金庸武侠小说《射雕英雄传》里，有这样一段经典场景：“老顽童”周伯通在被困桃花岛期间，创造了“左右互搏术”，即用自己的左手跟自己的右手打架，在两手互搏中提高功力。

如今，这样的桥段在人工智能领域真实上演。它，就是深度学习。

“左右互搏术”与深度学习中的一种对抗训练原理相仿，即有两个角色——生成器和判别器。生成器类似于左手，扮演攻方；判别器类似于右手，扮演守方。

判别器的目的是正确区分真实数据和生成数据，从而最大化判别准确率；生成器则是尽可能逼近真实数据的潜在分布。二者需要不断提高各自的判别能力和生成能力来取胜，从而实现目标优化。

让我们打开这个“神秘魔盒”。

深度学习的概念，最早是由杰弗里·辛顿在2006年提出的。这是一门用于学习和利用“深度”人工神经网络的机器学习技术。作为人工智能领域中最热的研究方向，深度学习迅速受到学术界和工业界的关注。

目前，深度学习已得到广泛应用。如在博弈领域，AlphaGo通过深度学习，以4∶1的比分战胜韩国棋手李世石，成为第一个击败人类职业围棋选手的电脑程序；在医学影像识别中，以深度学习为核心技术的X光、核磁、CT、超声等医疗影像多模态大数据的分析技术，可提取二维或三维医疗影像中隐含的疾病特征；在图像处理中，最成功的领域是计算机视觉，如图像风格迁移、图像修复、图像上色、人脸图像编辑以及视频生成等。

一种特殊的机器学习方法

今天的人工智能，其实是把现实生活中的问题量化成了可计算的问题，然后用计算机算出来。数学模型则架起了中间的桥梁。

现实生活中，很多问题都可以通过建模解决。比如计算远程火炮弹道问题，计算日食、月食出现的时间和地点等。我们只要把相应公式用计算机语言写一遍，再代入参数，就能计算出来。

然而，更多问题的解决方法是不确定的。即使我们找到了相应的数学模型，也不知道应该代入什么参数。比如语音识别、人脸识别和机器翻译等。因此，我们需要让计算机通过自主学习，从大量数据中得到相应参数。这个过程，就是机器学习。

机器学习旨在发现数据存在和利用的模式，并用它们进行学习及做出预测。机器学习的过程，就是用计算机算法不断地优化模型，让它越来越接近真实情况的过程。它与人类学习的道理如出一辙。

考察人的学习通常方式是考试，如果分数不及格，就需要进一步学习。机器学习也要这样来衡量，它的目标用专业术语来说，就是“期望值最大化”。

机器学习的效果取决于两个方面：一方面是学习的深度。机器学习并不能“一口吃成个胖子”，它的训练算法需要迭代执行。这如同人在学习时要通过复习来“温故而知新”一样。机器学习迭代的次数越多，即学习得越深入，得到的数学模型效果越好。另一方面是数据的质与量。正如我们做大量优质习题，成绩就会提高。机器学习也是如此，训练数据量越大，学习效果就会越好。

根据数学模型的特点，机器学习有两种方法：一种是利用已知模型进行训练；另一种是在模型未知的情况下，设计一些简单通用的模型结构，然后使用大量的数据进行训练，训练成什么样就是什么样。这便是我们常听到的人工智能“黑箱”问题，即使训练有效，也不清楚里面是什么。

深度学习就是后一种机器学习的方法。人工智能涵盖的领域十分广泛，深度学习只是其中的一个分支，属于机器学习的范畴。人工智能需要有“独立思考”能力与机器学习技术的支持，深度学习便是帮助机器实现“独立思考”的一种方式。

深度学习迎来革命性突破

人工神经网络，简称神经网络，是一种模仿动物中枢神经系统结构和功能的数学模型，是用大量简单处理单元经广泛连接而组成的人工网络。它其实是一个特殊的分类器，用于对函数进行估计等。

神经网络为许多问题的研究提供了新思路，特别是迅速发展的深度学习，能发现高维数据中的复杂结构，取得比传统机器学习更好的效果。

20世纪50年代，人类第一次设计出计算机能运行的神经网络算法。此时的神经网络，虽然给了人们很多遐想空间，却解决不了实际问题，因此被打入“冷宫”。

到了20世纪80年代末期，人们提出反向传播算法，可让一个神经网络模型从大量样本中学习统计规律，从而对未知事件做出预测。随后，支持向量机等各种各样的机器学习方法被相继提出。不过，这些模型的结构均为浅层学习方法，处理复杂问题的能力受到一定制约。因此，神经网络再进“冷宫”。

2006年，加拿大教授辛顿和他的学生提出深度学习神经网络的“快速学习”算法，使深度学习迎来了革命性突破。深度学习通过学习一种深层非线性网络结构，展现出了从少数样本中集中学习数据及本质特征的强大能力。

从此，神经网络学会了反复分类以及识别物体的方法，并展现出乎意料的精准度。

计算能力成为推动深度学习的利器

人工神经网络在被提出的50年间，都没能很好地解决智能问题。究其原因，除了算法本身不完善外，还在于计算机绝对速度不够快，而且单位计算能力的能耗太高，无法通过大量服务器搭建并行计算系统，来达成深度人工神经网络。

那么，靠什么加以突破？答案就是摩尔定律。

摩尔定律是英特尔联合创始人戈登·摩尔在1965年提出的一项观察结论，即计算机的总体处理能力大约每2年就会翻一番。经历近50年的历史检验，摩尔定律展现出惊人的准确性。摩尔定律带来的结果是，在过去的半个多世纪里，计算机处理器性能增长了上亿倍，耗电量却降到了百分之一。

从能量角度看，摩尔定律反映出了人类在单位能耗下，所能完成信息处理能力的大幅提升。而这正是实现人工智能的基础所在。

从某种意义上说，不仅是深度学习技术，今天的人工智能都是靠算力成就的。

人工智能的崛起，有3个技术要素：一是它解决了可计算问题，即在算法上的突破；二是它积累了大量数据，形成了可学习的原材料；三是摩尔定律所推测的，处理能力得到持续提高。

算力是推动深度学习的利器。计算能力越强，同样时间内积累的经验就越多、迭代速度也越快，深度学习的性能也就越高。

不断进化的深度学习之道

1997年，“深蓝”在国际象棋比赛中战胜加里·卡斯帕罗夫；2016年，AlphaGo在围棋比赛中战胜李世石。

虽然这两种人工智能系统都学会了下棋，但教授它们的方式以及它们如何比赛，则大相径庭。

“深蓝”的核心评估函数对给定盘面进行数字“排序”，而且函数是手工设计的。这种比赛风格，实际上是一种“蛮力”。“深蓝”将其评估函数应用到许多备选的未来状态，对每个棋手预先搜索七八步，以2亿次/秒的速度进行局面评估。

AlphaGo的学习方法则迥然不同。它通过一种双管齐下的深度学习方法“学习”，用“价值网络”评估局面，用“策略网络”选择走棋。

深度学习神经网络的训练，一部分通过使用人类高手对弈数据集的监督学习进行（总出棋数约为3000万步），另一部分通过对自我对弈非监督强化学习进行（模拟成千上万场随机比赛）。它不使用预测搜索，走棋是单个“围棋局面”整体评估的结果。

2017年5月，在中国乌镇围棋峰会上，AlphaGo的升级版AlphaGo Zero，与世界排名第一的围棋冠军柯洁对战，结果以3∶0的总比分完胜。

令人震惊的是，AlphaGo Zero一开始并没接触过人类棋谱。它使用了新的强化学习方法，从单一神经网络开始，通过神经网络强大的搜索算法，进行自我对弈训练。随着自我对弈次数的增加，神经网络逐渐调整，提升预测下一步的能力，最终成为具备超强棋力的“选手”。更为厉害的是，随着训练的深入，AlphaGo Zero还独立发现了游戏规则，走出了新策略，为围棋这项古老游戏带来了新见解。

目前，深度学习在许多领域取得了技术性突破，并展示了极佳效果。然而，它仍存在一些局限：理论研究缺乏、无监督学习能力弱、缺少逻辑推理和记忆能力等。

人工智能的用例

随着使用规模的进一步扩大，虽然有了像Watson和AlphaGo这样的人工智能系统，这些系统已经证明，它们甚至可以击败最有成就的人类对手，其中一个例子就是击败五名扑克职业选手的人工智能系统。

虽然这些典型的例子可能会引起人们的关注，但如今大部分人工智能的使用仍然在幕后悄无声息地进行。

类似于语音助理示例，如果使用谷歌公司的Gmail电子邮件服务，可能会注意到它现在会在人们键入时显示文本。在回复Sarah的电子邮件时，当键入“Hi”或中途键入“Hello”时，它会提示用户的名字。如果开始键入“How”，它会提供其他建议(如“Who you?”在第一句或第二句)中，并在输入句子的时候可以随时修改。

人工智能的一个关键用例是挖掘数据，以帮助企业、政府组织和其他机构在从战略到产品开发的所有方面做出明智的决策，并且比以往任何时候都快得多。

但这只是触及了人工智能潜力的冰山一角。事实上，它被用于无数的领域和场景，以下将详细介绍其中的许多领域和场景。

然而，与所有技术一样，人工智能有可能带来好处和负面结果。特斯拉公司创始人埃隆·马斯克和已故的理论物理学家和宇宙学家斯蒂芬·霍金都认为人工智能是对人类生存的威胁。

那么人工智能是一种向善的力量吗？还是人们天生就应该不信任它?

人工智能的优点

在未来几年中，人们可以期待人工智能能够为消费者、企业和公共部门提供更多服务，许多技术专家预测人们很快就会被物联网设备所包围，这些设备能够加速完成复杂任务并执行平凡的任务。人工智能提供的许多好处将围绕工作场所展开。

(1)提高效率

如今，数据对商业的重要性与石油一样，因此有必要准确、快速地处理这些数据，以获得实时结果。DeepMind就是正在利用这类人工智能的一个很好的例子，以与世界顶级临床医生相同的准确度诊断影响视力的眼部疾病。

伦敦大学眼科研究所和位于伦敦的Moorfields眼科医院一起开展的研究工作可能为在英国的医院采用人工智能系统开辟道路。借助人工智能系统，医生可以花更少的时间研究数千次眼部扫描，并可以在几秒钟内帮助诊断患者的病情。

(2)消除人为错误

即使是最优秀的人也容易出错，无论是注意力不集中还是简单的错误。然而，为执行特定任务而构建的人工智能机器并没有表现出这些特点。

在线超市Ocado公司在其仓库中使用自动化机器控制着数千个机器人，每秒与它们通信10次，以协调大量商品的物流和配送。但是值得注意的是，该系统并非完全没有故障：2021年7月，该公司在其一个配送中心发生机器碰撞并引发火灾之后，被迫取消了数千个订单。

(3)提供更智能的科技

与Ocado公司类似，人工智能将在未来用于为人们的许多自动化服务提供动力。这些服务可能是预计将改善环境的智能城市，也可能是使用人工智能导航道路和评估障碍物的自动驾驶汽车。

人工智能机器快速准确地处理大型数据集的能力对于许多智能技术和环境的运行至关重要。这方面的一个例子已经在许多顶级智能手机上运行，其中人工智能在后台运行，不断调整手机的设置，以获得最大的性能。

人工智能的缺点

新技术或现有技术也可能被彻底颠覆并被用于邪恶目的，或者产生不良的副作用。人工智能在这方面也是如此。

2016年，美国成立了一个包括五家硅谷巨头在内的行业组织，该组织通过达成的人工智能伙伴关系以造福人类和社会。该机构致力于促进人工智能技术的公平和道德发展，这些技术有可能带来尽可能多的颠覆，并从中受益。

(1)工作场所的决策人工智能

某些人工智能程序的速度和效率使其对希望在企业中找到更多价值的高管具有吸引力。

IBM公司的Watson已被用来通过查看员工的经验和过去的项目来判断员工在未来可能具有的素质和技能，从而决定员工是否值得加薪、获得奖金或晋升。

以这种方式使用的决策软件引起了一些关注。代表英国大多数工会的英国工会联合会最近呼吁进行立法改革，以保护员工免受此类技术的侵害。它还建议雇主在部署此类系统之前咨询该工会。

英国工会联合会秘书长Frances O'Grady说：“我们的预测是，如果任其发展，使用人工智能来管理员工将会导致其工作变得越来越孤独和孤立，从而失去人际关系的乐趣。”

(2)员工失业

人工智能系统取代人类被广泛认为是采用人工智能的主要障碍，因此可能会导致大量裁员。

虽然这种厄运和悲观的情景让人们感到担忧，但Gartner公司预测人工智能将创造更多的就业机会。该公司分析师在2017年发表的一份研究报告中表示，预计到2020年人工智能将创造230万个工作岗位，并将削减180万个工作岗位。

Gartner公司研究副总裁Svetlana Sicular说：“过去的许多重大创新都与暂时失业的过渡期有关，然后是工作职位数量的复苏，那么业务转型和人工智能可能会遵循这条路线。不幸的是，大多数关于失业的灾难性警告都将人工智能与自动化技术进行混淆，而这掩盖了人工智能最大的好处——人工智能增强，这是人类智慧和人工智能的结合，这两者相辅相成。”

普华永道公司在2018年发布的一份调查报告指出，人工智能创造的就业岗位将与它淘汰的一样多，非政府组织世界经济论坛(WEF)在2020年10月再次重申了这一说法。该组织在其发布的一份名为《未来就业报告》中表示，尽管新冠疫情加速了许多重复和危险任务的自动化，但人工智能实际上将带来长期的就业增长。到2025年，估计全球将有8500万个工作岗位被取代，在26个国家将会出现9700万个新的工作岗位。

世界经济论坛还预测，在未来的四年中，一半的失业工人需要一些技能提升或再培训，为从事新工作做好准备。值得为基于人工智能的未来发展而开发的技能领域之一是数据，但软技能也不应被忽视。英国媒体和数据部部长John Whittingdale OBE将软技能描述为非常重要的技能。他充说，“没有软技能，数据就有可能被误读或误解，这可能对企业及其决策产生重大影响。”

(3)人为错误

尽管人工智能实际上可以从流程中消除人为错误，但它仍然存在于代码中，并将出现偏见。人工智能技术主要基于算法的编码将对某些人口统计数据产生负面影响。

令人担忧的是，如果不具有100%安全性，黑客可以利用人工智能对知识的渴望。例如，微软的聊天机器人Tay Tweets在推出16小时后就不得不下架，因为它开始在推特上发布与其他Twitter用户相同的种族主义和煽动性内容。

负责任地使用人工智能

谈到人工智能，有很多值得肯定的地方。当然就像任何具有颠覆能力的新技术一样，个人和组织也必须注意其中的陷阱。

但意识到不利因素并不意味着对好处视而不见。事实上，决策者已经被警告不要这样做，否则就有可能失去所提供的好处。

Gartner公司副总裁Whit Andrews表示：“看看当今与客户关键互动的商业时刻是如何使用人工智能技术的，并考虑如何增加价值。由于人工智能项目的范围和受欢迎程度、对其价值的误解、所接触数据的性质以及文化问题，人工智能项目面临着一些独特的障碍。要克服这些障碍，首席信息官应该设定现实的期望，确定合适的使用案例，并创建新的组织结构。”

Gartner公司建议，企业的业务和IT领导者应该仔细考虑和权衡机会与风险。该公司警告说，过分关注自动化而没有从大局出发，只会掩盖更广泛的好处。

麻省理工学院(MIT)物理学教授、未来生命研究所所长Max Tegmark说：“我们热爱的关于文明的一切都是智慧的产物。只要我们设法使技术受益，用人工智能技术拓展人类智能，就有可能帮助文明繁荣发展。”

企业还可以使用英国信息专员办公室(ICO)推出的风险评估工具包，检查其使用人工智能系统是否违反数据保护法。《人工智能和数据保护风险评估工具包》(测试版)借鉴了监管机构此前发布的人工智能指南以及艾伦图灵研究所提供的其他出版物。它包含企业在处理个人数据时可以使用的风险声明，以了解这可能对个人权利的影响。基于英国信息专员办公室(ICO)内部保证和调查团队开发的审计框架，该工具包还提供了企业可用于管理和降低风险的最佳实践建议。

文章来源： 企业网D1Net，中国军网，解放军报