今天早上我寫了一篇報道《在課堂,、自習(xí)室、學(xué)位證之后,，在線大學(xué)Coursera開始建設(shè)圖書館》,，文中提到了Coursera的聯(lián)合創(chuàng)始人，斯坦福大學(xué)的教授Andrew Ng(吳恩達),。實際上,，Andrew Ng還有另一個非常重要的身份：他正在利用深度學(xué)習(xí)（Deep Learning）理論幫助Google建立一個人工智能系統(tǒng)——Google Brain。一天前,，《連線》發(fā)表了《谷歌大腦背后的人：Andrew Ng對新人工智能的探索》一文,，對Andrew Ng進行了采訪，我將文章的主要內(nèi)容做了擷取和補充,，希望能夠幫助大家了解人工智能（AI）的發(fā)展趨勢,。

在人工智能學(xué)的初期，業(yè)界最流行的觀點是由麻省理工學(xué)院人工智能實驗室的創(chuàng)始人Marvin Minsky提出的“Society of Mind”理論,，這個理論的核心思想是：

“人類的思維是由成千上萬個單元共同協(xié)作產(chǎn)生,，當(dāng)這些單元組成一個整體時，他們就會產(chǎn)生無限復(fù)雜的,，我們稱之為思想和感情的東西,?！?/p>

所以如果依照Marvin Minsky的思路去組建人工智能，就需要建立并組合成千上萬個獨立的計算模塊,，這些模塊分別發(fā)揮不同的作用,，例如控制語音、控制視覺等,，然后需要通過復(fù)雜算法將這些模塊全部連接起來去模擬大腦產(chǎn)生思維,。這看上去像是一個不可逾越的技術(shù)鴻溝。

Andrew Ng說,，正因為在“Society of Mind”理論下的人工智能學(xué)難度極高,，所以導(dǎo)致他在大學(xué)時就放棄了從小樹立的“建造一個具有人類思維的機器人“的夢想，他甚至作為斯坦福的教授勸阻自己的學(xué)生去探尋這條不歸路,。然而,，在接觸到“one algorithm”假設(shè)后，他又再度起航了,。

與“Society of Mind”不同的是,，“one algorithm”假設(shè)中并不認為人腦中的單元是有明確分工的，而是一塊領(lǐng)域有多元化功能的,，例如處理聽覺的部位同時也控制著視覺,，雖然這種行為可能只存在于大腦的發(fā)育階段，但它證明了大腦在本質(zhì)上是一個通用處理器,，通過調(diào)整,，大腦可以處理不同類型的任務(wù)。 

正是這樣思想引發(fā)了深度學(xué)習(xí)（Deep Leaning）技術(shù)的興起,。在深度學(xué)習(xí)理論下,，科學(xué)家們希望建立一個模擬大腦處理信息（數(shù)據(jù)）的機器，用傳感器去模仿神經(jīng)元感知,、采集數(shù)據(jù),，并對它們進行分層、聚類,，建立模型逐步學(xué)習(xí),。這種思路讓“機器學(xué)習(xí)”第一次擁有了“自我學(xué)習(xí)”的能力，即人們不需要再為計算機提供數(shù)據(jù)模型和定義,，而是完全由電腦自己去理解事物,，它在很大程度上更接近人工智能的概念。

在深度學(xué)習(xí)熱潮的指引下,，Andrew Ng于2011年加入了Google的深度學(xué)習(xí)項目,，然后我們便看到了那個著名的“貓臉識別”系統(tǒng)的誕生——1000臺計算機、16000個芯片組成的系統(tǒng)在“學(xué)習(xí)了”數(shù)百萬張貓臉圖片，將線條,、亮度,、邊界、色彩等多個特征分類,，最后它在看到貓的圖片后,，就能將它識別出來，與學(xué)習(xí)過的圖片歸為一類,，雖然計算機系統(tǒng)內(nèi)本身并沒有“貓”和“貓長得是什么樣子”這些概念數(shù)據(jù),。這就像人類大腦的記憶過程——當(dāng)神經(jīng)元接收到各種感官信號時，它們會把信號傳遞給海馬體,，并逐步形成持久的網(wǎng)絡(luò),。

不過Andrew Ng說目前深度學(xué)習(xí)的效果還遠遠未達到大腦那般準確，其中很重要的一個原因是他們?nèi)匀徊荒芡耆斫獯竽X是如何工作的,，所以如今有意于發(fā)展深度學(xué)習(xí)的微軟,、高通等大型科技公司都在爭相雇傭神經(jīng)科學(xué)方面的計算機科學(xué)家。

同時,，在“貓臉識別”試驗中,，傳感器、芯片的規(guī)模巨大,、負載壓力也不小,，如何設(shè)計元器件尺寸，降低能耗并大幅提高運行效率也是Andrew Ng等科學(xué)家需要解決的問題,。

不止是科技公司,，這項科學(xué)項目也收到了美國政府的重視,，在美國總體奧巴馬宣布啟動的BRAIN項目中就希望能夠繪制出大腦神經(jīng)網(wǎng)絡(luò)連接圖,，如果能弄清楚成千上萬的神經(jīng)元如何相互連接以及信息如何在神經(jīng)網(wǎng)絡(luò)中被存儲和處理，那么工程師們就能夠更好地構(gòu)造人工大腦,。

可能讀到這里,，你仍然無法想象這項技術(shù)對我們?nèi)粘躺畹淖兏铩Ｄ敲醋鰝€簡單的說明：如果計算機有了感知學(xué)習(xí)的能力,，那么通過各種設(shè)備的各類傳感器（攝像頭,、陀螺儀、平衡儀等）,，你的任何狀態(tài)數(shù)據(jù)都會被電腦獲取,，并且能夠像人腦一樣進行處理判斷，會將“大數(shù)據(jù)”的精度提升到一個全新的高度,。到那時,，搜索、電子商務(wù)、翻譯等無數(shù)行業(yè)將被改變,，說不定到那時,，我們也可以方向的把記憶和思維存儲到計算機上，實現(xiàn)某種意義上的“永生”,。

當(dāng)然,，這并不是一朝一夕的事情，就像Andrew Ng說的那樣,，理解大腦,、構(gòu)建正確的算法、搭建完美的系統(tǒng)……這都仍需要數(shù)十年的探索,，但在深度學(xué)習(xí)理論的指引下,，我們看到了它實現(xiàn)的希望。

附注：Andrew Ng 的 Deep Learning 教程已經(jīng)被一些中國的志愿者翻譯成中文,，可點擊此處查看,。