人工智能时代：破解人机共存密码（套装共10册）

图1-2 贝叶斯与贝叶斯公式^[1]

类似机器翻译的人工智能技术方法的前提是数据量足够大。互联网提供了以前科学家梦寐以求却难以得到的海量数据。互联网诞生的初衷是为了信息沟通方便，结果带来了信息爆炸，信息爆炸又促进了人工智能技术的发展。

再以下棋为例。1952年瑟·萨缪尔编写了跳棋程序，水平能达到业余高手程度。跳棋规则比较简单，计算机在这方面有人类很难比拟的优势，但是国际象棋就难多了。百度总裁张亚勤在微软担任研究院院长的时候，请来中国台湾计算机才子许峰雄，他在IBM（国际商业机器公司）的时候开发了名噪一时的国际象棋机器人“深蓝”。20世纪90年代的人工智能代表非“深蓝”莫属，“智慧”集中在一台超级计算机上［使用了多块CPU（中央处理器）并行计算技术］，连续战胜人类国际象棋高手，并终于在1997年战胜了人类国际象棋冠军卡斯帕罗夫。不过富有意味的是，比赛之后不久，IBM就宣布“深蓝”退役了。张亚勤对许峰雄说，“你去做围棋吧，等能下赢我的时候再来找我”，但直到他离开微软，许峰雄都没有再来找过他。

“深蓝”本身面临一些无法突破的瓶颈，虽然可以处理国际象棋棋盘上的运算，但面对围棋棋盘上达到宇宙数量级变化的可能性，只能望洋兴叹。基于决策树算法，穷举一切走子可能性的模式超出了计算机的承载能力，虽然算法不断优化，但还是无法突破计算瓶颈。以围棋为代表的东方智慧，面对人工智能似乎可以稳若泰山，但一个新时代正在来临。

Internet的大会师

“深蓝”代表的计算机智能似乎与互联网无关，然而云计算和大数据的发展，使得人工智能和互联网终于合二为一，元神合体，获得了一种不同于“深蓝”时代的智慧模式。多芯片分布式计算加上人类积累的大数据，再通过超越决策树的新算法来贯通，体现了人类智慧与机器智慧的结合。

2016—2017年，AlphaGo（阿尔法围棋）横扫人类围棋高手圈。AlphaGo的下棋“思路”不同于人类，也不同于“深蓝”。简而言之，是千万盘人类围棋对弈的数据滋养了它。如果要给出更专业的解读，则可以说是蒙特卡洛搜索算法和基于深度学习的模式识别促成了AlphaGo的成就，其中最为重要的，恰恰是其前辈“深蓝”所不具备的深度学习。

根据各方的研究来看，AlphaGo不是自己想出棋着来，而是学习了人类高手的千万盘棋局（这就是大数据）。它记录下每个棋局中的每个局面，把上百万个局面当作输入进行训练，通过一个多层神经网络来预测人类高手会走出的下一着。经过巧妙的神经网络设计与训练，这个多层神经网建模了人类高手的“棋感”——对于当前局面，已知以往下棋历史中的胜率。在实际下棋时，计算机可以通过视觉识别记录下棋局，然后和以往的棋局数据比较，找到相同的模式（局面），再检索不同局面往后发展下去，根据以往下棋史中的胜率高低选出一些高质量的候选点供走子，而不必每个候选点都去尝试一遍，从而极大地减少系统运算量，不至于让系统“殚精竭虑”而死。这就像人类，不会穷尽所有候选点，而是根据经验和感觉选择某些点。选出几个点之后，人类还是要分别计算、比较哪个点更好。对于机器来说，这个计算就要交给蒙特卡洛搜索算法。

我们用一个不一定十分准确，但是形象的比喻来说明。蒙特卡洛树形搜索是对以往决策树算法的优化。对于以往的决策树算法，即便给了一个高质量的候选点，对于接下来的选择，它同样要进行穷举，在每个要选择的地方做一次分支，同样会遇到可选路径数量的指数爆炸。

蒙特卡洛方法就体现了概率学的精妙。假设在某个棋局局面下，深度学习网络给出了三个候选落子办法A、B、C，以这三个点为根节点，分别往下走子，可以想象成三棵树，每棵树还有无数分支。蒙特卡洛搜索不去穷尽所有分支，而是派出300万只蚂蚁分别从A、B、C出发，每个点100万只，飞速向树梢爬（也就是往下黑白棋交替走子直到决出胜负，基本上走200步就会分出胜负），总有部分蚂蚁走到最高点（也就是决出胜负，假设蚂蚁走到终点的情况代表黑子胜，没走到终点的情况代表白子胜）。

假设从A点出发的100万只蚂蚁有30万只到达终点，从B点出发的有50万只到达终点，从C点出发的有40万只到达终点，系统就认为黑子走B点胜率更高，就会选择B点。这就是概率学的取样算法，相比逐项穷举法，极大地缩减了计算量。

为什么派100万只蚂蚁而不是10万只或者1000万只？这是根据计算机的计算能力和对竞争对手的大致估计来确定的。如果派10万只蚂蚁就可以得到较高胜率，那么派10万只也可以。在相同时间内派出越多蚂蚁，对计算能力要求越高。

CPU芯片与GPU（图形处理器）芯片同时进行神经网络计算与蒙特卡洛树形搜索，模拟海量的终盘局面，这是人类计算能力无法相比的。由于采用深度学习建模了人类高手的棋感，看上去人工智能拥有了人类的大局观，而这个大局观恰恰蕴藏在人类高手的千万盘对弈数据里。

相信聪明的读者即便不太了解数学理论，也已经基本明白AlphaGo是怎么做的了，虽然具体的算法和策略要远比上面描述得复杂。AlphaGo向大众展现了一次当下人工智能/深度学习技术的发展水平。但实际上做同类研发的机构和人才很多，而且八仙过海，各显神通。

人类的行为一旦被互联网以数据的形式记录下来，就成为滋养人工智能在各行各业齐头并进，进而帮助人类自己的无穷无尽的燃料。机器翻译、语音识别、图像识别都是基于互联网提供的大量数据，用户点击行为也是如此。为什么百度搜索引擎的准确性是国内其他搜索引擎难以比拟的？因为数据量最大、算法最先进、积累最雄厚。用户的每一次点击其实都在训练搜索引擎背后的百度大脑，告诉它哪一条资讯才是用户最想要的。

当人工智能遭遇冬天的时候，人们认为机器很难像人一样思考，但机遇也正在这句话里。20世纪90年代以后，人类认识到人工智能没必要像人类那样思考，只要能够解决人类的问题即可。所以语言学家乔姆斯基在被问及“机器可以思考吗？”的时候，借用丹麦计算机科学家迪克斯特拉（Dijkstra）的说法反问：“潜艇会游泳吗？”潜艇不会像鱼儿或者人类那样摆动身姿游泳，但是它的水下能力非常好。

当我们回望历史——这个历史不仅仅是互联网的发展历史——整个人类工业发展都在孕育人工智能。凯文·凯利说过，蒸汽机活塞的自我往复运动就是一个精巧的设计，这种自我应答已经蕴含了“进化”的要素。自动化的追求是人工智能的进化动力。

比如，工业革命开始的时候，蒸汽机最先出现在煤矿和坑口。因为早期的蒸汽机效率低、能耗大，只有在煤特别多、特别便宜的地方才可能使用。采煤的时候会产生很多水，要从煤矿里面把水抽出来。有了这种需求，又有足够廉价的能源，才会想到用蒸汽机这种办法。一旦得以运用，蒸汽机的技术就不断发展，最终推动工业革命。人工智能也是一样：当你容易得到足够多的数据时，数据就是新的能源，就是燃料，有了数据燃料，人工智能的发动机就可以运转起来。

要感谢互联网的发展以及一切人类活动产生的数据记录，没有人类的数据积累，计算机就没有可学习的对象。要感谢那些人工智能探索者，他们并非都是计算机科学家，他们有的做生物学研究，有的做工程学研究，有的研究数学和计算机程序的自动迭代优化，有的改革计算机芯片的协作架构。各种研究成果汇流成海，终于汇聚成今天的人工智能。

巨头群起逐鹿

2016年AlphaGo在媒体上引发的惊呼其实是舆论的后知后觉。回到2007年，人工智能领域巨擘Geoffrey Hinton早已察觉到“山雨欲来风满楼”。

当时他的一个学生在谷歌大数据的帮助下，将Hinton若干年前的研究成果应用于语音识别技术上，并取得了明显的成功。Hinton不由得感叹：“回顾过去，失败只是源于缺少数据量和计算能力”。

时间进入到21世纪的第二个10年，人工智能万事俱备，百舸争流的竞争时代开始了。自2015年以来，人工智能创业潮持续发酵。根据美国风投数据机构CB Insights发布的人工智能产业数据分析，人工智能投资额在2016年第一季度就超过了10亿美元，第二季度发生了121笔融资，而2011年同期只发生了21笔。2011年第二季度到2016年第二季度，人工智能方向上的投资额超过75亿美元，其中有60多亿美元都是在2014年后产生的。

《乌镇指数：全球人工智能发展报告》显示，2016年前两季度，国内新增60余家人工智能创业公司，投资金额达到6亿美元。在过去一年中，中国大陆在人工智能领域进行了202笔投资，共涉及10亿美元（约合人民币68亿元），市场规模庞大。

(亿美元)

(频次)

«

图1-3 中国人工智能投资金额和频次

2016年，中科院副院长、中国人工智能学会副理事长谭铁牛院士说，2015年全球人工智能市场规模为1270亿美元，2016年当年预计达到1650亿美元，到2018年，这个数字将超过2000亿美元。

中、美、英三国是人工智能的发展重地。美国是互联网和人工智能的起源地，拥有得天独厚的人才优势，加上技术家底雄厚，科研经费庞大，使其在这个领域领先。除了谷歌、脸书、微软、亚马逊、IBM、苹果等巨头大举投入人工智能领域，还有大大小小近百家专注人工智能业务的公司。比如，擅长自然语言处理的X.AI公司，三轮融资达3.4亿美元。英国则继续老牌名校的辉煌，在制造业萎缩的背景下，将人才都聚集到人工智能领域。研发AlphaGo的DeepMind公司就是其中的代表。

亚马逊推出Alexa智能语音助手和Echo智能音箱，与苹果、谷歌、微软争夺语音入口。2016年6月，亚马逊总裁贝索斯在接受美国科技博主沃尔特·莫斯伯格（Walt Mossberg）采访时透露，亚马逊针对人工智能领域关键项目的投资已经持续了4年时间，“亚马逊从事这些项目的团队超1000人，你看见的只是冰山一角”。

2016年9月，微软宣布在执行副总裁哈里·舒姆的领导下成立新的人工智能研发事业群。他领导数千名计算机科学家和工程师将人工智能整合到该公司的产品中，包括必应搜索引擎（Bing）、小娜数字助理以及机器人项目。当年末，微软正式发布了可以开发聊天机器人的服务，并宣布将为埃隆·马斯克和创业孵化器Y Combinator的总裁山姆·奥特曼（Sam Altman）共同创办的Open AI人工智能实验室提供CPU服务。

脸书也拥有自己的人工智能实验室以及类似谷歌大脑的团队——应用机器学习事业群。这些机构的使命是在各种脸书产品中推广人工智能技术。用该公司首席技术官麦克·斯克洛普夫（MikeSchroepfer）的话说：“脸书约有1/5的工程师现在都在使用机器学习技术。 2

AlphaGo的主人谷歌当然也不会只满足于下棋，其人工智能投入多年来不断膨胀。2012年，谷歌只有两个深度学习项目，2016年底这个数字突破了1000。目前谷歌从搜索、安卓系统、Gmail（免费网络邮件服务）、翻译、地图、YouTube（视频网站）甚至到无人车，都有深度学习的影子。

中国拥有庞大的业务应用场景、用户和数据以及基数最庞大的人才群体，进步很快。除了BAT（百度、阿里巴巴、腾讯三大互联网公司首字母缩写）、华为等巨头大力开发人工智能，还有很多垂直领域的人工智能公司涌现。2016年的各种互联网论坛上，不论是电商、社交媒体，还是搜索引擎，各家互联网企业的掌门人都在将话题引向人工智能，汇报着或大或小的成绩。

2016年，百度语音识别准确率达到97%、人脸识别准确率达到99.7%。作为百度大脑的云化，百度天算、天像、天工和天智平台相继向全社会全面开放百度大脑的技术和能力。

超强大脑汇聚

十多年前机器学习领域的少数坚持者，现在成了最宝贵的人才。人工智能浪潮兴起之后，在这个开源的世界上，除了数据，最稀缺的资源就是人才了。

人工智能背后的专业知识与数学、生物学等基础学科有极大相关性。人工智能科学家又是这些领域的翘楚，更显难得。但全国人工智能研究方向的博士生、研究生每年只有不到200人，而如今的创业公司多如牛毛，这个数字根本不够分。国内如此，国外亦然。2015年，优步直接挖走了卡内基梅隆大学国家机器人研究所140名研究人员中的40人，引起业界一片哗然。

以上还不是人才竞争的全部。从业者更为敏感的是学术领军人物的流向。最近两年，不少“学术明星”走出象牙塔，或跳槽，或创业，让人更真切地感受到风向的变化。激流涌动，宝贵的人才去哪里才能充分发挥自己的价值，这是个问题。

百度是中国人工智能产业的代表，大量顶级人才先后投身百度：王海峰加入百度前曾就职于微软，吴恩达从美国来到百度，张亚勤从微软来到百度，林元庆从盛产机器学习专家的NEC美国实验室来到百度、机器人小冰的创造者景鲲从微软来到百度、美国科技巨头中职位最高的华人高管和人工智能技术权威陆奇放弃微软副总裁职位加盟百度......同时，也有很多人才从百度出发，创造了自己的人工智能应用公司。百度本身就是中国在吸引和培养人工智能人才方面活力的缩影。

这么多人类的超强大脑汇聚，目的是要创造划时代的中国大脑。我们经历了PC时代，正处于移动互联网时代，即将迈入一个万物互联的超级智能时代。万物数据汇合，人类加以处理，就可能产生一种“超级大脑”的生态。百度正在打造这样的生态，宗旨在于像提供水和电一样让人工智能渗入中国人乃至所有人的生活中去，努力促使世界万物向“知化”^[2]的方向发展。比如，百度大脑已经初步具有了自己的眼睛、耳朵、嘴巴和认知决策能力，总体来看，相当于一个儿童，但局部能力如翻译、语音识别、图像识别能力则大大超过人类。我们把这些能力开放给大家，供人们开发探索各种人工智能应用。百度大脑已经成为很多开发者的工具和人工智能的操作系统，促进了人工智能标准化的形成。这将全方位服务人工智能时代的企业、创业者和广大个人用户。

因此我们热切呼唤中国大脑，呼唤国家总体层面的深度学习服务器、算法、应用基础设施平台。中国大脑的形成，将是中国竞争力全方位升级的体现和中华复兴的强力加速器。

技术要做人类生命的延伸

说到人类的数据滋养人工智能，我想先来谈一谈我们的用户，谈一谈无数支持百度以及高科技互联网发展的消费者。

在今天，除了谷歌、微软和BAT这样的大公司，互联网和大数据技术的“去中心化”发展趋向，使得小企业、有才华的技术人员甚至广大用户都成为具有决定格局态势的力量。

我在《硅谷商战》里就强调了用户的重要性。在我们工程师的眼中，用户是一个严格定义的理性存在，用户需求—开发—反馈，是技术文档里的严密描述。但是互联网的发展不仅提供了技术服务上的方便，也提供了思想和情绪发挥的舞台。我们可以说，互联网创造了一种意见型用户。