乐佳

记得刘慈欣《三体》中，三体星人对于人类科技发展的评估是“跳跃式的”。在现实世界中，我们的感受似乎也的确如此，每过几十年人类的科技似乎总能向前迈进一大步。笔者小时候看过一部美剧《霹雳游侠》，剧中的主人公有一辆高度智能的跑车：能与人对话、能自动驾驶、能为主人公提供很多好的建议。这些科技在当时的我们看来似乎都可以看成是编剧天马行空的想象力。而仅仅过去了三十几年，上面的各项技术都基本成为了现实。一个人工智能系统的确是多种前沿技术综合的产物，以自动驾驶为例：需要计算机技术，传感器技术、高清视频技术等多种技术的加持。但如果我们拨开这些技术细节，去探讨人工智能最本質的原理，其实并没有想象中的那么复杂。

我们以当前最火的人工智能分支深度学习为例来探讨这个问题。深度学习（或者说人工智能）本质上是一种编程范式，也就是编程的方法。传统的编程技术是把解决某个问题的方法和规则记录到计算机中，当收到数据时，根据已有的方法和规则对数据进行处理从而得到相应的答案。而深度学习或者说人工智能，则是通过编程让计算机自己去学习已有数据和其答案之间的对应关系，当有新的数据来时，根据之前从已有数据中学到的知识，对其结果作出合理的推断。

我们用一个具体的例子来形象地说明这个过程。目前构建一个深度学习系统的简化流程如图所示。假设现在我们要构建一个进行图像识别的智能系统，该系统的目标是能自动识别出一张图片中的各种动物。比如：给这个智能系统一张狗的图片，它立马告诉你答案是狗。根据图中的流程可知，第一步，我们要收集各种动物的图片（数据），并对各种图片的种类进行标记（哪些图片里是狗、哪些图片里是猫等等）;第二步，我们通过预处理把这些图片处理成计算机能接受的形式;第三步，我们需要设计深度学习模型的架构，也就是人工神经网络的结构（人工神经网络是深度学习的核心技术）;第四步，将收集到的动物图片和每张图片对应的动物类别标记送入模型中，训练模型自己学习每种图片和其对应的动物类别之间的映射关系;第五步，当模型学习到一定程度后，我们会用一些新的图片测试模型是否能给出正确的答案，如果能则模型构建完成，如果不能则重新回到第三步对模型的架构进行调整后，重新进行学习直到满足我们的要求为止。

上述的过程其实和我们人类的学习过程十分类似：假如您现在要给您2岁的孩子（图像识别智能系统）做启蒙教学，教学的内容是认识各种动物，您的教学过程通常是这样的：第一步，去网上或者实体书店买几本动物的图册（收集数据）;第二步，为图册上的各种动物标上名字（标记类别）;第三步，您会每次拿一张图片给您的孩子看，并告诉您的孩子这个图片是狗或者是猫，这个学习的过程通常是反复的，今天教几遍明天再教几遍，孩子则在这种反复的过程中去学习每张图片中对应的动物图像和它名字之间的对应关系;第四步，当您觉得教得差不多时，某一天，您会突然拿出一本新的但类似的图册来考您的孩子是否能认出图册里的动物们，如果他（她）能，那么您会很高兴地竖起大拇指，然后进行下一阶段的学习;如果不能，您也会微笑着重新教他（她）学习图册里的内容。这个过程是不是和上面的几乎一模一样？