人工智能诞生于20世纪50年代，但为何经过了近70年发展，到近代才进入爆发期？随着无人驾驶、语言翻译、AI医疗的横空出世，哪一项人工智能应用对人类社会影响最深远？

如果说谁有资格谈论当下正在进行的“人工智能革命”，特伦斯·谢诺夫斯基（Terry Sejnowski）必然是其中一个。他是上世纪80年代挑战构建人工智能主流方法的“一小撮人”之一。在大多数人都“迷信”基于逻辑的计算机编程作为人工智能基本方法时，他们提出受大脑生物学启发的“神经网络”，并认为这种新的AI实现方法将最终突破AI研究的难题。

正是这一小群研究人员，证明了基于大脑式的计算方法是可行的，从而为深度学习的发展奠定了基础。在周末杨浦举行的“2019未来大会”现场，解放日报·上观新闻记者专访了《深度学习》一书的作者、被称为“世界AI之父”的特伦斯·谢诺夫斯基。

特伦斯会后接受记者专访。 黄尖尖 摄

大多数人都“误解”了人工智能

作为“未来大会”的第一位演讲嘉宾，掌声中，一头银发的特伦斯模仿机器人的步态走上舞台。“我是一个AI（人工智能），我的制造者特伦斯·谢诺夫斯基派我来上海，给大家讲讲深度学习。”也许有一天，我们都会变成部分的人工智能，这是特伦斯的开场白。

记者：今天被科技圈和企业界广泛提及的“机器学习”“深度学习”和“神经网络”等热词，它们之间是什么关系？

特伦斯：这三个词概括了AI发展历程。70年前AI刚开始发展时，科学家们试图通过电脑编程来改变人类智能，这是人工智能的传统方法，即编写一个按部就班的程序来做某件事。

然而20世纪的计算机技术还不成熟，数据存储成本十分高昂。熟练的程序员会为每个不同的问题编写不同的程序，但问题越大，程序越复杂，编程需要耗费大量人力。

这时我们开始把眼光投向人类自己身上。正如一个小孩从零开始学习语言，没有人给他的大脑编程，但他却通过观察和经验慢慢自己学会了。大脑是如何做到的？我们发现大自然中的生物使用的是一套与编程完全不同的复杂体系来解决问题。 大脑中有很多神经元和连接，或许我们也能建立一个类似的系统，运用和人脑相似的原理来构建人工智能，这就是“神经网络”，在传统方法以外的特殊的机器学习。

深度学习是具有多层的神经网络，因此深度学习也是机器学习的一种，而机器学习又是人工智能的一种。然而在现实中，人们总是误认为深度学习等于人工智能，但它其实只是其中一部分。

“这张照片摄于1980年，我和杰弗里·辛顿在波士顿讨论视觉网络模型。”

记者：AI在70年前问世，直到近代才正式进入爆发期，AI早期发展缓慢的原因是什么？

特伦斯：1950年代，电脑运行速度非常慢，内存非常昂贵，用编程来解决问题十分耗费人力。如今计算机运行速度加快了百万倍，内存也比以前大得多，反而劳动力越来越昂贵，因此让计算机学习会比让人类编写程序更高效。

除了技术限制以外，学界观念也是一个难以跨越的藩篱。过去那些试图编写具有人类智能的计算机程序的AI先驱，本身并不关心人脑是如何实现智能行为的。到1980年代，人们对大脑的了解增加了，但AI研究人员仍不关心大脑本身，他们的目标是编写一个程序，使其拥有和大脑一样的功能。

深度学习的转折点出现在2012年。在当年的NIPS大会上（神经信息处理系统大会，是人工智能的顶级会议），科学家论证了在一个包含10,000个类别和1000万个图像的数据集上，使用深度学习分类可将错误减少20％。根据以往经验，在该数据集上的分类错误一年内也减少不到1％，这相当于我们在一年内达到了过去20年取得的进步。深度学习一夜之间变得十分出名，一切都不一样了。但实际上，我们已经在这个领域努力了30年！ 

世界上最快的超级计算机比不上一只苍蝇？

特伦斯是那一小群不属于主流群体的AI研究人员。他们认为，受大脑生物学启发的、那些被称为“神经网络”“连接主义”和“并行分布处理”的AI实现方法，会最终突破基于逻辑的AI研究无法解决的难题。

“我在介绍大脑皮层的比例法则，那是在1989年我加入索尔克生物研究所不久后。”

记者：在大多数研究人员都着眼于电脑编程的时候，你为何会把眼光投向人脑，相信深度学习可以打开人工智能发展的突破口？

特伦斯：这要追溯到我刚开始研究深度学习时所设计的一个“话语网络”系统。英语是一种特别难发音的语言，“话语网络”让计算机来学习阅读。自学习开始后，“话语网络”一个晚上就吸收了整个训练集的信息。

（特伦斯给记者播放了一段最早期“语言网络”模拟的阅读音频，听起来就像一个小男孩在牙牙学语。）

这是在30年前，计算机运算还非常慢的时候，虽然按照今天的标准来看这一成果微不足道，但这让我们发现了语言是神经网络非常擅长的事情，而且神经网络学习语言的方式和人类学习语言方式是一致的。在今天AI的所有应用场景中，我认为语言翻译能力是最让人惊讶的，它让世界不同的人群能直接对话。

记者：1989年，你在MIT的一次讲座中用5分钟阐述了一只苍蝇和一台超级计算机的场景，改变了当时大部分“讨厌”你观点的人工智能学者的看法，你当时是怎么做到的？

特伦斯：当时我应邀去做一个关于神经网络的讲座。MIT有个传统，演讲者需要在午餐时用5分钟时间与教师和学生一起讨论他的讲座话题。房间里挤满了差不多一百人，科学家们站成足足三圈。我走到圆圈中心，正对着自助餐的主菜。我想，我要在这5分钟说些什么，才能让那些讨厌我工作的人改变想法呢？

我开始即兴发挥，“食物上这只苍蝇的大脑只有10万个神经元，它大概重1毫克，要消耗1毫瓦能量，”我边说边驱赶苍蝇，“苍蝇能看，能飞，可以自己确定方向，能觅食，还可以通过繁殖来进行自我复制。MIT拥有一台价值一亿美元的超级计算机，它消耗的能量是兆瓦级的，并需要一台巨型空调冷却。而超级计算机的最大成本还是人力，程序员要满足它对程序的巨大需求。但是相比起苍蝇，这台超级计算机不能看，不能飞，不能交配或自我复制。”

记者：世界上最快的超级计算机，真的比不上一只苍蝇吗？

特伦斯：当时前两圈的听众都被问倒了。其实我只是想以这个例子让在场的人工智能和计算机学者明白一件事，在大自然面前我们应该更谦逊一点。

实际上并非说计算机比不上一只苍蝇。计算机是一种通用设备，它可以被编程来计算任何东西，同一个硬盘可以运行不同的程序，而苍蝇是一种“专用计算机”，它只能运行一种程序，就是“苍蝇程序”。但无可厚非的是，在苍蝇那个小小的脑袋里，蕴含着数以千计个神经元，它的的视觉网络进化了数亿年，其视觉算法已嵌入了它本身的网络，它可以通过视觉识别来寻找最好的食物，还要保持飞行，同时还能在复杂的世界里生存下去，因此它要消耗最少的能量。

作为研究员，如果我们想理解视觉识别，就可以研究苍蝇的大脑。这是我们该做的事情，我们的目标，去研究大自然的工作原理，永远保持谦逊地接受大自然给予我们的知识。

人工智能不会取代人类，只会让人类更加智能

2017年5月27日，在中国乌镇举办的围棋峰会上，柯洁以3场皆负的的结果输给了AlphaGo后，柯洁这样总结：“去年（AlphaGo击败了李世石），我还觉得AlphaGo的表现与人类非常接近，但今天我认为它是‘围棋之神’。”

2017年在中国，DeepMind的联合创始人兼CEO德米斯·哈撒比斯和柯洁在历史性的围棋比赛结束后会面，共同展示带有柯洁签名的棋盘。（图片来源：德米斯·哈撒比斯）

记者：AlphaGo凭借什么击败人类围棋冠军？

特伦斯：围棋的合法棋局总数是10的170次方，远远超过宇宙中原子的数量，AlphaGo学习下围棋是基于一种称为“时间差分”的算法：在众多步棋中，哪一步对赢得胜利有贡献，哪一步对失败承担责任？AlphaGo使用由人大脑的“基底神经节”进化出来的学习算法，来评估最大化未来奖励的行动顺序，并通过反复和自己下棋几千万次来强化这一技能。

我还记得那个夜晚，我在圣迭戈的凌晨兴致勃勃地观看了这场较量。这让我回想起1966年我在电视机前关注“勘测者1号”探测器降落在月球上，并传回了第一张月球照片。我亲眼见证了这些历史时刻。AlphaGo的表现远超出我和其他许多人的期待。

2017年10月，全新版本的AlphaGo Zero面世，它没有观看任何一场人类围棋比赛，而是从游戏规则开始一步步学下围棋，最终以100：0的战绩击败了曾战胜柯洁的版本AlphaGo Master。完全忽略人类知识的AlphaGo Zero学会了如何以超人的水准下棋，创造出人类从未使用过的着数。

记者：你并不认为人工智能会取代人类？

特伦斯：1997年“深蓝”打败象棋世界冠军时，很多人说“这是象棋的末日”，“人类不可能打败计算机了”，甚至说“人类会被计算机取代”。但后来呢？人们开始跟电脑下棋，结果变成了更好的棋手。你无需担心人工智能将取代你，事实上人工智能会放大认知能力，会让你更聪明，让你达到新的高度。

人工智能在代替一部分职业的同时，也产生新的岗位。比如无人驾驶的出现，会让将来出现在市中心的车辆减少，因为自动驾驶汽车可以在城市外围停放，大量停车场空间会被高效利用。司机会被取代，但也会产生新的职业岗位，比如安全监测、数据清理、传感器技术供应链等。

艺术家绘制的高准确度诊断皮肤病变的深度学习网络。（2017年2月2日《自然》杂志封面）

在医疗领域，医生在转移性乳腺癌的淋巴结活检切片图像上的判断，直接关系到病人的生命。一个经过训练的深度学习网络能达到0.925的判断准确率，还不错，但仍不及人类专家在同一测试上达到的0.966。然而，把深度学习和人类专家的预测结合起来，准确率能达到0.995，几近完美。由于深度学习网络和人类专家看数据的方式不同，二者结合比单独预测要好，这样一来，更多的生命将被挽救。这也表明在未来，人类与机器将是合作而非竞争关系。