662
機器人
從1.0到2.0，人工智能學會了學習
如果人工智能的啟蒙階段稱為1.0時代，那麼現在很明顯已經進入2.0時代了，機器翻譯和下棋就是典型案例。
過去的機器翻譯方法是基於詞和語法規則進行翻譯——人類不斷地把語法規則總結出來告訴機器，但卻怎麼也趕不上人類語言尤其是語境上的多變，所以機器翻譯總會出現把“how old are you”翻譯為“怎麼老是你”的笑話。
後來出現了SMT（統計機器翻譯），通過對大量平行預料進行數據分析，找出常見詞匯的組合規則，盡量避免奇怪的短語組合。SMT已經具有了機器學習的基本功能，有訓練及解碼連個階段：訓練階段是通過數據統計讓計算機構建翻譯模型，通過模型進行翻譯；解碼階段就是利用所估計的參數給定的優化目標，獲取翻譯語句的最佳翻譯結果。
SMT研究在整個業界已經持續了二十多年，對於較短的句子，翻譯效果顯著，對於較長的句子來說翻譯效果就一般了，尤其是對語言結果差異較大的語言。直到近幾年 NMT（基於神經網絡的翻譯）方法崛起，NMT的核心是一個擁有無數節點的深度神經網絡，一種語言的句子被向量化之後，在網絡中層層傳遞，轉化為計算機可以“理解”的表達形式，在經過多層複雜的傳導運算，生成另一種語言的譯文。NMT在語序學習上的優勢帶來了它翻譯的流暢性，尤其是在長句翻譯上有明顯優勢。
在這種機器翻譯的模式中，人類要做的不是親自尋找浩繁的語言規則，而是設定數學方法，調試參數，幫助計算機網絡自己尋找規則。人類隻要輸入一種語言，就會輸出另一種語言，不用考慮中間經過了怎樣的處理，這就叫做端到端的翻譯。這種方法聽起來很神奇，其實概率論裏的貝葉斯方法、隱馬爾科夫模型等都可以用來解決這個問題。
再以下棋為例，1952年瑟薩繆爾編寫了跳棋程序，水平能到達業餘高手程度，跳棋的規則比較簡單，計算機在這方麵有人類很難比擬的優勢，但是國際象棋就難多了，百度總裁張亞勤在微軟擔任研究院院長的時候，請來中國計算機才子許峰雄，他在IBM的時候開發了名噪一時的國際象棋機器人“深藍”。20世紀90年代的人工智能代表非“深藍”莫屬，智慧集中在一台超級計算機上，連續戰勝人類國際象棋高手，並終於在1997年戰勝了人類國際象棋感覺卡斯帕羅夫。不過富有意味的是比賽之後不就，IBM就宣布“深藍”退役了。張亞勤對許峰雄說“你去做圍棋把，等能下贏我的時候再來找我”，直到他離開微軟，許峰雄都沒有再來找過他。
2016-2017年，AlphaGo橫掃人類圍棋高手，相繼擊敗李世石、柯潔等世界冠軍。AlphaGo的下棋思路不同於人類，也不同於“深藍”。簡而言之，是千萬盤人類圍棋對弈的數據滋養了他。如果給出更專業的解讀，則可以說是蒙特卡洛搜索算法和基於深度學習的模式識別促成了AlphaGo的成就，其中最為重要的，恰恰是其前輩“深藍”所不具備的深度學習。
最後更新：2017-10-25 23:32:54