人工智能时代：破解人机共存密码（套装共10册）

四千多年前，在今天英国的土地上出现了巨石阵——每块重达50吨的大石头组成了一个圆阵。这是一块原始钟表，夏至的时候，它的主轴线、通往石柱的古道和早晨的第一缕阳光就会处在同一条直线上；往相反的方向，冬至日的最后一缕阳光也会穿过石门。古人用笨重的石头仪表点燃了数据测量的曙光。与中国的日晷一样，这便是最早的数据可视化技术。

两千多年前，托勒密研究天地运动得出三大定律，为天文学打下基础。他的方法很有趣，一言以蔽之，是错误的方法里蕴藏着正确的思路。原本他误以为天体运动的轨迹是圆形，而实际上天体以椭圆轨迹运行。为了强行用“圆”函数来表达天体的实际运动曲线，他采用多个圆形的嵌套运动模拟出天体运动。他模拟天象使用的嵌套圆圈多达40个，相当于用多个圆运动函数来拟合成一个总体函数。这已经有了最早的拟合函数思想。

什么是拟合函数？当数据很多时，我们可以把数据想象为一个坐标系中分布的很多点。怎样寻找一个函数，使其曲线能够穿越尽可能多的点呢？如果这些点分布很规律，比如呈线性分布，就可以用线性方程描述。

如果分布点形成一个抛物线形状，那么函数也很容易得到，就是$\mathtt { X } ^ { 2 } \mathrm { = } 2 \mathrm { p y }$ 的形式。但是如果这些数据点分布看上去很不规则时就很难找到一个单一函数。现代人想到用多个函数叠加的方法来模拟出一个总体的函数。调节每一个函数的权重，从而能够让叠加函数曲线尽可能多地穿过这些点。托勒密记录了大量天体运动的数据，然后尝试用叠加多个圆函数的方法模拟出椭圆轨迹的函数，以便把他记录的数据都包括进来。拟合函数方法适合从大量离散的数据记录中找寻规律，而这正是今天人工智能的基础，机器学习的基本数学方法。

由此可见，今天的很多基本数学方法古人已有，只是囿于能力无法尽情应用。

今天的人类可以用数字测绘来还原历史。即便在“我的世界”这样一款游戏中，计算机已经可以计算出每一块砖瓦的角度、长度，将几千年前的古城墙以完美的三维图像重现。那一刻，你会觉得所有古埃及、古希腊、古中国的壮美历史又重新与我们连接。但比起那宫殿中早已褪色的金冠银带，古人使用数据的智慧或许才是人类最宝贵的传承。

数据文明在进步，而大多数人还处在数据的懵懂之中。在日常生活中，数据的概念对于我们既亲近又陌生。我们亲近它，因为每个人从小就会接触加减乘除这样最基本的数据和算法。步入社会后不管从事什么职业，我们这一生也免不了和各类文件、报表或者账单打交道。但与此同时，当面对高科技产品中各种关于内存、分辨率等时髦又复杂的数据时，我们又越发觉得不了解它们甚至没意识到它们的存在。随着大数据、机器算法和人工智能的理念相继到来，这种陌生感愈发加深。

那么数据生活距离我们遥远了吗？正相反，在新的技术条件下，数据与我们日常生活的联系从未如此紧密过。我们的祖先很久以前就学会有条理地储存数据，但是从没像今天的我们一样如此活跃、具体地记录着自己与世界。

从最初的计算器、摄像头，到家用计算机、智能手机，再到大数据和人工智能，我们不断升级采集和利用数据的方式。而现在，从一辆车的每日碳排放量统计到全球气温的监测，从对每个人在网上发言喜好的分析到对总统选举时投票趋势的预测，从预测一只股票的涨跌幅度到观察评估整个经济系统的发展，我们都可以做到。数据将人与人、人与世界连接起来，构成一张繁密的网络，每个人都在影响世界，而每个人也在被他人影响。这种从微观到宏观的辩证关系就如同在全人类身上发生的量子力学现象，其中孕育着解答无数问题的真理。传统的统计方法已经无法处理这种相互影响的数据。怎么办？答案是让机器自己来处理数据，从数据里习得知识。这便是当代人工智能的本质。

早在60年前，人工智能就已经被科学家当作一门严肃科学来研究。即便普通老百姓都对人工智能兴趣盎然，然而人工智能却在“二战”后人类科技高速发展的几十年间鲜有突破。直到今天，我们才忽然发现各种人工智能的概念如雨后春笋般冒出来，以大数据、AlphaGo、百度无人车等新面貌闯入我们的生活。

如果把人工智能的技术比作一颗早产的心脏，那么它曾经患有两个先天不足：一是在互联网爆发之前，研究人工智能所能调用的数据量太少，这是“供血不足”；二是硬件上的不足导致缺乏解决复杂问题的计算能力，这是“心力不足”。数据如同血液，硬件如同血管，直到互联网应用突飞猛进，计算机的计算能力平均1年翻一番且计算架构出现革命性变化，这两个问题才迎刃而解。奔涌的数据血液进入物理身体的每一个角落，图像识别、语音识别、自然语言处理……睁开了眼睛、竖起了耳朵、张开了嘴巴，机器之心“活”了！

数据书写生活史

数据已经深深“浸入”我们的生活。计算机、智能手机、各种智能家居用品，贴身收集着我们的一言一行，通过计算建模越来越了解我们，使得看新闻、运动健身、吃饭、听歌、出行等这些最简单的日常活动都成为一次次隆重的数据盛典。

一部智能手机一天之内就可以为他的主人生产1G的数据。这大概是13套《二十四史》的总容量。我们每天都在用数据书写自己浩瀚的“生活史”。

与传统意义上的数据记录定义不同，这种数据是有“生命”的。这种记录不是客观又绝对的数学测量，也不是一板一眼的历史写作。它更像是我们身体的一种自然延伸：倾听我们的声音、拓宽我们的视力、加深我们的记忆，甚至组成一个以数据形式存在的“我”。如果说智能手机已成为人类的新器官，那么数据就是这个新器官所接收到的“第六感”。而处理这种“第六感”的新大脑正是冉冉升起的人工智能。

大数据——万物皆数

既然人类运用数据已久，而且自工业革命以来，数据经历过一次又一次的爆发，何以近年来才出现“大数据”的概念？仅仅是它所能记录和计算的数据量更多而已吗？自然数可以无限数下去，1、2、3、4，以至于无穷，但“多”是不够的，还必须具有几大特征：

第一，大数据的“大”。毋庸置疑，这个“大”相对于人类传统数据的储存方式，不是一个量级上的大小之分，而是几何量级的差距。想想百度地图上每日720亿次的定位请求，再想想互联网上每天有多少次点击、社交媒体上每天有多少文字和图片发出……各种大数据平台一天之内收集到的数据量就可以超越人类几千年来文字、图像的总和。

第二，大数据的另一个重要特点是多维度。多维度代表着大数据可以对一个事物进行多方位的描述，从而更准确。

在电影《谍影重重》里出现过一个大数据公司，能够根据互联网数据、交通数据、历史档案等各种维度的数据帮助美国中央情报局（CIA）迅速追踪和定位疑犯。现实中美国的Plantir数据公司便是如此帮助美国政府追踪本·拉登，提供反恐信息和社会危机预警。它们更常见的业务是识破金融诈骗。

以金融征信应用为例，传统金融机构在进行征信时，一般采集20个维度左右的数据，主要包括年龄、收入、学历、职业、房产车产、借贷情况等。然后综合评分来识别客户的还款能力和还款意愿，决定信贷额度。

互联网公司采用大数据方法，所获得的维度可以让传统银行吓一跳。BAT都开设了自己的金融服务，因为拥有全面且巨大的用户数据，可以查询客户的各种线上记录，比如是否有批量申请贷款等异常行为；还可以将客户信息与互联网全局信息比对，通过欺诈行为模式的比对分析其可信度；更进一步，还可以分析客户的消费行为和习惯，结合填报收入分析还款能力如何。当然，作为用户的隐私，这些数据都不会被公开，用户所能感受到的便利是征信排队时间极大地缩短了，因为大数据可以在几秒钟内就对申请者超过1万条的原始信息进行调取和审核，迅速核对数万个指标维度。

对一个陌生人进行征信就好比“盲人摸象”，传统方法是通过20个“盲人”去评估一个客户的信用“大象”，注定是有缺陷的。而大数据的多维度就如同几万人同时“摸象”，再把这几万人的反馈汇总到一起。维度越多，结论就越准确。

第三，处理非结构化数据的能力。结构化数据中最基本的数字、符号等，可以用固定的字段、长短和逻辑结构保存在数据库中，并用数据表的形式向人类展现（想一下常见的Excel表格），处理非常方便。但是互联网时代产生了大量非结构化数据，对于图片、视频、音频等内容，它们的数据量巨大却没有清晰的结构。对于图像的数据，我们只能理解为一个二维矩阵上的无数像素点。非结构化数据增长量很快，据推测将占未来10年新生数据总量的90%。而大数据技术可以通过图像识别、语音识别、自然语言分析等技术计算、分析大量非结构化数据，大大提升了数据维度。

非结构化数据的数量远超结构化数据，蕴含巨大能量，应用前景广阔。例如，在机场等公共场合的个人身份检查，过去只能根据旅客提供的身份信息这一个主要维度去判断其身份。而人脸识别、语音识别等技术应用成熟后，大数据可以直接通过摄像快速比对审核，增加对个人身份判断的维度，进行既精确又高效的安全检查。

第四，大数据是生生不息的“流”，具有时间性。它过去就不再回来，就像人无法两次踏入同一条河流。这一方面是因为数据量太巨大，无法全部存储；另一方面是大数据和人类生生不息的行动相关，瞬息万变。百度大数据实验室因此提出一个概念叫作“时空大数据”。

地图就是时空大数据之母。百度地图有一个路段拥堵预警功能。如果前方路段畅通会显示为绿色；如果拥堵则会显示成红色，提醒用户选择其他路线。这是我们与数据互动的一个简明例子。如果我们有A和B两条路线可以选择，此时A路线拥堵而B路线畅通，那么我们都会选择B路线；当越来越多的车主选择B路线，那么B路线将会变成拥堵而A路线又会畅通。此消彼长，变化万千。依靠智能手机的定位功能，百度地图可以实时更改当前的路况监测结果，精确地告诉每一个位置用户当前自己所面对的路面情况。通过数据可视化技术和各种评估手段，可以描绘一座城市的日常脉搏，比如上下班的人流数据变化，仿佛城市在吞吐呼吸。除了被记录下来的，更多数据只在当时有效。把数据全部存储下来是不可能的，那样需要的硬盘可能整座城市的地皮都堆不下，只能即时应用，用过就消失。

与时间数据博弈是富有挑战性的工作。2016年11月，百度正式接入公安部儿童失踪信息紧急发布平台，每当有儿童失踪事件发生时，百度地图和手机百度就会把失踪儿童的姓名、面貌特征、失踪时间等重要信息精准推送给失踪地点周边的用户，使用户可以第一时间参与找回失踪儿童的过程。而在失踪儿童被寻回后，百度地图和手机百度也会及时更新结案标识，让社会各界人士随时了解进展。能将信息早1秒钟提供给用户，就能给焦虑中的家庭多一分希望。

最后一点，也是最重要的，大数据的“大”表现为无尽的重复。对于语音识别来说，正因为人们重复讲述同样的语句，机器通过反复识别这些人类语音的细微差别，才能全面掌握人类语音。也正因为人们周而复始的运动，才让系统能捕捉城市运动的规律。“重复”的数学意义是“穷举”。以往人类无法通过穷举法来把握一个事情的规律，只能采用“取样”来估计，或者通过观察用简单明了的函数来代表事物规律，但大数据让穷举法这种“笨办法”变得可能了。

量变促成质变，在机器智能领域，数据量的大小和处理速度的快慢可以直接决定智能水平的高低。谷歌通过数据量提升翻译质量的故事早已不是秘密。

2005年，美国国家标准与技术研究所如往年一样举办机器翻译软件评测。有许多大学机构、大公司都从美国政府申请了研究机器翻译的科研经费，这些机构需要参加这个评测。没有获得政府资助的团队或者公司也可以自愿加入，谷歌就是后者。参与评测的还包括IBM、德国亚琛工学院等多家机器翻译界老牌公司，个个实力雄厚，在机器翻译领域深耕多年，只有谷歌是初出茅庐。

然而评测结果却让人大跌眼镜：谷歌取得了第一名，并且得分远远高于其他团队。在汉译英这方面，谷歌的表现达到了51.37%的BLEU分数，第二名和第三名的公司则仅达到34.03%和22.57%。最后，谷歌公布了自己的秘诀：用更多的数据！不只是比其他团队多一两倍，而是多上万倍的数据！因为谷歌可以通过搜索引擎收集互联网上人类给出的海量双语语料数据。同样一句汉语会有很多人给出译法，计算机会通过这种重复来统计出最常用的译法。在没有更改其他主要方法的情况下，仅仅依靠数据样本的增加就训练、改造出了超越其他机器翻译一个时代的产品。谷歌能赢，实际上就是因为“穷举”能力超过了别人。

谷歌、百度这一类互联网企业的数据优势是全方位的，除了翻译，还可以很容易地复制到其他领域，比如语音识别与图像识别。百度的“为你写诗”作为一个小游戏，同样结合了大数据与人工智能。百度主任架构师、机器翻译技术负责人何中军介绍，传统的写诗软件一般运用统计模型，根据给定的关键词生成第一句诗句，然后再生成第二句，不断重复这一过程，直到全诗生成完毕。而百度写诗的做法是这样的：用户可以输入任意词语或者句子，系统结合百度搜索引擎中的大数据对用户表达进行深度分析与联想，衍生出相关度较高的主题关键词。用户随便输入一个词或一句话，比如“西湖”，百度写诗系统通过对大量诗歌散文数据的分析，得出一首描写“西湖”的诗歌应该包含哪些主题词。对于“西湖”来说，得到的主题词可能有“断桥残雪”“烟雨”“垂柳”等。接下来利用深度神经网络技术，根据每一个主题词生成一句诗。这些主题词就相当于人类写作时经常用的提纲，根据提纲来创作可以保证全诗在意境上是统一的，而且前后诗句的内容在逻辑上也是顺畅的。之前大家说机器写的诗看起来每句话都还不错，但是整体意境不够，现在已经能有效弥补了。对于每一句诗歌的生成，则用到了机器翻译技术。对诗歌的第一句进行“翻译”得到第二句诗，再对第二句进行“翻译”得到第三句，以此类推。我们用“西湖”作为输入，“为你写诗”生成的七言诗意境优美、逻辑通畅。