，以評(píng)估最大化未來獎(jiǎng)勵(lì)的行動(dòng)順序（這一過程將在第10章中做出解釋）。AlphaGo通過反復(fù)和自己下棋來學(xué)習(xí)這一技能。AlphaGo和李世石對(duì)決的圍棋比賽在亞洲得到了極高的關(guān)注。在亞洲，圍棋冠軍是全國(guó)性的公眾人物，有著搖滾明星一樣的待遇。AlphaGo早些時(shí)候擊敗了歐洲的圍棋冠軍，但是那場(chǎng)比賽的水平遠(yuǎn)低于亞洲的最高水平，因此李世石并沒有做好打一場(chǎng)硬仗的心理準(zhǔn)備。即使是開發(fā)AlphaGo的公司DeepMind，也并不清楚他們的深度學(xué)習(xí)程序到底有多強(qiáng)大。自上一場(chǎng)比賽以來，AlphaGo已經(jīng)與好幾個(gè)版本的自己下了數(shù)百萬局的棋，然而并沒有任何標(biāo)準(zhǔn)來判斷它的水平到底達(dá)到了何種高度。AlphaGo贏得了5場(chǎng)比賽的前3場(chǎng)后，許多人都感到十分震驚，因?yàn)樗宫F(xiàn)出了讓人意想不到的高水準(zhǔn)。這項(xiàng)比賽在韓國(guó)有很高的關(guān)注度，所有的主流電視臺(tái)都對(duì)比賽進(jìn)行了實(shí)況報(bào)道。AlphaGo有一些著數(shù)是革命性的。在第二場(chǎng)比賽的第三十八步，AlphaGo下出了精彩的一著，讓李世石感到十分驚訝，他花了將近10分鐘的時(shí)間才決定下一步要怎么走。AlphaGo輸?shù)袅说谒膱?chǎng)比賽，這是人類挽回顏面的一場(chǎng)勝利，最終它的戰(zhàn)績(jī)是4勝1負(fù)（圖1–9）。\h[32]3月的夜晚，我在圣迭戈的凌晨興致勃勃地觀看了這場(chǎng)較量。這讓我回想起1966年6月2日凌晨1點(diǎn)，我在克利夫蘭市，坐在電視機(jī)旁關(guān)注著“勘測(cè)者1號(hào)”探測(cè)器降落在月球上，并傳回了第一張?jiān)虑蛘掌h[33]我親眼見證了這些歷史時(shí)刻。AlphaGo的表現(xiàn)遠(yuǎn)遠(yuǎn)超出了我和其他許多人的期待。圖1-9在2016年3月的圍棋挑戰(zhàn)賽中輸給了AlphaGo之后的李世石。2017年1月4日，一個(gè)名為“Master”的選手在一個(gè)網(wǎng)絡(luò)圍棋服務(wù)器上主動(dòng)現(xiàn)身，其真正身份是AlphaGo2.0。在此之前，它在與世界頂尖棋手的比賽中取得了60場(chǎng)全勝的戰(zhàn)績(jī)，被擊敗的棋手中包括當(dāng)時(shí)世界排名第一的高手，19歲天才棋手柯潔。AlphaGo顯露出了一種能與同時(shí)代的佼佼者抗衡的全新風(fēng)格。2017年5月27日，在中國(guó)烏鎮(zhèn)舉辦的圍棋峰會(huì)上，柯潔以3場(chǎng)皆負(fù)的結(jié)果輸給了AlphaGo（見圖1–10）。這是有史以來最精彩的幾場(chǎng)圍棋比賽，數(shù)億中國(guó)人都觀看了該賽事?！叭ツ?，我還覺得AlphaGo的表現(xiàn)與人類非常接近，但今天我認(rèn)為它是‘圍棋之神’?！笨聺嵾@樣總結(jié)道。\h[34]在第一場(chǎng)比賽中，他以一目半的微弱差距輸?shù)袅吮荣悺？聺嵳f他“在比賽中途已經(jīng)感覺快要贏了”。他非常興奮：“我能感覺到自己的心臟在怦怦直跳！可能因?yàn)槲姨d奮，有幾步棋走錯(cuò)了。也許這就是人類棋手最薄弱的部分吧。”\h[35]柯潔經(jīng)歷了一種情緒上的超負(fù)荷，但要達(dá)到最佳狀態(tài)，更需要相對(duì)沉穩(wěn)的情緒。事實(shí)上，舞臺(tái)演員們都知道，如果他們演出前沒有胃里翻江倒海的緊張感，就無法呈現(xiàn)出最精彩的演出。他們的表演遵循一種倒U形曲線，即最佳狀態(tài)處于較低和較高的興奮點(diǎn)之間。運(yùn)動(dòng)員把這叫作“在狀態(tài)”。圖1-102017年在中國(guó)，DeepMind的聯(lián)合創(chuàng)始人兼CEO德米斯·哈薩比斯（DemisHassabis，左）和柯潔在歷史性的圍棋比賽結(jié)束后會(huì)面，共同展示帶有柯潔簽名的棋盤。圖片來源：德米斯·哈薩比斯。2017年5月26日，AlphaGo還擊敗了由5名頂尖棋手組成的隊(duì)伍。這些棋手都分析過AlphaGo的招數(shù)，并已經(jīng)在相應(yīng)地改變自己的策略。這場(chǎng)比賽由中國(guó)政府主辦，可以說是一個(gè)新版的“乒乓外交”。\h[36]中國(guó)正在機(jī)器學(xué)習(xí)方面投入大量資金，其大腦研究計(jì)劃的一個(gè)主要目標(biāo)是挖掘大腦潛能來創(chuàng)造新的算法。\h[37]該圍棋事件后續(xù)的發(fā)展可能會(huì)更令人驚嘆。在開始跟自己下棋之前，AlphaGo是通過觀察學(xué)習(xí)16萬次人類圍棋比賽起步的。有人認(rèn)為這是作弊——一個(gè)自主的AI程序應(yīng)該能夠在沒有積累任何人類知識(shí)的條件下學(xué)習(xí)下圍棋。2017年10月，一款名為AlphaGoZero的新版本AI程序面世了。它從游戲規(guī)則開始一步步學(xué)習(xí)下圍棋，擊敗了曾戰(zhàn)勝柯潔的版本AlphaGoMaster，戰(zhàn)績(jī)?yōu)?00∶0。\h[38]此外，AlphaGoZero的學(xué)習(xí)速度比AlphaGoMaster快100倍，而計(jì)算能力差不多只有后者的1/10。完全忽略人類的知識(shí)，AlphaGoZero變成了無敵超人。隨著機(jī)器學(xué)習(xí)算法的不斷進(jìn)步，AlphaGo還會(huì)變得多么優(yōu)秀，并沒有已知的上限。AlphaGoZero雖然沒有和人下棋，但仍然有許多圍棋知識(shí)被人為添加到程序中強(qiáng)化棋藝的特征。如果沒有任何圍棋知識(shí)，AlphaGoZero也許仍有進(jìn)一步改進(jìn)的空間。就像零度可樂將可口可樂里所有的熱量分離出來一樣，圍棋的所有知識(shí)都被從AlphaZero中剝離出來。結(jié)果，AlphaZero能夠更快、更果斷地打敗AlphaGoZero。\h[39]為了進(jìn)一步說明“少就是多”，AlphaZero在沒有改變?nèi)魏我粋€(gè)學(xué)習(xí)參數(shù)的情況下，學(xué)會(huì)了如何以超人的水準(zhǔn)下國(guó)際象棋，還創(chuàng)造了人類從未使用過的著數(shù)。在與Stockfish這個(gè)已經(jīng)是超人級(jí)別的頂級(jí)國(guó)際象棋程序的對(duì)決中，AlphaZero還沒有輸過。在一場(chǎng)比賽中，AlphaZero大膽地犧牲了一個(gè)象——這種做法通常用來獲得位置上的優(yōu)勢(shì)，隨后又犧牲了王后，這一步看起來像是個(gè)大昏著兒，直到很多步以后，AlphaZero冷不防將了一軍，無論是Stockfish還是人類棋手都沒能預(yù)見到這樣的結(jié)果。外星人已經(jīng)著陸，地球從此要改頭換面了。AlphaGo的開發(fā)者DeepMind于2010年由神經(jīng)學(xué)家德米斯·哈薩比斯參與創(chuàng)立，他曾在倫敦大學(xué)學(xué)院的蓋茨比計(jì)算神經(jīng)科學(xué)部門（UniversityCollegeLondon’sGatsbyComputationalNeuroscienceUnit）擔(dān)任博士后研究員。該部門由彼得·達(dá)揚(yáng)（PeterDayan）領(lǐng)導(dǎo)，達(dá)揚(yáng)曾是我實(shí)驗(yàn)室的博士后研究員，2017年和雷蒙德·多蘭（RaymondDolan）以及沃爾夫拉姆·舒爾茨（WolframSchultz）共同獲得了享有盛譽(yù)的“大腦獎(jiǎng)”（BrainPrize），以表彰他們?cè)讵?jiǎng)勵(lì)學(xué)習(xí)方面的研究。谷歌在2014年以6億美元的價(jià)格收購了DeepMind。該公司雇用了400多名工程師和神經(jīng)科學(xué)家，擁有學(xué)術(shù)界和創(chuàng)業(yè)公司混合的雙重文化。神經(jīng)科學(xué)與人工智能之間的協(xié)同作用日漸深入，而且還在加速。弗林效應(yīng)：深度學(xué)習(xí)讓人類更加智能AlphaGo有智力嗎？除了“意識(shí)”這個(gè)主題，關(guān)于智力的文章比心理學(xué)中任何其他主題都要多得多，這兩個(gè)概念都很難界定。自20世紀(jì)30年代以來，心理學(xué)家就對(duì)流體智力和晶體智力進(jìn)行了區(qū)分——流體智力能夠?qū)⑿聴l件中的推理和模式識(shí)別用于解決新問題，而不依賴于以前的知識(shí)；晶體智力則依賴于先前的知識(shí)，也是標(biāo)準(zhǔn)智商測(cè)試（即IQ測(cè)試）的對(duì)象。流體智力遵循一種拋物線式發(fā)展軌跡，在成年早期達(dá)到高峰，并隨著年齡的增長(zhǎng)逐漸下降；而晶體智力會(huì)隨年齡的增長(zhǎng)，緩慢漸進(jìn)式地提高，直至暮年。AlphaGo只在一個(gè)相當(dāng)狹窄的領(lǐng)域同時(shí)展現(xiàn)出了晶體智力和流體智力，但在這個(gè)領(lǐng)域，它表現(xiàn)出了令人驚訝的創(chuàng)造力。專業(yè)知識(shí)的獲取也是基于在狹窄領(lǐng)域的學(xué)習(xí)。我們都是語言領(lǐng)域的專家，每天都在使用語言。AlphaGo使用的強(qiáng)化學(xué)習(xí)算法可以被用來解決許多問題。這種形式的學(xué)習(xí)只取決于在一系列動(dòng)作結(jié)束時(shí)給予獲勝者的獎(jiǎng)勵(lì)，這似乎和提前做出更好的決策相矛盾。結(jié)合了許多強(qiáng)大的深度學(xué)習(xí)網(wǎng)絡(luò)，就會(huì)生成許多領(lǐng)域相關(guān)的智能。而且事實(shí)上，已經(jīng)出現(xiàn)了與領(lǐng)域相關(guān)的不同類型智能，例如社會(huì)、情感、機(jī)械和建筑等的案例。\h[40]智力測(cè)試測(cè)量的一般因素（generalfactor，簡(jiǎn)稱g因素）與這些不同類型相關(guān)。我們有理由認(rèn)真審視IQ測(cè)試。自20世紀(jì)30年代首次測(cè)試智力以來，全人類平均的IQ分?jǐn)?shù)每10年會(huì)上升三個(gè)點(diǎn)，這一趨勢(shì)被稱為“弗林效應(yīng)”（Flynneffect）。對(duì)于弗林效應(yīng)有許多可能的解釋，比如更充足的營(yíng)養(yǎng)、更完善的醫(yī)療體系，以及其他環(huán)境因素。\h[41]這很有道理，因?yàn)榄h(huán)境會(huì)影響基因調(diào)控，從而影響大腦內(nèi)在的連接，行為也會(huì)隨之發(fā)生變化。\h[42]隨著人類越來越多地生活在人造環(huán)境中，大腦正在以某種超越自然進(jìn)化軌道的方式被塑造。在更長(zhǎng)的時(shí)間內(nèi)，人類是否能一直都在變得更聰明？智商增長(zhǎng)會(huì)持續(xù)多久？用電腦玩國(guó)際象棋、西洋雙陸棋和圍棋的人數(shù)自計(jì)算機(jī)程序達(dá)到冠軍級(jí)別后一直在穩(wěn)步增加，而機(jī)器也強(qiáng)化了人類玩家的智能。\h[43]深度學(xué)習(xí)提升的將不僅僅是科學(xué)研究人員的智能，還包括所有行業(yè)從業(yè)人員的智能?？茖W(xué)儀器正以驚人的速度產(chǎn)生數(shù)據(jù)。位于日內(nèi)瓦的大型強(qiáng)子對(duì)撞機(jī)（LHC）中發(fā)生的基本粒子碰撞每年產(chǎn)生25PB（1PB=1000TB）的數(shù)據(jù)。大型綜合巡天望遠(yuǎn)鏡（LSST）每年將產(chǎn)生6PB的數(shù)據(jù)。機(jī)器學(xué)習(xí)正被用于分析龐大的物理和天文數(shù)據(jù)集，其規(guī)模之浩大讓人類根本無法通過傳統(tǒng)方法進(jìn)行搜索。\h[44]例如，DeepLensing是一種神經(jīng)網(wǎng)絡(luò)，可以識(shí)別遙遠(yuǎn)星系的圖像。這些圖像由于光在傳播中因圍繞周邊星系的“引力透鏡”造成的光路偏折而被扭曲了。這一技術(shù)可以自動(dòng)發(fā)現(xiàn)許多遙遠(yuǎn)的新星系。物理學(xué)和天文學(xué)中還有許多其他類似“大海撈針”的問題，而深度學(xué)習(xí)能夠讓傳統(tǒng)的數(shù)據(jù)分析方法如虎添翼。新教育體系：每個(gè)人都需要終身學(xué)習(xí)銀行在20世紀(jì)60年代后期推出了面向銀行賬戶持有人的全天候現(xiàn)金提取服務(wù)，這對(duì)于那些在銀行正常營(yíng)業(yè)時(shí)間之外需要現(xiàn)金的人來說非常方便，自動(dòng)提款機(jī)（ATM）從此獲得了閱讀手寫支票的能力。盡管它們的存在減少了銀行柜員的日常工作量，但有越來越多的柜員為客戶提供按揭和投資建議等個(gè)性化服務(wù)，同時(shí)也出現(xiàn)了維修ATM的新工種。\h[45]就如一方面，蒸汽機(jī)代替了體力勞動(dòng)者，但另一方面，這為能夠建造和維護(hù)蒸汽機(jī)及驅(qū)動(dòng)蒸汽機(jī)車的熟練工人提供了新的就業(yè)機(jī)會(huì)。亞馬遜的在線營(yíng)銷也將許多員工從當(dāng)?shù)貙?shí)體零售店中遷移出來，但同時(shí)也為分配和運(yùn)輸其商品，以及許多使用其平臺(tái)的企業(yè)創(chuàng)造了38萬個(gè)新的工作機(jī)會(huì)。\h[46]由于現(xiàn)在需要人類認(rèn)知技能的工作被自動(dòng)化人工智能系統(tǒng)所接管，那些能夠創(chuàng)建和維護(hù)這些系統(tǒng)的人將會(huì)獲得新的工作。工作變動(dòng)不是什么新鮮事。19世紀(jì)，農(nóng)場(chǎng)勞工被機(jī)器取代，機(jī)器也在城市工廠創(chuàng)造了新的工作機(jī)會(huì)，所有這些都需要一個(gè)教育系統(tǒng)來培訓(xùn)工人新的技能。不同之處在于，今天，由人工智能開辟的新職位除了需要傳統(tǒng)的認(rèn)知技能之外，還需要新的、不同的、不斷變化的技能。\h[47]所以我們都需要終身學(xué)習(xí)。要做到這一點(diǎn)，我們需要一個(gè)以家庭，而不是以學(xué)校為基礎(chǔ)的新教育體系。幸運(yùn)的是，就像尋找新工作的需求變得迫在眉睫一樣，互聯(lián)網(wǎng)上免費(fèi)的大規(guī)模開放式在線課程慕課（MOOCs）也應(yīng)運(yùn)而生，來幫助人們獲取新的知識(shí)和技能。雖然仍處于初級(jí)階段，但慕課的在線教育生態(tài)系統(tǒng)正在迅速發(fā)展，并在為更廣泛的人群提供前所未有的優(yōu)質(zhì)教學(xué)。與下一代數(shù)字輔助系統(tǒng)相結(jié)合，慕課則可能會(huì)帶來變革。芭芭拉·奧克利（BarbaraOakley）和我開設(shè)了一門名為“學(xué)會(huì)如何學(xué)習(xí)”（LearningHowtoLearn）的慕課——該熱門課程會(huì)教你如何成為更好的學(xué)習(xí)者（見圖1–11）——以及一門名為“思維轉(zhuǎn)換”（Mindshift）的慕課，教你如何改造自己并改變你的生活方式（這兩門課將在第12章中詳細(xì)介紹）。圖1-11“學(xué)會(huì)如何學(xué)習(xí)”教你如何成為更好的學(xué)習(xí)者，它是互聯(lián)網(wǎng)上最受歡迎的慕課，擁有超過300萬學(xué)習(xí)者。進(jìn)行網(wǎng)上操作時(shí)，其實(shí)正在生成機(jī)器可讀的關(guān)于你自己的大數(shù)據(jù)。根據(jù)你在互聯(lián)網(wǎng)上行為的蛛絲馬跡，你正在被自動(dòng)生成的相關(guān)廣告定位。你在Facebook（臉譜網(wǎng)）和其他社交媒體網(wǎng)站上發(fā)布的信息可被用于創(chuàng)建數(shù)字助理，它幾乎比世界上任何其他人都更了解你，并且不會(huì)遺漏任何內(nèi)容，實(shí)際上就相當(dāng)于你的虛擬分身。通過將互聯(lián)網(wǎng)跟蹤和深度學(xué)習(xí)都納入服務(wù)，現(xiàn)在這些孩子的后代擁有的教育機(jī)會(huì)將比今天富裕家庭擁有的最優(yōu)質(zhì)的教育機(jī)會(huì)還要好。這些孫輩將擁有自己的數(shù)字導(dǎo)師，導(dǎo)師將在整個(gè)教育過程中陪伴他們。教育不僅會(huì)變得更加個(gè)性化，也會(huì)變得更加精準(zhǔn)。世界各地已經(jīng)開展了各種各樣的教育實(shí)驗(yàn)，例如可汗學(xué)院，由蓋茨基金會(huì)、陳–扎克伯格基金會(huì)和其他慈善基金會(huì)資助。這些實(shí)驗(yàn)機(jī)構(gòu)正在測(cè)試軟件，以便讓所有的孩子都可以根據(jù)自己的節(jié)奏進(jìn)步，并適應(yīng)每個(gè)兒童的特定需求。\h[48]數(shù)字導(dǎo)師的普及將使教師從教學(xué)中的重復(fù)勞動(dòng)，如評(píng)分中解脫出來，專注于人類最擅長(zhǎng)的事情——對(duì)學(xué)習(xí)困難的學(xué)生提供精神支持，并給予有天賦的學(xué)生靈感啟發(fā)。教育技術(shù)（Edtech）正在快速發(fā)展，與自動(dòng)駕駛汽車相比，傳統(tǒng)教育向精準(zhǔn)教育過渡的速度可能相當(dāng)快，因?yàn)樗仨毧朔恼系K要小得多，需求卻要大得多，而且美國(guó)的教育是一個(gè)萬億美元的市場(chǎng)。\h[49]一個(gè)主要的問題就是，誰能夠訪問數(shù)字助理和數(shù)字導(dǎo)師的內(nèi)部文件。正面影響：新興技術(shù)不是生存威脅AlphaGo在2016年毫無爭(zhēng)議地?fù)魯×死钍朗@激化了過去若干年引發(fā)的人工智能可能給人類帶來威脅的擔(dān)憂。計(jì)算機(jī)科學(xué)家簽署了不會(huì)將AI用于軍事目的的承諾協(xié)議。斯蒂芬·霍金（StephenHawking）和比爾·蓋茨（BillGates）公開發(fā)表聲明，警告人工智能可能對(duì)人類造成的生存威脅。伊隆·馬斯克（ElonMusk）和其他硅谷企業(yè)家成立了一家新公司OpenAI，擁有10億美元儲(chǔ)備金，并聘請(qǐng)了杰弗里·辛頓之前的一名學(xué)生伊利婭·蘇特斯科娃（IlyaSutskever）擔(dān)任第一任總監(jiān)。雖然OpenAI的既定目標(biāo)是確保未來人工智能的發(fā)現(xiàn)將公開供所有人使用，但它還有另一個(gè)隱含的更重要的目標(biāo)：防止私人公司作惡。AlphaGo戰(zhàn)勝了圍棋世界冠軍李世石，一個(gè)臨界點(diǎn)也隨之到來。幾乎在一夜之間，人工智能從一項(xiàng)失敗的技術(shù)，轉(zhuǎn)變成了可感知的生存威脅。一種新興技術(shù)被看作生存威脅，這已經(jīng)不是第一次了。核武器的發(fā)明、改進(jìn)和儲(chǔ)存曾經(jīng)是一種毀滅全世界的威脅，但至少到目前為止，我們有能力阻止這種情況的發(fā)生。重組DNA技術(shù)剛問世的時(shí)候，人們擔(dān)心經(jīng)人工改造的致命生物會(huì)從實(shí)驗(yàn)室逃出來，導(dǎo)致全球范圍內(nèi)出現(xiàn)難以估量的痛苦和死亡?；蚬こ态F(xiàn)在已經(jīng)是一項(xiàng)成熟的技術(shù)，目前我們已經(jīng)能和它的產(chǎn)物共存。與核武器和致命生物相比，機(jī)器學(xué)習(xí)的最新進(jìn)展構(gòu)成的威脅相對(duì)較小。我們也將適應(yīng)人工智能。事實(shí)上，這已經(jīng)在發(fā)生了。DeepStack的成功帶來的其中一個(gè)暗示是，深度學(xué)習(xí)網(wǎng)絡(luò)可以學(xué)習(xí)如何成為世界頂級(jí)的騙子。訓(xùn)練深層網(wǎng)絡(luò)能干什么只受限于訓(xùn)練者的想象力和數(shù)據(jù)。如果一個(gè)網(wǎng)絡(luò)可以接受安全駕駛汽車的訓(xùn)練，那么它也可以被訓(xùn)練駕駛F1賽車，很可能有人愿意為此掏腰包。今天，我們?nèi)匀恍枰夹g(shù)嫻熟和訓(xùn)練有素的從業(yè)人員使用深度學(xué)習(xí)來搭建產(chǎn)品和服務(wù)，但隨著計(jì)算能力的成本持續(xù)下降、軟件功能更加自動(dòng)化，很快，高中生就可能具備開發(fā)AI應(yīng)用程序的能力了。作為德國(guó)收入最高的在線電子商務(wù)公司，奧托（Otto）主要經(jīng)營(yíng)服裝、家居和體育用品。它正在利用深度學(xué)習(xí)，根據(jù)歷史訂單信息預(yù)測(cè)客戶未來可能購買的產(chǎn)品，并提前為他們下單。\h[50]客戶幾乎在訂購前就收到了自己想訂購的商品，準(zhǔn)確率達(dá)到90%。自動(dòng)完成工作且無須人工干預(yù)，這種預(yù)訂操作不僅可以每年為公司在剩余庫存和退貨環(huán)節(jié)節(jié)省數(shù)百萬歐元，還提高了客戶滿意度和保有率。深度學(xué)習(xí)顯著提高了奧托公司的生產(chǎn)力，卻并沒有取代它的工人。人工智能可以讓你在工作中更高效。雖然主要的高科技公司開拓了深度學(xué)習(xí)的應(yīng)用，但機(jī)器學(xué)習(xí)工具已經(jīng)普遍存在了，許多其他公司也開始從中受益。Alexa是一個(gè)廣受歡迎的數(shù)字助理，與亞馬遜Echo智能音箱配合使用，能夠基于深度學(xué)習(xí)對(duì)自然語言發(fā)出的請(qǐng)求做出回應(yīng)。亞馬遜網(wǎng)絡(luò)服務(wù)（AWS）引入了名為“Lex”、“Poly”和“Comprehend”的工具箱，可以分別基于自動(dòng)化文字、語音轉(zhuǎn)換、語音識(shí)別和自然語言理解，方便地開發(fā)相同的自然語言界面。具有對(duì)話交互能力的應(yīng)用程序現(xiàn)在可供無力雇用機(jī)器學(xué)習(xí)專家的小型企業(yè)使用。企業(yè)通過應(yīng)用這一程序可以提高客戶滿意度。當(dāng)最好的人類棋手在計(jì)算機(jī)程序面前都黯然失色時(shí)，人類會(huì)不再下棋嗎？正相反，人工智能會(huì)提高人類的競(jìng)技水平，也使得棋類競(jìng)技更加大眾化。頂級(jí)的國(guó)際象棋選手曾經(jīng)都來自莫斯科和紐約等大城市。這些地方大師云集，可以教授年輕棋手并提高他們的技能水平。國(guó)際象棋電腦程序使得在挪威小鎮(zhèn)長(zhǎng)大的馬格努斯·卡爾森（MagnusCarlson）13歲就成為國(guó)際象棋大師，如今他已是世界國(guó)際象棋冠軍。人工智能不僅對(duì)游戲產(chǎn)生了正面的影響，更會(huì)推動(dòng)人類付諸努力的各個(gè)方面，從藝術(shù)到科學(xué)。AI可以讓你變得更聰明。\h[51]回到未來：當(dāng)人類智能遇到人工智能本書有兩個(gè)相互交織的主題：人類智能是如何進(jìn)化的，以及人工智能會(huì)如何演變。這兩種智能之間的巨大差異在于，人類智能的進(jìn)化經(jīng)歷了數(shù)百萬年的時(shí)間，而人工智能在最近幾十年才發(fā)展起來。盡管對(duì)于文化演變來說，這個(gè)速度仍然是快得出奇，但是過于謹(jǐn)小慎微可能并不是個(gè)正確的選擇。深度學(xué)習(xí)在近期取得的突破，并不是你從新聞報(bào)道中讀到的那種一夜成功。從基于符號(hào)、邏輯和規(guī)則的人工智能向基于大數(shù)據(jù)和學(xué)習(xí)算法的深度學(xué)習(xí)網(wǎng)絡(luò)的轉(zhuǎn)變，其背后的故事通常并不為人所熟知。本書介紹了這個(gè)故事，并從我的角度探討了深度學(xué)習(xí)的起源和成果。作為20世紀(jì)80年代開發(fā)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的先行者和NIPS基金會(huì)的主席，我親身經(jīng)歷了過去30年機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展過程。我和同在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的同事多年來都未能取得令人矚目的成就，但堅(jiān)持和耐心最終給我們帶來了回報(bào)。\h[1]“啊，美麗的新世界，有這么美的人在里頭！”（“Obravenewworldthathassuchpeoplein’t!”）來自莎士比亞的劇作《暴風(fēng)雨》中米蘭達(dá)的臺(tái)詞（5.1.182–183[OxfordStandardAuthorsShakespeare]）。\h[2]BillVlasic,“G.M.WantstoDrivetheFutureofCarsThatDriveThemselves,”NewYorkTimes,June4,2017,/2017/06/04/business/generalmotors-self-driving-cars-mary-barra.html.\h[3]“FullTilt:When100%ofCarsAreAutonomous,”NewYorkTimesMagazine,November8,2017,/interactive/2017/11/08/magazine/tech-design-autonomous-future-cars-100-percent-augmented-realitypolicing.html?hp&action=click&pgtype=Homepage&clickSource=storyheading&module=second-column-region®ion=top-news&WT.nav=top-news/.\h[4]ChristopherIngraham,“TheAstonishingHumanPotentialWastedonCommutes,”WashingtonPost,February24,2016,/news/wonk/wp/2016/02/25/how-much-of-your-life-youre-wasting-on-your-commute/?utm_term=497dfd1b5d9c..\h[5]“FullTilt:When100%ofCarsAreAutonomous,”NewYorkTimesMagazine,November8,2017,/interactive/2017/11/08/magazine/tech-design-autonomous-future-cars-100-percent-augmented-realitypolicing.html?hp&action=click&pgtype=Homepage&clickSource=storyheading&module=second-column-region®ion=top-news&WT.nav=top-news/.\h[6]“Google’sWaymoPassesMilestoneinDriverlessCarRace,”FinancialTimes,December10,2017,/content/dc281ed2-c425-11e7-b2bb322b2cb39656/.\h[7]B.A.Golomb,“WillWeRecognizeItWhenItHappens?”inBrockman,J.,(ed.),WhattoThinkAboutMachinesThatThink(NewYork:HarperPerennial,2015),533–535.\h[8]PierreDelforge,“America’sDataCentersConsumingandWastingGrowingAmountsofEnergy,”NaturalResourcesDefenseCouncilIssuePaper,February6,2015,/resources/americas-data-centers-consuming-andwasting-growing-amounts-energy/.\h[9]W.BrianArthur,“WhereIsTechnologyTakingtheEconomy?”McKinseyQuarterly,October,2017,/business-functions/mckinsey-analytics/our-insights/Where-is-technology-taking-the-economy/.\h[10]乞力馬扎羅山是一座雪山，高19710英尺，據(jù)說是非洲最高的山峰。它的西峰被馬賽人稱作“NgajeNgai”，意為“上帝的家”。靠近西峰有一具干燥、冰凍的豹子尸體。沒有人解釋過這只豹子在那個(gè)高度是要尋找什么。\h[11]乞力馬扎羅山是一座高達(dá)19710英尺的雪山，據(jù)說是非洲最高的山峰。它的西峰在馬賽語里被稱為“NgajeNgai”，上帝的家。西峰附近有一具干燥、冷凍的豹子尸體。從來沒有人解釋過豹子在那個(gè)高度想要找什么。\h[12]GideonLewis-Kraus,“TheGreatA.I.Awakening,”NewYorkTimesMagazine,December14,2016,/2016/12/14/magazine/the-greatai-awakening.html.\h[13]AleksandrSergeevichPushkin,EugeneOnegin:ANovelinVerse,2nded.,trans.VladimirNabokov(Princeton:PrincetonUniversityPress,1991).\h[14]關(guān)于這一做法的早期嘗試，請(qǐng)參閱AndrejKarpathy,“TheUnreasonableEffecti-venessofRecurrentNeuralNetworks,”AndrejKarpathyBlog,postedMay21,2015,http://karpathy.github.io/2015/05/21/rnn-effectiveness/.\h[15]G.Hinton,L.Deng,G.E.Dahl,A.Mohamed,N.Jaitly,A.Senior,etal.,“DeepNeuralNetworksforAcousticModelinginSpeechRecognition,”IEEESignalProcessingMagazine29,no.6(2012):82–97.\h[16]W.Xiong,J.Droppo,X.Huang,F.Seide,M.Seltzer,A.Stolcke,etal.,“AchievingHumanParityinConversationalSpeechRecognition,”MicrosoftResearchTechnicalReportMSR-TR-2016-71,revisedFebruary2017,/pdf/1610.05256.pdf.\h[17]A.Esteva,B.Kuprel,R.A.Novoa,J.KoJ,S.M.Swetter,H.M.Blau,andS.Thrun,“Dermatologist-LevelClassificationofSkinCancerwithDeepNeuralNetworks,”Nature542,no.7639(2017):115–118.\h[18]SiddharthaMukherjee,“A.I.versusM.D.:WhatHappensWhenDiagnosisIsAutomated?”NewYorker,April3,2017,/magazine/2017/04/03/ai-versus-md/.\h[19]DayongWang,AdityaKhosla,RishabGargeya,HumayunIrshad,AndrewH.Beck,DeepLearningforIdentifyingMetastaticBreastCancer,arXiv:1606.05718.他們使用的測(cè)量方法在信號(hào)檢測(cè)理論里被稱為“曲線下面積”，它對(duì)假陰性和假陽性都很敏感。/abs/1606.05718/.\h[20]AnthonyRechtschaffenandAlanKales,eds.,AManualofStandardizedTerminology,TechniquesandScoringSystemforSleepStagesofHumanSubjects,NationalInstitutesofHealthpublicationno.204(Bethesda,MD:U.S.NationalInstituteofNeurologicalDiseasesandBlindness,NeurologicalInformationNetwork,1968).\h[21]參閱IanAllison,“FormerNuclearPhysicistHenriWaelbroeckExplainsHowMachineLearningMitigatesHighFrequencyTrading,”InternationalBusinessTimes,March23,2016,http://www.ibtimes.co.uk/former-nuclear-physicist-henriwaelbroeck-explains-how-machine-learning-mitigates-high-frequency-1551097/;BaileyMcCann,“TheArtificial-IntelligentInvestor:AIFundsBeckon,”WallStreetJournal,November5,2017,/articles/the-artificialintelligent-investor-ai-funds-beckon-1509937622/.\h[22]SeiChong,“MorningAgenda:BigPayforHedgeFundChiefsdespiteaRoughYear,”NewYorkTimes,May16,2017,/2017/05/16/business/dealbook/hedge-funds-amazon-bezos.html.\h[23]除了雇用了數(shù)千名數(shù)學(xué)家的美國(guó)國(guó)家安全局。AlfredW.Hales,personalcommunication,May4,2016.\h[24]SarfazManzoor,“Quants:TheMathsGeniusesRunningWallStreet,”Telegraph,July23,2013,http://www.telegraph.co.uk/finance/10188335/Quants-the-mathsgeniuses-running-Wall-Street.html.\h[25]D.E.Shaw,J.C.Chao,M.P.Eastwood,J.Gagliardo,J.P.Grossman,C.Ho,etal.,“Anton:ASpecial-PurposeMachineforMolecularDynamicsSimulation,”CommunicationsoftheACM51,no.7(2008):91–97.\h[26]D.T.Max,JimSimons,“TheNumbersKing,”NewYorker,December18&25,2017,/magazine/2017/12/18/jim-simons-thenumbers-king/.\h[27]很快就會(huì)被拍成電影。\h[28]約翰·馮·諾依曼，引自根據(jù)雅各布·布羅諾夫斯基（JacobBronowski）的著作改編的電視紀(jì)錄片《人類的攀升》（TheAscentofMan），第13集（1973年）。\h[29]參閱M.Moravík,M.Schmid,N.Burch,V.Lisy,D.Morrill,N.Bard,etal.,“Deep-Stack:Expert-LevelArtificialIntelligenceinHeads-UpNo-LimitPoker,”Science356,no.6337(2017):508–513。標(biāo)準(zhǔn)偏差是鐘形曲線的半峰寬。只有16%的樣本落入平均值的一個(gè)標(biāo)準(zhǔn)偏差之外的區(qū)域。只有萬分之三的樣本在平均值的四個(gè)標(biāo)準(zhǔn)偏差以外。\h[30]腦海中浮現(xiàn)出了1983年科幻電影《戰(zhàn)爭(zhēng)游戲》（WarGames）中的場(chǎng)景。參閱/wiki/WarGames。\h[31]參閱D.Silver,A.Huang,C.J.Maddison,A.Guez,L.Sifre,G.v.d.Driessche,etal.,“MasteringtheGameofGowithDeepNeuralNetworksandTreeSearch,”Nature529,no.7587(2016):484–489.\h[32]“我不知道今天該說些什么，”李世石告訴媒體記者，“但我想我必須先表示歉意。我應(yīng)該能表現(xiàn)得更好，在比賽中占據(jù)更多的主動(dòng)。我也很抱歉，讓很多人失望了。我覺得很無助。如果回顧三場(chǎng)比賽，即使第一場(chǎng)比賽能夠重賽，我也不認(rèn)為自己會(huì)取勝，因?yàn)槟菚r(shí)我誤判了AlphaGo的能力?！盝ordanNovet,“GoBoardGameChampionLeeSedolApologizesforLosingtoGoogle’sAI,”VentureBeat,March,12,2016,/2016/03/12/goboard-game-champion-lee-sedol-apologizes-for-losing-to-googles-ai/。\h[33]“勘測(cè)者1號(hào)”于1966年6月2日，國(guó)際標(biāo)準(zhǔn)時(shí)間6點(diǎn)17分36秒（美國(guó)東部時(shí)間凌晨1點(diǎn)17分36秒）登陸月球表面。著陸點(diǎn)位于弗拉姆斯蒂德火山口（FlamsteedCrater）以北一個(gè)直徑為100公里的隕坑內(nèi)。\h[34]KeJie,asquotedinSelinaCheng,“TheAwfulFrustrationofaTeenageGoChampionPlayingGoogle’sAlphaGo,”Quartz,May27,2017,/993147/the-awful-frustration-of-a-teenage-go-champion-playing-googlesalphago/.\h[35]KeJie,asquotedinPaulMozur,“Google’sA.I.ProgramRattlesChineseGoMasterAsItWinsMatch,”NewYorkTimes,May25,2017,/2017/05/25/business/google-alphago-defeats-go-ke-jie-again.html.\h[36]老版的“乒乓外交”指1971年中國(guó)和美國(guó)乒乓球隊(duì)開展互訪的友好往事，不僅推動(dòng)了中美兩國(guó)關(guān)系正?；倪M(jìn)程，也加速了中國(guó)走向世界的步伐?！幷咦h[37]PaulMozur,“BeijingWantsA.I.toBeMadeinChinaby2030,”NewYorkTimes,July20,2017,/2017/07/20/business/china-artificialintelligence.html.\h[38]SilverD.,J.Schrittwieser,K.Simonyan,I.Antonoglou,A.Huang,A.Guez,T.Hubert,L.Baker,M.Lai,A.Bolton,Y.Chen,T.Lillicrap,F.Hui,L.Sifre,G.vandenDriessche,T.Graepel,andD.Hassabis,“MasteringtheGameofGoWithoutHumanKnowledge,”Nature550(2017):354–359.\h[39]DavidSilver,ThomasHubert,JulianSchrittwieser,IoannisAntonoglou,MatthewLai,ArthurGuez,MarcLanctot,LaurentSifre,DharshanKumaran,ThoreGraepel,TimothyLillicrap,KarenSimonyan,DemisHassabis,MasteringChessandShogibySelf-PlaywithaGeneralReinforcementLearningAlgorithm,arXiv:1712.01815(2017).\h[40]HaroldGardner,FramesofMind:TheTheoryofMultipleIntelligences,3rded.(NewYork:BasicBooks,2011).\h[41]J.R.Flynn,“MassiveIQGainsin14Nations:WhatIQTestsReallyMeasure,”PsychologicalBulletin101,no.2(1987):171–191.\h[42]S.QuartzandT.J.Sejnowski,Liars,LoversandHeroes:WhattheNewBrainScienceHasRevealedAboutHowWeBecomeWhoWeAre(NewYork:HarperCollins,2002).\h[43]DouglasC.Engelbart,AugmentedIntelligence:SmartSystemsandtheFutureofWorkandLearning,SRISummaryReportAFOSR-3223(Washington,DC:DougEngelbartInstitute,October1962),/pubs/augment-3906.html.\h[44]M.Young,“MachineLearningAstronomy,”SkyandTelescope,December(2017):20–27.\h[45]“AreATMsStealingJobs?”TheEconomist,June15,2011,/blog