非科幻思考（第2/17頁）

什麽？這是什麽算法，有這樣的魔力？

“阿爾法狗”究竟是如何做到自我學習的呢？

實際上機器學習並不是非常新的概念，從幾十年前，人類就試圖讓機器自己學習事情，但受限於算法和當時的計算速度，機器學習的步子一直都不快。

“阿爾法狗”的算法叫“深度學習”，它的前身是“神經網絡學習”，也是幾十年前就誕生的算法，當時流行過一段時間，後來被一篇著名的論文打消了熱度，再加之學習效果不算好，於是遭受冷遇幾十年。在與“阿爾法狗”的創始人相遇之前，“神經網絡”並不是眾望所歸。

“神經網絡”是什麽算法？“深度學習”又是怎樣將其點石成金的？

“神經網絡”是一種“民主投票”算法，效仿大腦的神經網絡建成。大腦的神經網絡是這樣工作的：一個神經細胞接收很多個神經細胞的信號輸入，一個刺激信號相當於贊成票，一個抑制信號相當於反對票，如果某個細胞收到的贊成票和反對票合起來大於某一個門檻，就算是通過了，會有一個信號發出去到下一個神經細胞。一路贊成的刺激信號就這樣一程程傳遞下去。神經網絡算法是數字版腦神經網，用數字連接形成網，而其中的投票機制和大腦相似。它可以讓信號在整個學習網絡裏傳播，比單路信號分析復雜很多，也智能很多。

“深度學習”是什麽呢？“深度學習”是“深度多層神經網絡學習”的簡稱。深度是指層次多，一層套一層的神經網絡，構成整個算法的深度。層與層之間的關系，大致是這樣：每層神經網絡分析的精細程度不同，底層分析細節，上層做出判斷。將一個整體任務分解成無數細節，給一個輸入，底層神經網絡會分析基礎細節，然後將分析結果傳給上一層網絡，上一層網絡綜合之後再將結果傳給更上一層的網絡，而頂層網絡綜合層層傳來的結果，做出判斷。例如，想讀出一個字，底層網絡會判斷字裏有沒有橫豎撇捺，上一層網絡會判斷字裏有沒有直角，再上一層網絡判斷是不是由左右兩部分拼成一個字，諸如此類，最上層的網絡根據層層結果認出這個字。這種多層判別本身是效仿真實人類的大腦，人類大腦就是由一層層神經網絡組成，每一層網絡識別信號，再將處理結果傳遞到上一層。人類皮層大腦的神經網絡層次大約有六層。“深度學習”網絡可以有上百層。

換句話說，“深度學習”就是把從前的“神經網絡”重疊了多層。

就是這樣嗎？僅僅把“神經網絡”疊了多層，就從受人冷遇的小人物變成了江湖明星？故事有這麽雞湯嗎？

當然不是這麽簡單。“深度學習”這次能煥發生機，也是生逢其時，有兩陣不可忽略的東風送其上青雲。

一陣東風是算力增強。計算機芯片的速度呈指數級增長，價格一路下跌，由遊戲應用發展壯大的GPU（圖形處理器）大大補充了從前CPU（中央處理器）引擎的計算能力，讓人工智能計算更強大。“阿爾法狗”戰勝李世石的時候啟用了1920個CPU和280個GPU陣列運算，一秒就能自我對弈數百盤。

另一陣東風是大數據。事實上，這可能是這一輪人工智能熱潮最重要的推動因素。人們赫然發現，原來不是算法的問題，而是以前用來訓練的數據還遠遠不夠多。這就好比讓徒弟自學武功，卻不給他足夠多的對戰機會。有了大數據，算法呈現的結果出現了驚人的進步，讓人目瞪口呆。

於是，在算力和大數據的輔佐之下，升了級的“深度學習”算法如虎添翼，能夠從海量數據中找到高超的戰術規律，以人類無法看懂的方式戰勝人類。

就是大數據輔助的“深度學習”，成為這一輪人工智能熱的關鍵。

人們把很多很多大數據扔給機器，用多層神經網絡進行“深度學習”，結果發現，機器在很多領域能力有了突飛猛進的提高。圖像識別的正確率趕上了正常人，語音識別也過關了，把科學文獻作為數據，短時間就能學習幾十萬份最新文獻。金融、電力、能源、零售、法律，“深度學習”都能從大數據中學到優化的行為做法。人工智能的應用，能讓這些領域變得高效、便捷、自動化。除了“深度學習”，也還有其他算法，包括後面要提到的決策樹、貝葉斯等算法，各種算法的綜合使用效果是最佳的。各種算法共同構成機器學習大家庭。

除了深度學習，“阿爾法狗”另一重武器叫作“強化學習”。“強化學習”是什麽呢？簡單點說，就是“無序嘗試，定向鼓勵”，就好比小朋友在屋裏隨機行動，走到數學教具旁邊父母就說“好棒好棒”，後來小朋友就特別喜歡走到數學教具旁邊（當然，這純屬假想的場景）。這種思維一點都不奇怪，在心理學中很早就已經應用到教學中，對大多數教學場景都有效果，尤其對一些發展遲緩的孩子做教學幹預（但也有心理問題）。