1 人工智能商業(yè)化浪潮

　　20 世紀末，當以神經(jīng)網(wǎng)絡為主流的 AI 研究又一

　　次跌入低谷的時候，加拿大多倫多大學的 Hinton 教

　　授等還是堅守陣地，辛勤耕耘，并在 2006 年獲得了

　　突破［3-4］．2012 年他和兩位學生成立“深度神經(jīng)網(wǎng)絡

　　研究”（ DNN Research） 公司，數(shù)個月后被 Google 收

　　購，從此 Hinton 教授身兼多倫多大學教授和 Google

　　研究者的雙重身份．Google 隨后斥資 4 億美元收購人

　　工智能初創(chuàng)的前沿人工智能企業(yè) DeepMind．另外，

　　Google 還收購了烏克蘭面部識別技術開發(fā)商 Viewdle．

　　緊隨 Hinton 教授的步伐，紐約大學 Yann LeCun

　　教授，2013 年底被聘請為 Facebook 人工智能研究院

　　的總管; 斯坦福大學吳恩達（ Andrew Ng） 教授，2014

　　年被百度聘任為首席科學家負責“百度大腦”的計

　　劃（ 2017 年已經(jīng)辭職） ; 斯坦福大學李飛飛教授（ FeiFei Li） 成為谷歌云計算部門的負責人之一．這些現(xiàn)

　　象一方面說明人工智能現(xiàn)在受工業(yè)界的歡迎程度，

　　同時也說明了人工智能目前的發(fā)展趨勢是學術研究

　　和企業(yè)開發(fā)的快速深度結合．

　　為了迎合 AI 的發(fā)展熱潮，大量的開源學習平臺

　　不斷問世，賈揚清的 Caffe、Google 的 TensorFlow、Facebook 的 FBLearner Flow、Tesla 領銜的 OpenAI 以及

　　百度深度機器學習開源平臺等，都為 AI 的研究和產(chǎn)

　　業(yè)開發(fā)起到了巨大的推動作用．當然還有很多其他

　　工業(yè)巨頭的產(chǎn)品，例如 IBM 的沃森系統(tǒng)、微軟的同聲

　　翻譯等．

　　科技發(fā)展，人才為本．AI 也不例外，企業(yè)對于 AI

　　人才的搶奪更是趨于白熱化．目前 AI 領域，尤其是

　　深度學習領域面臨缺乏專家的困境．由于這個領域

　　剛剛開始發(fā)展，所以專家，即使是博士畢業(yè)生都特別

　　少．吳恩達教授曾總結深度學習領域人才匱乏的幾

　　個原因： 首先是數(shù)據(jù)，獲取解決某些領域的問題的數(shù)

　　據(jù)常常非常困難; 其次是計算基礎和架構工具，包括

　　計算機硬件和軟件，入門不易; 最后是這個領域的工

　　程師培養(yǎng)時間長．為了解決上述問題，工業(yè)界的科技

　　巨頭，如 Google、Facebook、Twitter、百度等紛紛通過

　　收購深度學習領域的初創(chuàng)公司來招攬人才．其中最

　　為典型的是 Google，它通過不斷收購深度學習領域

　　的公司，搶到一批世界一流專家．總而言之，人工智

　　能產(chǎn)業(yè)的發(fā)展，使得其相關領域的人才成為稀缺之

　　寶，這對該領域的研究人員來講，既是機遇，也是

　　挑戰(zhàn)．

　　2 人工智能的主要研究學派

　　人類的智能主要包括歸納總結和邏輯演繹兩大

　　類．我們大量的感知處理，如視聽覺、身體感知處理

　　等都是下意識的，屬于歸納總結智能．而數(shù)學推導、

　　邏輯推理等都是基于公理系統(tǒng)的符號演繹方法．由

　　于在發(fā)展過程中，對于智能的理解的不同，漸漸形成

　　了幾個經(jīng)典學派．每個學派從不同的角度看待問題，

　　提出解決方案．比如最為主要的兩個學派： 符號學派

　　和聯(lián)結學派，前者從哲學、邏輯學和心理學出發(fā)，將

　　學習視為逆向演繹，使用預先存在的知識來解決問

　　題，大多數(shù)專家系統(tǒng)使用符號學派的方法; 后者專注

　　于通過神經(jīng)元之間的連接來推導表示知識，該學派

　　聚焦于物理學和神經(jīng)科學，并相信大腦的逆向工程，

　　他們用反向傳播算法來訓練人工神經(jīng)網(wǎng)絡以獲取結

　　果［5］．其他學派，如進化學派在遺傳學和進化生物學

　　的基礎上得出結論，貝葉斯學派注重統(tǒng)計學和概率

　　推理，類推學派更多是關注心理學和數(shù)學優(yōu)化來推

　　斷相似性判斷．

　　雖然上述主流學派各自都取得了很大的成就，

　　但是其各自采用的研究方法都遇到了諸多困難，而

　　且這些學派對于 AI 的研究思路和方法難以形成一

　　個統(tǒng)一的框架．為了更好地理解 AI 的本質(zhì)，本文擬

　　采用文獻［1，5］中的觀點來介紹人工智能的主流研

　　究方法．

　　基于對于“機器智能是由什么決定”這個問題的

　　回答，人工智能領域 70 多年的發(fā)展形成了 3 大主流

　　的研究方法： 結構模擬、功能模擬和行為模擬．這 3

　　種研究方法之間缺乏一種內(nèi)在的聯(lián)系，使得人們普

　　遍認為 AI 理論不成體系．為了解決上述問題，文獻

　　［1，5］提出了第 4 類方法，即機制模擬．

　　2. 1 結構模擬

　　近代科學強調(diào)“結構決定論”，認為只要系統(tǒng)的

　　結構清楚了，功能也就認識清楚了．最先提出來的智

　　能模擬就是結構模擬的思路，其代表性的成果有神

　　經(jīng)元的 MP 模型［6］、多層感知器 MLP 模型［7］和人工

　　神經(jīng)網(wǎng)絡［8］等．在機械系統(tǒng)的研究中非常有用的結

　　構決定論，在智能系統(tǒng)的研究中卻存在很多問題．結

　　構只是硬件基礎，不能完全確定系統(tǒng)的智能行為．正

　　如現(xiàn)在對于單個神經(jīng)元的生理活動機制已經(jīng)研究得

　　非常深入，但是大量的神經(jīng)元連接在一起所呈現(xiàn)的

　　智能行為目前的理解還是非常膚淺．作為結構模擬

　　的主流成功方法，人工神經(jīng)網(wǎng)絡具有非常突出的優(yōu)

　　點： 1） 人工神經(jīng)網(wǎng)絡具有比較規(guī)范的結構; 2）