01引言：計算機≠人工智能

2019世界人工智能大會在開幕式上，“鋼鐵俠”馬斯克堅定地表示：“計算機已經在很多方面比人更聰明了，人們和計算機下圍棋像你和宙斯鬥争一樣沒有希望的，我們差太遠了”，“人類智力的追求在越來越少的方面比計算機好，每個方面以後都會被計算機越來越多的超越，這是肯定的”。

對此，“太極拳七段”馬老師則以中國人特有的智慧，風淡雲輕地辯駁道：“和電腦比賽下棋是愚蠢的，隻有愚蠢的人才會跟汽車比誰跑得快”，“人類發明了計算機，我從來沒有看到計算機發明一個人”，“根據科學，人從來無法創造一個比自己更聰明的動物”。

當然，馬斯克對馬雲的觀點也“非常不同意”。兩人孰對孰錯呢？

我們先不說将來AI會不會超越人類，隻說兩位大佬都用到了同一個詞——“計算機”，看來兩位“大馬哥”都把AI等同于計算機了。如果按照嚴格的科學定義，把計算機視為一台嚴格遵照機械程序執行任務的圖靈機，那麼，計算機究竟能不能模仿人類的全部能力，這在理論上還是存在重大争議的。計算機≠人工智能，這是AI界的主流看法，但人們往往把這兩個概念混為一談。

計算機跟人工智能的關系，遠比人們通常理解的更複雜。一部計算機發展史，就是一部人工智能的逐夢史。但現實和夢想之間，卻隔着深不可測的海洋。

02圖靈機的創世紀

20世紀後半葉，計算機技術的廣泛應用，個人計算機（PC）的全球普及，這或許是人類曆史上意義最為深遠的技術革命，托夫勒稱之為“第三次浪潮”，人類社會繼農業階段、工業階段後，進入到了信息化階段。通用計算機（圖靈機）的發明，就是這一偉大曆史轉折的關鍵點。

說到計算機，其實人類很早就使用各種計算裝置了。從中國古代的算盤，古希臘安提凱希拉天文計算裝置，到17世紀帕斯卡和萊布尼茲設計的“加法機”，19世紀巴貝奇設計的“差分機”，再到20世紀上半葉IBM早期推出的各種機械？電子數字計算機，這些計算裝置無一例外有一個共同特點，即它們都是專用計算機而非通用計算機。也就是說，它設計用來做什麼，就隻能做什麼，别的什麼都不能做，其程序和計算是分離的。

所以，如果要解決不同的計算任務，就得設計、制作不同的計算裝置，硬件、軟件都得重新再做。但人類要解決的計算任務是源源不斷、無窮無盡的，原則上就得做無窮多台不同的計算機才行。所以，專用計算機是不能普及化的，制作成本就會非常高，隻能用于特殊的計算任務，或工業與軍事上的重要目标。

而通用計算機的出現就改變了這種技術瓶頸，使得計算機普及化成為可能。什麼是通用計算機？簡單說，就是一台可以完成任何計算任務的機器。這樣一來，我們隻要在機器内部裝入不同的計算程序，它就可以執行任何計算任務，即隻需更換軟件，毋須更換硬件。現在我們的個人電腦，既可以聽音樂、玩遊戲、看視頻，也可以做數據分析、文字處理、美術設計，搜索、網購、通訊、遠程控制等等，它幾乎無處不在，無所不能，一台電腦在，天下任我行。所以，從專用計算機到通用計算機，這是一個曆史性的跨越，人類從此進入了計算機時代。

通用計算機的發明，主要歸功于兩位天才數學家——圖靈和馮·諾依曼。圖靈被稱為“計算機科學之父”， 他做出了通用計算機的數學模型，這就是永垂青史的“圖靈機”；馮·諾依曼被稱為“現代計算機之父”，在圖靈機的基礎上，他進一步做出了通用計算機的工程構架，這就是大名鼎鼎的“馮·諾依曼體系”。

直到今天，所有計算機都還嚴格遵循着圖靈和馮·諾依曼的理論設計。通用計算機比專用計算機究竟好在哪呢？我們說一個經典的故事。世界上第一台電子計算機是由莫希利、埃克特在1946年設計的ENIAC（譯成中文是“電子數字積分和計算機”），由于它缺乏通用性、可變性與存儲程序的機制，因此耗電多、費用高就成為其不可承受之重，而程序與計算分離是其緻命的缺陷。據說，當年隻要ENIAC一開動，整個費城的燈光都會黯然失色。後來，馮·諾依曼受軍方委托，對ENIAC方案進行改進，他根據圖靈機的構思，提出了一種新的計算機設計方案EDVAC（譯成中文是“離散變量自動電子計算機”），完美地解決了ENIAC的所有難題。這就是著名的“諾依曼機”，也是世界上第一台通用電子計算機。

諾依曼機最大的特點就是“程序内存”，也就是說，它的程序被處理成數據裝進了計算機内部，所以計算機就能自動依次執行這些指令，不需要從外部接線來執行指令了。譬如像ENIAC，其程序和計算是分離的，每次更換新的指令時，需要把數百條線路重新接到機器上去，一群接線員要手忙腳亂地忙活幾天，才能進行幾分鐘的運算，這樣一來，效率就太低了，能耗非常高。根據諾依曼機的設計方案，隻要程序能夠内存，它就可以做成芯片裝進計算機裡了，軟件工業由此而興，這是現代計算機的核心。目前，從就業人數上看，全球硬件工程師人數隻有100萬左右，但軟件工程師人數卻過億，差距非常大。

從專用計算機到通用計算機，不僅是科學的一次飛躍，也是科技的一次革命。如果說蒸汽機是18世紀的通用技術，電力是19世紀的通用技術，那麼計算機就是20世紀的通用技術，它不僅改變了人類的社會組織行為，也改變了人類的日常生活方式。

03機器學習的艱難崛起

那麼，計算機又是怎麼跟人工智能挂上鈎的？如果一台通用計算機的功能非常強大，可以用它來模拟人類的所有行為，這個研究方向就是人工智能。按照“人工智能之父”約翰·麥卡錫的解釋就是：“（我們的目标）是遠離對人類行為的研究，将計算機作為解決某種難題的工具。這樣一來，人工智能就會成為計算機而非心理學的分支學科。”

計算機和人工智能的思想先驅都是圖靈，他最早提出了用計算機來模拟人類思維的設想。1936年，24歲的圖靈就寫出了他的成名作《論可計算數及其在可判定性問題上的應用》，給出了“機械計算”的嚴格定義，這就是“圖靈機”的概念。1950年，圖靈發表了AI史上的經典論文《計算機器與智能》，開篇就提出“機器能夠思維嗎？”這一直指本質的問題，文中他特意說明，機器就是指“數字計算機”，并設計了一個模仿遊戲來驗證機器是否具有思維能力，這就是著名的“圖靈測試”。機器能否具備真正的思維能力，這就是圖靈給我們留下的思想謎題。

整個人類科學史，差不多就是一部天才們的獨創思想史，在浩瀚的宇宙中，其思想光芒猶如璀璨星辰，指引着人類探索的方向。圖靈的天才思想激發了後來數學家們對設計“智能機器”的強烈願望，這就是人工智能的源起，就像麥卡錫定義的那樣：“人工智能是研制智能機器的一門科學與技術”。

二戰後，在學術界和工業界的共同推動下，AI技術迅速崛起，形成了第一波AI熱。1956年，由麥卡錫和馬文·明斯基兩人發起，舉辦了意義深遠的達特茅斯會議，與會者全是當時計算機科學、認知科學和信息科學的頂尖高手，信息論創始人香農也參加了，IBM贊助了本次會議。麥卡錫在會上首次提出了“人工智能”這一術語，标志着這一門學科的正式誕生。

剛開始，大家對AI技術抱有很大的期望和信心，認為很快就能設計出智能機器。1967年，在接受記者采訪時，明斯基還信誓旦旦地表示：“再過3∽8年的時間，我們将創造一台能夠達到普通人類總體智力水平的機器。我指的是一台能夠閱讀莎士比亞著作，給車上潤滑油，會耍手腕，能講笑話，而且還會跟人打上一架的機器。那時，機器能以令人驚奇的速度自學。幾個月後以後，它将達到天才水平，而再過上幾個月，它的能力将不可估量。”當時這番話幾乎是天方夜譚，即使現在也還是遙不可及的目标。

AI領域最先取得重大進展的是機器證明（ATP）。1959年，美籍華裔數學家王浩用計算機證明了羅素《數學原理》中的350條定理，隻用了9分鐘，但羅素和懷特海合寫這部書卻花了整整10年的時間。在棋類遊戲上，機器也表現出了很高的“智能”，1997年，IBM超級電腦“深藍”戰勝國際象棋世界冠軍卡斯帕羅夫，這也是AI史上的一個标志性事件。但除了專家系統，早期AI技術做得都不成功，尤其是在機器翻譯、圖像識别、語音識别等這些具有商業價值的項目上，當時AI技術根本無法處理，這就導緻從20世紀70年代到2005年這長達30多年的“AI寒冬”。

為什麼會這樣？就是大家的研究方向出了偏差。當時AI的研究方法，主要有“符号主義”和“聯結主義”這兩種觀點。符号主義主張，如果我們把計算機的編程做得非常全面、強大，那麼用純粹邏輯程序的方法，機器就能模拟人類的全部行為，參加達特茅斯會議的科學家幾乎都是符号主義的擁趸者。聯結主義走的卻是另外一條技術路線，它主張模拟人類的神經網絡，通過機器學習的方法來實現AI的全部目标。

有意思的是，在漫長的“AI寒冬”裡，符号主義曾是絕對的主流，但後來卻逐漸銷聲匿迹了，而聯結主義是少數派，隻有它熬過了嚴寒，最終迎來了燦爛盛放的春天。

為什麼會這樣？現在回過頭再去看這段曆史，就比較清楚了：符号主義是希望把人類行為的所有問題都設計好，編程好，這是一種确定性的機器認識過程，由一台功能強大的通用計算機就能實現；而聯結主義并不是事先就把所有問題都設計好，編程好，而是通過模仿神經元聯結方式，去模拟人類學習過程，這就是一種不确定性的機器認識過程，但它也暗示了，神經網絡可能根本就不是圖靈機。簡單講，就是學習機可以自動編程，而計算機隻能人工編程，兩者是不同的概念。

符号主義和聯結主義的根本分歧點在于：我們根本不可能事先就把所有問題都設計好，編程好，“萬能算法”是不存在的，電腦隻能像人腦那樣，通過模拟複雜的神經網絡聯結方式，激發出某種“超計算”的自組織行為，它才可能具備真正的思維能力。

其實，在圖靈《計算機器與智能》這篇開創性的論文中，就注意到了這個問題，在結尾處還專門寫了一章來讨論“學習機”，他指出學習機和數字計算機是有重大區别的：數字計算機的程序是固定的，運算過程也是确定的，而學習機是随機的，運算規則也可以改變。所以，當我們說“基于神經網絡的機器學習不是純粹的圖靈機”時，希望大家千萬不要大驚小怪，因為圖靈自己早就預示過這種結果。

我們再來說基于神經網絡的機器學習，其靈魂人物是W.H.匹茨和G.欣頓兩人，就像圖靈和馮·諾依曼是計算機的靈魂人物一樣。匹茨發明了神經網絡，欣頓進一步完善了它，并在“AI寒冬”中堅持這個研究方向30多年，最終取得曆史性的成功。

匹茨是一位拉馬努金式的天才。1943年，匹茨和W.S.麥卡洛克首次提出了“神經網絡”的概念，這是一個優美的數學理論，他們采用了鍊式環狀的卡爾納普語言網絡系統，來描述神經元各種聯結方式，這是一項開創性的工作，具有非凡的想象力。當時麥卡洛克是芝加哥大學神經生理學教授，而匹茨隻是一個在芝加哥大學旁聽的流浪少年，還不到20歲，但他通過自學已精通了模數學。在匹茨-麥卡洛克模型的基礎上，1957年，羅森布拉特提出了“感知機”模型，這是一個具備初級學習能力的單層神經網絡，它可以根據信号彙總強度和阈值之間的誤差，來重新調整各項加權，從而達到理想的輸出效果。走出第一步看似簡單，但這卻是“開天辟地”的關鍵一步，在科學探索上，提出問題比解決問題更重要，開辟新方向比形成體系化更重要。

但遺憾的是，這種單層神經網絡，連最簡單的XOR問題——即判定一個兩位的二進位制數是否僅包含0或1——都不能解決，所以它基本上沒有實際用途。直到1974年，欣頓提出多層神經網絡模型後，才很好地解決了XOR問題。這一年，還是哈佛大學博士生的沃博斯首次提出了反向傳播算法（即BP算法），1986年，欣頓又重新發現這一方法，并首先利用廣義反向傳播算法來訓練多層神經網絡，至此，基于多層神經網絡的深度學習方法，終于登上了AI的曆史舞台。但當時正值“AI寒冬”，這一方法也被“雪藏”了近30年。如果不是欣頓等少數人的堅持，深度學習早就被“凍死”了，哪裡還會迎來春暖花開呢？

有趣的是，欣頓是布爾代數創始人G.布爾的玄孫，布爾代數是計算機開關電路設計的數學基礎，神經網絡看來又成為了學習機開關電路設計的數學基礎，欣頓艱難的理論堅持，或許就來源于靈魂深處對“布爾家族”的那份榮譽感。

欣頓後來回憶說，1970年代，他剛提出分層神經網絡的想法時，大家都不認可，“傳統的思路無疑更受關注和信任”，導師對他也很不看好，這是最艱難的時候。“每周我和導師都會發生激烈争辯，我一直堅持自己的想法，對導師說，‘好吧，再給我六個月，我會證明給你看的’。然後六個月過去了，我會說‘快了快了，再給我半年時間吧’。之後，我索性說‘再給我五年吧’，人們都說，你已經做了五年，但它并不管用。”但欣頓始終堅持自己的思想，熬過了将近30年的漫漫寒冬，這一理論才獲得舉世公認。

2005年是AI史上的關鍵一年，欣頓提出了深度學習神經網絡的整體構架，這一成就堪比馮·諾依曼體系。随着互聯網和大數據的興起，深度學習也很快獲得了富有成效的商業應用，像傳統AI技術不能處理的機器翻譯、圖像識别和語音識别等難題，也取得了突破性的進展。因為，訓練神經網絡需要海量的數據，這個條件在前互聯網時代是不存在的。

現在，谷歌神經機器翻譯（GNMT）已經接近人工翻譯的水平，IBM 開發的超級計算機“沃森”也以絕對優勢赢得了人機辯論賽。特别是，AlphaGo讓深度學習一戰成名，舉世震驚，也讓大家看到了神經網絡技術的無限潛力。欣頓也被人們譽為“深度學習教父”，成為AI界的神級存在，他後來加入了谷歌公司，現在是谷歌副總裁，2017年他被彭博社評為改變全球商業格局的50人之一。深度學習已俨然成為當前AI研究的絕對主流，廣泛應用到自動駕駛、物聯網構架、醫療診斷、自然語言理解、科研數據分析、仿生機器人等多個商業領域，推動了全球性的AI熱潮。很多人相信，21世紀将是AI時代。

就像深度學習另一位先驅者Y.本希奧總結的：“在經曆了人工智能的寒冬之後，深度學習神經網絡的強勢回歸不僅僅代表着技術上的勝利，也給整個科學領域上了一課。回顧人工智能的曆史，我們必須意識到，哪怕一些好的想法受到當時的技術狀态限制而看似前景渺茫，我們也不應放棄。鼓勵多樣化的科研課題與方向，或許有一天就會讓一時處于低谷的領域迎來複興。”看上去很美，智能機器似乎即将美夢成真，但人們的懷疑卻從未停止過。

04深度學習的理論極限

神經網絡究竟是什麼？它是計算機，還是學習機？深度學習的工作原理是什麼？這些都還是未知之謎。AlphaGo的發明者戴密斯·哈薩比斯博士在烏鎮接受記者采訪時說過，他并不知道AlphaGo是如何決定下一步棋的。德州農工大學數學家、FAIR 的訪問科學家 Boris Hanin 說得更直接：“最接近事實的情況是，我們對神經網絡的實際運作方式幾乎一無所知，也不知道什麼才是真正有洞察力的理論。”欣頓在谷歌 I/O 2019 大會上也表示過，沒有人知道神經網絡究竟是如何工作的。

盡管深度學習現在看起來紅紅火火，風光無限，但最近人們對它的反思和質疑也日漸增多起來，大家聚焦點都在一個地方：它本質上隻是一種統計方法，并未形成真正的理解能力，因此它還不具備像人類那樣學習與認識能力。

欣頓本人其實對深度學習做過許多反思，對反向傳播這一核心算法，他表示“深感懷疑”，建議“把它全部抛掉，從頭再來”，指出要讓神經網絡變得更聰明，就必須更好地發展“無監督學習”。

楊立昆（Yann LeCun）是Facebook 首席 AI 科學家，他發明了著名的卷積視覺神經網絡，并和欣頓、本希奧共獲2018年度圖靈獎，這是深度學習的三位先驅者。他非常明确地指出過深度學習的局限性，譬如，需要太多的訓練數據，不能推理，也不具備常識，“這些深度學習系統不知道如何整合抽象知識”。

他進一步解釋說，“如果你思考一下動物和嬰兒是如何學習的，在生命的最初幾分鐘、幾小時、幾天裡，學很多東西都學得很快，以至于看起來像是天生的，但事實上，他們不需要硬編碼，因為它們可以很快學會一些東西。” 他承認，目前還不清楚哪些途徑可以幫助深度學習走出低谷。

清華大學人工智能研究院院長張钹院士也認為，目前基于深度學習的AI技術已觸及天花闆，它做得效果最好的是棋類遊戲、圖像識别和語音識别這三個領域，但在其他領域很難再出現像AlphaGo這樣的奇迹了。他進一步分析說，深度學習要發揮出潛力，必須具備五個條件，即“充分的數據”，“确定性”，“完全的信息”，“靜态環境”，“特定領域”，實際上，隻要符合這些條件，機器還是在“照章辦事”，并不具有“靈活性和創造性”。因此他斷言：“現在的深度學習本質上是基于概率統計”，“這個方法本身通常無法找到‘有意義’的規律，它隻能找到重複出現的模式，也就是說，你光靠數據，是無法達到真正的智能。”

大佬們講了這麼多深度學習的缺點和缺陷，歸根結底，其實就是一條：深度學習隻是專用學習機，而不是通用學習機。譬如，你做了一個下圍棋的多層神經網絡，就不能拿來下象棋；做了一個寫詩的深度學習算法，就不能拿來譜曲。也就是說，有多少項學習任務，原則上就得做多少台學習機。這樣一來，我們又陷入到圖靈之前專用計算機的那種困境中了，因為人類面臨的學習任務也是源源不斷、無窮無盡的，不可能去做無窮多台不同的學習機。

大道至簡，隻有專用計算機而沒有通用計算機，就做不出來真正的計算機；隻有專用學習機而沒有通用學習機，也做不出來真正的人工智能。我們還缺乏一種通用學習機的基礎理論，這是當前AI研究面臨的最大“瓶頸。”

05從通用學習機走向通用人工智能

但是，現在人們講得最多的是“通用人工智能”（AGI）這個概念，而不是“通用學習機 ”這個概念。哈薩比斯博士在劍橋大學演講時就說過，其團隊的最終目标就是要讓AlphaGo實現AGI，即使用一套單獨的、靈活的且具有變通能力的算法，就能夠真正像人腦系統那樣，僅通過原始數據就能從零開始學習如何掌握任意一項任務。

​人們對AGI的一般定義是：一種可以模仿人類所有行為的AI，也就是說，機器可以執行人類所有能夠完成的任務。這是一種強AI的定義。一般認為，AGI不可能由通用計算機來實現，但它可以由通用學習機來實現。因為，電腦和人腦都一樣，絕不可能把所有任務的程序都事先設計好，編程好，必須從數據和經驗中去不斷學習，不斷糾偏糾錯、歸納概括，最終自己編程來掌握某項任務。

最早提出“通用學習機”這個概念的，是美國俄亥俄州立大學數學博士熊楚瑜，目前AI界大概隻有20幾個人在做這件事情，屬于極少數派。但如果跟“通用計算機”遙相呼應，“通用學習機”倒是相得映彰的一個新概念，也相當簡潔優美。什麼是通用學習機？簡單說，就是從歸零狀态開始，通過數據輸入，能夠對任何學習任務進行自動編程的機器。

所以，我們把機器分成兩類，一類是計算機，是人工編程的，其程序是固定好的，一類是學習機，是自動編程的，其程序是可以改變的。深度學習也是從歸零狀态開始，不斷輸入數據，不斷調整權重參數，通過逐層梯度下降的反向傳播，最終收斂到一個最佳匹配的概率分配函數上。所以，深度學習的程序是在不斷修改、不斷完善的，它不再是一台計算機，而是一台學習機。

無論多麼複雜的機器行為，均有其基本的數學原理。下面，我們就用一個最簡單的數學模型來說明計算機和學習機的區别。

無論計算機還是學習機，都是一台信息處理器M，當對M輸入一個數據x，經内部處理後，M就會輸出一個數據y。所謂編程，一般是分兩步走：首先，我們要建立起輸入x和輸出y之間的一種函數關系y=f(x)，這一步就叫“數學建模”；然後，就是來求解這個函數f，即用一個圖靈機來解這個方程f，如果f有解，那麼在有限步驟内，圖靈機肯定就會獲得确定的結果，我們把這些有限步驟寫成代碼，這一步就叫“編程”，機器就會按照固定程序來機械地進行運算了。

但是，機器行為的複雜性在于：并非所有的任務都可以數學建模，即建立起輸入和輸出之間一種确定的函數關系；也并非所有的函數都可求解，即有些任務可以數學建模 ，但卻無法求解，寫成代碼形式。

所謂計算機，就是其模函數f和代碼都是人工設計好的，機器按照固定程序進行運算就行。而所謂學習機，其模函數f并不是确定的，而是要根據輸入和輸出的匹配關系來逐步調整，當最終調整到位時，機器就會确定一個模函數并寫成代碼，這就是機器的自動編程。專用學習機隻能建立、求解某一特殊類型的模函數，而通用學習機可以建立、求解任何類型的模函數。

如果我們能把人工編程這一套機制裝進機器内部，讓機器通過自我學習，形成自動編程的能力，我們認為機器就具備了真正的思維能力，這是人工智能的本質。從專用計算機到通用計算機，從通用計算機再到專用學習機，從專用學習機再飛躍到通用學習機，這就是近百年計算機和人工智能發展走過的崎岖道路。

曆史總是驚人地相似，我們已超越了圖靈時代，正處在一個巨大的曆史轉折點上。就像圖靈提出通用計算機的數學模型，開辟了20世紀人類的計算機時代，我們隻有提出通用學習機的數學模型，給出AGI工程構架體系，21世紀人類才能真正邁進人工智能時代。通用學習機就是AGI的“圖靈機”。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!