AI与战疫(12)——神经网络王者归来

人有智能是因为大脑由神经网络组成，所以，早在AI诞生之初，就已经有学者从人工神经网络的角度研究AI。感知器是神经网络的一种形式，由Frank Rosenblatt于1958年提出。与当年多数AI研究者一样，他对这一发明的潜力非常乐观，预言说“感知器最终将能够学习，作出决策和翻译语言”。整个六十年代里这一方向的研究工作都很活跃。然而，1969年Minsky和Papert出版了著作《感知器》，书中暗示感知器具有严重局限，神经网络的研究因此停滞了十年。1982年，物理学家John Hopfield证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。大约在同时（早于Paul Werbos），David Rumelhart推广了反向传播算法，一种神经网络训练方法。2006年，深度学习之父Geoffrey Hinton在《科学》杂志发文，一举解决了深层神经网络的训练问题，推动了深度学习的快速发展，开创了人工智能的新局面。

2009 年开始，大规模并行处理的GPU被用于高性能计算，这个新的算力模型引发了现代人工智能的大爆炸。人工智能像野火一样蔓延。GPU 深度学习开发者的数量在短短两年内就跃升了25 倍。多伦多大学Alex Krizhevsky创建了能够从100万样本中自动学习识别图像的深度神经网络。仅在两块NVIDIA GTX 580 GPU上训练几天，“AlexNet”就赢得了当年的I竞赛，击败了磨练几十年的所有人类专家算法。研究者们认识到，网络数据规模越大、计算能力越强，其学习能力就越强的规律之后，斯坦福的Andrew Ng与NVIDIA 研究室合作开发了一种使用大规模GPU计算系统训练网络的方法。世界各地的人工智能研究人员，正在集体转向GPU深度学习。百度、谷歌、Facebook与微软是首批将其用于模式识别的公司。2015年，人工智能在图像识别方面实现了“超越人类”的水准。在语音识别领域，微软研究院使用GPU深度学习实现了历史里程碑，在对话语音领域获得“媲美人类”的水平。”

围棋是迄今为止人类发明的最复杂的游戏短短不到几年的时间，但在2016年，英国Deepmind公司研发的AlphaGo战胜人类围棋冠军李世石，人工智能攻破了几乎永远不可能被攻破的领域——围棋。如果说，相比1997年IBM深蓝的暴力博弈树遍历而言，深蓝的胜利只是硬件速度的胜利和计算机的胜利。但今天AlphaGo与李世石的人机大战远远超越了围棋本身的范畴，标志着人类一只脚踏进通用人工智能的门槛。