幾乎所有人都在享受人工智能帶來的便利，但你了解它是如何運作的么？

這個問題也曾困擾著谷歌前工程專家肖恩·格里什（SeanGerrish）。這位普林斯頓大學機器學習博士說：“我花了無數時間在學術界和產業界研究和實踐機器學習，但我仍然不能堅定連貫地回答這個問題。”

這個困擾成為強大動力，他決定弄清楚一個問題：智能機器如何思考。這八個字也成為他新書的標題《智能機器如何思考：深度神經網絡的秘密》。“這是一本如果我不懂機器學習，我將會想讀的書。”他說。

“在用清晰易懂的方式描述這些系統的本質時，肖恩利用10多年的行業和學術經驗解決了機器學習帶來的一些最棘手的問題……由于市場上缺乏對機器學習通俗易懂的專業介紹，這本書將成為引導你理解底層技術的理想方法，它可以幫助你更好地判斷哪些言論值得相信，哪些說得天花亂墜的謬論應該被拋棄。”微軟CTO（首席技術官）凱文·斯科特說。

“計算機和軟件，是21世紀的杠桿、齒輪和發動機”

兩千年來，人類總被“自動機”驚艷。

違背“水往下流”自然規律的噴泉，曾驚艷了兩千多年前的古希臘，其實就是早期的自動機

1737年，一個可以像真人一樣用長笛演奏音樂的雕塑，成為兩百多年前歐洲富人趨之若鶩的新奇玩意，這是法國機械天才雅克·德·沃康松的杰作。

今天，自動駕駛汽車，能與人類自如交流的機器人索菲亞，不斷刷新著人們對于“自動機”的認識，甚至誕生了對“人工智能”的恐慌，“自動機”究竟發生了怎樣的變化？

讓我們先回到1737年，工業革命的黎明時分，長笛演奏者誕生的那一年。

當他出現時，公眾很喜歡但并不太驚訝，因為這樣的裝置已經出現過。但當這位長笛演奏者把真實的長笛舉到嘴邊，用它的機械肺把空氣送入樂器，吹出一個個音符，然后通過移動嘴唇，調整吹氣的力度，控制手指精確地在長笛孔上移動，吹出一系列音符，組成一首完整的樂曲時，依然吸引了眾人的目光。沃康松甚至向一小部分觀眾收取相當于一周薪水的費用，讓他們觀看這個奇怪的裝置。

有人懷疑雕塑里面藏著人暗地操作，沃康松直接向觀眾展示了長笛演奏者的內部機制，那是由風箱、氣管、軸、小螺柱、彈簧、杠桿組成的機器。“它只不過是在遵循編碼到它機械內臟中的一系列指令。”肖恩寫道，“自動機之所以受歡迎，正是因為它看起來是完全自主的，而且它似乎復制了人類的智能。”

今天，自動駕駛的汽車，戰勝柯潔的AlphaGo，似乎都已與兩百多年前的長笛演奏者截然不同，因為他們可以像人或動物一樣自主運行，甚至似乎可以“獨立思考”。

但肖恩卻說：“事實證明，技術專家在過去的幾個世紀里沒有太大變化，他們仍然在設計自動機并給它們編程，以此復制人類的思想和身體。唯一的區別是，技術專家已經把工具升級為計算機和運行在計算機上的軟件，它們是21世紀的杠桿、齒輪和發動機。”

“無人車”：如何“看”世界？

首先，我們來看看自動駕駛汽車。

人類開車最關鍵的是觀察路況，而路況是復雜的，如穿越馬路的行人、丟失的井蓋、逆行的汽車……那么，自動駕駛的汽車又是如何“睜開眼看世界的”。

肖恩用2005年美國無人車挑戰賽上獲勝的斯坦利為例，講述這輛由斯坦福車隊制造的賽車如何觀察路況，如何感知這個世界。

斯坦福大學人工智能實驗室為斯坦利設計了由三個獨立部分組成的架構：硬件層，感知層，思考層。

硬件層就像人的眼睛、耳朵和雙腿，負責收集數據以及執行“大腦”傳來的指令，比如“轉向、剎車、加速”。硬件層包括傳感器和執行器，傳感器有攝像機、激光掃描儀和GPS系統等。

思考層就像汽車的“大腦”，負責決定汽車的實際駕駛方式，將命令發送給硬件層去執行。

中間的感知層則負責“翻譯”，將硬件層收集到的信息及原始數據轉換成可解釋的模型，提供給思考層完成工作。

斯坦利具體是如何“看”的？當人類看到一條道路的照片時，一眼就能清楚地看出照片的哪一部分是道路，哪一部分是道路的邊緣，哪一部分是天空。對計算機程序而言，這些細節一開始并不明顯。斯坦利需要一步步地從攝像機的圖像中找到道路。

“為了做到這一點，斯坦利采用了機器學習中一種被稱為聚類（clustering）的技術，把具有相似顏色的像素組織在一起。這樣它才可以更好地判斷一個像素是屬于道路的一部分，還是屬于道路邊緣的一部分。”

肖恩用通俗的方式解釋說：請想象你是一個剛洗了一大堆襪子的吸血鬼，吸血鬼最喜歡的顏色是紅色和黑灰色。從洗衣店回家后，你開始整理這些襪子，將它們攤開放在床上，把同色系的襪子放在一起。一段時間后便會出現一堆紅襪子和一堆黑灰襪子，它們可能會在深紅色和深灰色相交的地方重疊。但你發現了一只亮綠色的襪子，這只襪子顯然不屬于兩堆襪子中的任何一堆，所以你扔掉了它。

這正是斯坦利推理攝像機圖像像素的方式。它通過查看代表汽車前方路面的像素來創建道路像素的聚類。在沙漠中，你可以想象代表這些道路的像素可能是灰色和棕色的混合，這會導致斯坦利最終得到一個灰色像素聚類和一個棕色像素聚類。然后，斯坦利會測試圖像中其他像素是否與這兩個聚類匹配。如果與聚類匹配，它們就是道路的一部分，否則，斯坦利就會拒絕它們，認為它們不是道路的一部分，就像你扔掉綠襪子一樣。

今天的無人汽車“看”的方式比斯坦利更加復雜，但“分類”依然是它的重要任務，明確對象是什么。

智能體：沒人教，也能學會打游戲

在自動駕駛汽車項目如火如荼之際，谷歌收購了一家名為DeepMind的神秘小公司。在谷歌一次每周五召開的全員會議上，DeepMind給大家展示了計算機程序玩《太空入侵者》的一段視頻。

在這款游戲中，玩家必須移動屏幕底部的一艘宇宙飛船來射擊外星人，阻止外星人降落到底部。計算機程序無可挑剔地玩著游戲，完美地贏了一局游戲，房間里爆發出一陣歡呼。

為什么圍觀的谷歌工程師如此興奮？“IBM難道不是早在近20年前的1997年就創造了‘深藍’，擊敗了世界上最好的國際象棋棋手加里·卡斯帕羅夫嗎？谷歌的工程師難道不知道他們的自動駕駛汽車已經在道路上行駛了近70萬英里？如果連自動駕駛汽車都是可能的，那為什么所有人都對計算機攻克一款簡單的電子游戲嘖嘖稱奇？況且此時，計算機可以高水平地玩電子游戲也已經有多年歷史了。”

肖恩說：“這個計算機程序之所以讓人贊嘆，是因為它學會了在沒有人類指導的情況下玩游戲。而早期的突破需要相當大程度的人類判斷力和對算法的調整。對于自動駕駛汽車，人類需要精心開發探測可行駛地形的功能，然后告訴汽車可以在哪種地形上行駛。相比之下，程序員從來沒有告訴過DeepMind程序向左輕撥操縱桿會讓飛船向左移動，按下按鈕會發射導彈，甚至也沒告訴程序向外星人發射導彈會摧毀外星人并贏得積分。”

那么，沒有人指導，計算機是如何學會玩游戲的呢？答案是強化學習。

“就像當你給寵物狗食物的時候它會學會聽從命令一樣，通過強化學習來學習的智能體也會學會聽從你的命令。”

肖恩用訓練智能體打高爾夫球為例。有一個很大的高爾夫球場，球場上到處都有會爆炸的地雷，有復雜的地形比如果嶺、球道、沙坑等，智能體需要避開所有的障礙，揮舞球桿將高爾夫球打到球場盡頭的球洞中。這些障礙和風險，智能體一開始可能并不知道，“但我們仍然可以教給它好的策略，方法就是讓它玩一段時間。當它達到終點位置時，游戲結束，我們立即給它一塊巧克力作為獎勵。如果智能體踩到地雷，我們會用電擊懲罰它，相當于減去半塊巧克力”。

這多么像著名心理學家斯金納提出的“強化理論”。他曾設計一種動物實驗儀器即著名的“斯金納箱”。箱內放進一只白鼠或鴿子，并設一杠桿或鍵，動物在箱內可自由活動，當它壓杠桿或啄鍵時，就會有一團食物掉進箱子下方的盤中，動物就能吃到食物。

斯金納認為，無論是人還是動物，為了達到某種目的，都會采取一定的行為，這種行為將作用于環境，當行為的結果對他或它有利時，這種行為就會重復出現；當行為的結果不利時，這種行為就會減少重復出現的可能。這就是環境對行為強化的結果。強化理論最初只用于訓練動物，后來用于人的學習，并發明了程序教學法和教學機。

人類的成長不也是通過一步步試錯，獲得正反饋或負反饋從而調整自己的行為，最后形成自己的行為規范？這不得不讓人想起哲學家笛卡爾1662年的《人類論》中的一句話：

我想，身體也只是一個工具或機器……就如同我們的鐘表、人工噴泉、鋸末機和其他類似的機器，即便它們只是由人類做成，但他們能夠按自己的規律做自己的事。

未來：我們的機器總有一天會思考，這是大勢所趨

人工智能的發展并非一帆風順。

在過去的20年里，許多在人工智能領域引起轟動的想法與半個世紀前的20世紀60年代末引起轟動的想法如出一轍。

“當時，人工智能領域貌似在飛速發展，神經網絡得到了改進，國際象棋和圍棋等游戲的算法得到了開發，行業會議上的成果以及隨著微處理器的出現而呈指數級增長的硬件全都令人感到興奮，人工智能會議似乎場場爆滿——所有這一切都發生在人工智能領域進入一個被稱為‘人工智能寒冬’的黑暗時期之前。后來人工智能研究的資金枯竭了幾十年。人工智能甚至成為一些研究人員口中的笑柄。在20世紀80至90年代的大部分時間里，這種恐慌一直在持續，直到人工智能領域在過去20年里重獲新生。”

今天，機器越來越像人類，人類似乎也越來越像機器。

會不會有一天，機器可以獨立思考、產生情感甚至駕馭人類？

盡管肖恩刻意回避對人工智能的未來做過多猜測，但他認為：“首先，我們在未來創建的自動機將會始終遵循程序……這些機器將會遵循越來越復雜的程序。辨別它們在做什么事情也會變得越來越困難，但是我們始終有可能將它們執行的每一個動作追溯到一組確定的指令。”

“一些哲學家認為，這表明機器永遠不會思考。我個人的信念是，人類也是機器，我們是模擬機器，如果我們相信人類可以思考，那么就沒有什么能阻止我們有朝一日設計出可以思考的數字計算機。我們的機器總有一天會思考，這是大勢所趨，它們會產生情感、觀點和自我保護的愿望，這些總有一天會與我們人類發生沖突。”