人工智能时代：破解人机共存密码（套装共10册）

“人工智能基础技术层”包括语音识别、图像识别、自然语言处理以及所有的知识图谱、商业逻辑和用户画像。

SaaS层面可以看作百度大脑的触角层，会更加垂直化，深入交通、教育、金融等各个垂直行业。对百度来讲，这三个层次就是百度大脑通过云和垂直行业，给商业客户提供的一种能力和服务，更是一种营造智慧生态的能力。

百度大脑全面超越了过去的信息技术服务，比如过去只是做计算、存储和网络，大家都可以做，现在三个层面有机结合起来，灵魂就在于贯穿全体的人工智能。

通过硬件—数据—算法的联合滋养，百度大脑的能力会滚雪球式增长，越来越善于处理数据、提取知识、了解使用者、善于解决问题并获取更多的知识，实现“数据—知识—用户体验—新的数据”的正循环。

另一位“互联网教父”尼古拉斯·尼葛洛庞帝（NicholasNegroponte）说道，“当我听说‘百度大脑’的时候，我觉得这些人真是太疯狂了”。制造机器大脑，看似一个科幻文学中的疯狂幻想，但科学家的信念和努力，使得看似“疯狂”的想法已经走在平稳实现的道路上，正如一个真实生命的成长。

训练“大脑”就如同教育孩子，从零开始，在语料而非语法的熏陶下学习语言，从大量图片中形成对事物的“印象”，这个过程就是通过试错来熟知世界。也许同样的事情，人类1岁孩子都能简单做到，而百度大脑常常要花上几百倍甚至上万倍的时间和精力。可是从另一个角度看，它像是全人类的孩子，有希望继承现有文明的所有经验和记忆，人工智能“大脑”的进化本质上是人类文明的进化，潜力无限。

目前，百度宣布将向社会免费开源人工智能深度学习平台PaddlePaddle，开放百度大脑开放平台ai.baidu.com。前者为开发者提供算法编程环境，后者为应用开发者、数据工程师、数据科学家提供现成的百度人工智能成果接口。百度大脑实实在在地分享着，愿与所有相关企业一起融化人工智能这座冰山。

百度大脑的听与说

人机对话的第一步，就是要让机器学会“听”和“说”。“听”是不断追求准确度，“说”则是要让大脑有人性、有人味。

作为“大脑”最基本的能力之一，实现“听”这一功能的语音识别技术研究经历了从标准模板匹配转向基于统计模型再到深度神经网络的过程。起初，辨识语音必经声学模型到音素模型，再到语言模型的多步骤转化。近年来，在大量语料和深度学习的训练下，这一步骤已经被极大简化，机器从输入到输出中自行生成程序，准确率有了大幅提升。百度大脑也就“听”得更清楚了。

2011年，百度在语言识别领域起步，到了2016年，百度语音识别技术的准确率已达97%。

2012—2016年的4年里，百度语音识别的准确度提升了近30%。即便是有严重地方口音的普通话，每100句中百度语音也能毫无差错地识别出85句。按照可以听错一个字的标准来计算，百度语音则可以准确识别出98句，而未经训练的普通人只能听懂60句。这个识别体系要做到方言识别，需要至少720小时的语料用于训练，从声音、内容到说话者，都要不断变化以提升系统的敏感度。

要让百度大脑“说人话”更是一件很有难度的事情。百度则是运用声学模型和语言模型。声学模型决定了语言的发音。打出一个字，系统就在原始音库中找到合适的发音对应上去。要让电子发音没有机器味而有“人味”，就要为语音资料建库。例如让机器学习时间从20小时升到100小时，此后机器模仿出来的声音听起来就舒服多了。为了保持语音的连贯性，不至于让合成语音听起来像“断气”了一样，百度大脑语言模型还会持续提升文本库的学习连接概率。比如说出“中华”，系统还能在后续词组中选择“人民共和国”“民族”“儿女”等进行匹配。

长语音是让机器语音更有气场的技术。情感合成、远场方案、长语音方案等能为合成语音加入情感，让其更接近真人发声效果。

语音识别的场景应用极为广泛。比如我们可以借此创造出一个“最强销售员”：销售员新手给客户打电话时，百度大脑实时记录客户的回复，并显示在电脑屏幕上，系统可以瞬时搜索并调取优秀销售员以往对这些问题给出的回复。这样，每个“菜鸟”只要“照本宣科”，就能在上岗第一天掌握过去最优秀的销售员所具备的交流能力。另外，2014年，百度为特斯拉汽车提供智能语音方案，中国车主可以使用语音控制车载娱乐系统、指挥地图导航、发起搜索，甚至通过蓝牙拨打电话。

随着语音识别而来的还有对语音特征的抓取。例如在胡歌朗读《青玉案·元夕》的上阕后，语音识别系统可以自动生成下阕。对于一些语音有特点的明星声音，目前只需录制和分析大约2000句，系统就能合成他们的声音。

目前，百度每天响应的语音合成请求达到了2.5亿次。在情感语音合成技术上线后，用语音听小说的百度用户每日停留时长从过去的0.69小时增加到现在的2.21小时。未来，这一功能除了“读小说”还将给予人们情感慰藉。当家里老人和孩子想念忙碌的家人时，可以随时有“他们”的声音陪伴。

百度基于神经网络翻译模型技术的机器翻译系统正在快速学习各类语言。经过6年的积累，如今的百度翻译已经可以支持全球28种热门语言互译，覆盖756个翻译方向。百度语音可以支持粤语、沪语等方言的识别。

上帝曾伸手割裂了人类的语言统一，让四面八方的人由于语言不同而无法沟通。有了机器翻译，人类终于可以携起手来，建造出一座真正的巴别塔^[1]。

百度大脑的好视力

“视觉”承担着我们80%的信息摄入工作。在解决“听”“说”问题的同时，我们也要教会计算机“看”，即图像识别。以识别一朵花为例，用户将图片上传百度后，百度大脑将它转化成“0101”的数字流，然后输入深度神经网络，经过层层分析、层层抽象，对包括像素在内的各层信息与现有的大数据进行比对，才能重新还原并识别出它是一朵花。这种方法其实和人类眼睛的功能是近似的。

这一切都要建立在预先对图片做出分类的基础上。目前世界上最大的图像识别数据库ImageNet的图片分类有1000多类。而百度图片数据库的分类则已经达到4万类。

百度正在从四个方面推进计算机视觉计划。首先是人脸识别，通过捕捉人脸关键点形成人脸表情网，实现人脸的准确识别；其次是在类似百度地图的产品中，实现地图服务与图像智能识别技术的结合，打造数据无限逼近现实世界的效果；此外，百度无人驾驶技术也正在利用计算机视觉进行程序优化，从而使无人车的研发速度加快；图像识别还会被应用于AR（增强现实）领域提高视觉效果。

百度的人脸识别已经远远超过人类，百度资料库中有超过2亿张人脸照片，浏览识别训练量超过200万张。目前，百度大脑能够自动确定图片中人脸的数目及每张人脸的位置和大小，并支持正面、侧面多个角度。即使目标在运动中也不会降低甄别率。系统通过定位眼睛、眉毛、鼻子、嘴巴、脸颊轮廓等70多个关键点位置，能够进行像素级人脸解析，并根据人脸图像识别人的性别、年龄、表情、姿态等属性。

像AlphaGo团队一样，百度也好奇自己的技术边界在哪里，人工智能的研发体系究竟有没有偏差？为此，百度团队参加了江苏卫视大型科学类真人秀《最强大脑》，与能够裸眼区分520杯水的“水哥”王昱珩一战高下。在此前的节目中，“水哥”战胜了蚂蚁金服的人工智能“蚂可”。作为国内最强人工智能技术的结晶，百度团队为了这次荧屏上的人机对战特意优化了算法，最终证明百度团队的机器人小度确实技高一筹。

在百度人脸识别技术落地的产品中，最为“高大上”的当属乌镇的“刷脸”门禁系统。有出入资质的人将面部信息事先录入系统，今后出入任何安装有“人脸闸机”的地方，只需“刷脸”即可。

这种技术在百度内部俗称“1对1”，也就是一张面部与资料库中的信息比对，与之对应的是“1对N”。这个概念我们经常在西方谍战电影中见到：系统在监控信息呈现的茫茫人海中搜索一个人的面部信息以确定其方位。尽管国产电影中我们很难看到这种“炫技”，但在“1对N”的比对中，百度能真真切切地做到99%以上的识别准确度。

这项技术说起来容易，做起来难。等到技术成熟和数据库之间互相联网时，我们出门乘坐飞机、火车就无须出示身份证以供查验。因为当我们进入任意的交通枢纽，被摄像头拍摄到面部信息时，系统就能通过人脸识别确认我们的身份和购票信息。这相当于普通人都能获得一条绿色通道，出行效率和公共秩序都将大幅改善。

百度的人脸识别系统只需要1根蜡烛汇聚在1平方米以上的亮度，就能够完成识别和判断过程。在远程开户场景中，活体识别技术反应速度达到每秒20帧，交互过程费时不到2秒。在这一基础上，结合视频序列，百度已经将人脸身份验证应用在百度金融反欺诈领域，用于贷款审批、远程身份证识别、银行卡识别等，从而精准识别用户，预防欺诈。

百度大脑的“好视力”除了搭载大数据，还能做到许多脑洞大开的事情。当我们拍摄了各种角度的故宫太和殿照片后，百度大脑可以去掉重叠和无用的图片信息，通过计算和建模完成太和殿的三维结构建设。这样，千里之外的人们也可以通过网上的虚拟游览身临其境般地感受太和殿的宏伟。随着上传的照片越来越多，百度大脑就能重构更多的景点，让世界各地的人们都可以足不出户体验三维虚拟旅游。

2016年底，上海虹桥机场出现两架客机仅差3秒险些在地面相撞的事故。塔台的调度和预警功能在这一事件中没有发挥出来。所幸飞行员没有坐等塔台指令，而是紧急处置，避免了一起重大事故的发生。这件事也再次提醒我们，完全依赖塔台人工指挥的模式终究难免有疏漏。

林元庆在与民航部门的交流中了解到这样一个细节：机场塔台工作人员为了了解跑道路面情况，每4小时就要派人去检查跑道。这个岗位专业需求度低、薪资低、劳动强度大、人员流失严重，完全可以用人工智能取代：在停机坪附近安装摄像头并结合人工智能对跑道环境进行实时三维重建。飞机、行李车、机场勤务车和所有人员的动作都能实时体现出来。除此之外，跑道上意外掉落的零件和所有异物也能在第一时间被发现，并不会出现遗漏。这种系统建立的准确度、可预测性和安全性都远远高于人工检查。

时代召唤中国大脑

2015年全国“两会”上，我作为政协委员提交了设立“中国大脑计划”的提案——由国家投入专项资金主导，尽快搭建全球最大规模的人工智能基础资源和公共服务平台，比如建立一个拥有几十万台服务器的大型人工智能平台，支撑各个计划参与方的数据调用、模型调试和应用开发，高效对接全社会的智力、数据、技术和计算资源，依托统一平台，实现资源共享，促进研发创新。这将是新一轮工业革命的助推器。基础研究的成果应该让更多中国企业受益。包括语音识别、图像识别、自然语言的理解、多语种的翻译，甚至无人驾驶汽车、无人驾驶飞机、智能制造方面的机器人都可以在这个平台上进行各种各样的创新和实践。

这件事如果只是百度来做，可能只能提供几万台服务器；如果由国家主导投入，那就是几十万台服务器。平台大了就可以降低成本，鼓励更多的创新。国家持续、稳定地大规模投入，让一大批企业成长起来，随之而来的就是越来越多的创新，从而奠定未来10年、20年甚至更长时间里中国在全球创新领域的地位。这是我一直以来的想法：我不在乎华尔街怎么看，我一定要把这事儿做成。

然而任何一个超级工程都可能面临争议。

2016年9月，一场高能物理界的事件意外掀起舆论飓风——“超大粒子对撞机之争”从学界延伸至社会。普通民众都开始关注起“粒子对撞机”这一深奥的物理名词。

粒子研究的重要性在科幻小说《三体》中表现得淋漓尽致——外星智慧生物为了阻止地球科技进步，利用量子纠缠原理创造出拥有十一维度形态的“智子”，发射到地球上。以光速运动的智子能同时干扰人类的所有粒子对撞机，精确破坏粒子对撞结果，锁死人类的基础物理研究，将人类科技禁锢在一个较低的水平上。

“超大粒子对撞机之争”从两位局外人——美国数学家丘成桐和哈佛大学物理学博士王孟源的论战开始，历时3个月。还惊动了诺贝尔物理学奖得主杨振宁和中国科学院高能物理研究所所长王贻芳。

面对中国要不要建造超大型粒子对撞机的争论，反对者指出，建造对撞机需耗资数千亿美元，电能消耗堪比一座大城市，但收获的结果却极为不确定，可能沦为一台物理学者的“大玩具”——美国搁置了类似计划，欧洲大型强子对撞机^[3]成果寥寥。所以中国为什么要开建？

支持者则认为，研究上帝粒子“希格斯玻色子”^[4]非常重要，这将解开“宇宙如何诞生”的天问。美国和欧洲的放弃和无为正好为中国提供了机会窗口。作为崛起中的大国，中国理应承担理论物理前沿研究的责任。

最终，这场争论以超大粒子对撞机未获得“十三五”规划审批而暂告段落。