蘋果公司在北京時間6月11日凌晨1點召開了2024年的全球開發(fā)者大會（WWDC），會上最大的亮點無疑是 Apple Intelligence 的推出。蘋果公司在年初傳出將暫停投入了10年之久的自動駕駛電動汽車的開發(fā)，而將精力轉(zhuǎn)向人工智能領(lǐng)域，隨著2024年 WWDC 的結(jié)束，這一傳言終于得到證實。至此，全球頭部科技公司均已涉足這一領(lǐng)域。

當(dāng)大家都在討論人工智能的時候，有一個問題似乎很少有人關(guān)注，即：人工智能從何而來？

人工智能的歷史源遠流長。在古代的神話傳說中，技藝高超的工匠可以制作人造人，并為其賦予意識和想法?，F(xiàn)代意義上的人工智能始于古典哲學(xué)家試圖將人類的思維過程描述為對符號的機械操作。20世紀40年代，基于抽象數(shù)學(xué)推理的可編程電腦的發(fā)明使科學(xué)家開始嚴肅地探討構(gòu)造一個“智能”大腦的可能性。

但這個想法其實相當(dāng)抽象?！爸悄堋笔侵饔^的。比如一朵花隨著太陽升起而綻放，我們會說它“智能”嗎？答案可能因人而異。孩子可能會說“是”，植物很聰明，而成年人可能會說“不是”，這只是一種反應(yīng)。越來越多的生物學(xué)家和神經(jīng)學(xué)家大概會說“可能”，因為據(jù)研究植物能夠表現(xiàn)出交流、學(xué)習(xí)、解決問題甚至記憶的能力。

1956年夏，麥卡錫、明斯基等科學(xué)家在美國達特茅斯學(xué)院開會研討“如何用機器模擬人的智能”，首次提出“人工智能（Artificial Intelligence，簡稱AI）”這一概念，標(biāo)志著人工智能學(xué)科的誕生。

當(dāng)時，讓機器變得智能的想法似乎在短短幾年內(nèi)就可以完全實現(xiàn)。艾倫·圖靈的同名測試最初名為模仿游戲，于1950年制定。現(xiàn)在的圖靈測試時長通常為5分鐘，如果電腦能回答由人類測試者提出的一系列問題，且超過30%的回答讓測試者認為是人類所答，則電腦通過圖靈測試。1981年，美國哲學(xué)家約翰·塞爾開發(fā)了一個名為“中文房間”的思想實驗，揭示了圖靈測試的缺陷——如果房間外的人不知道人/機器如何得出答案，那么答案是對是錯都無關(guān)緊要，因為這其中沒有原創(chuàng)思想，因此便不存在“智能”。

然而，將智能定義為原創(chuàng)思維很快就會衍生出另一個問題。人們一直都有想法，但這些想法受到先前經(jīng)驗的強烈影響，那么這些想法是原創(chuàng)的嗎？如果你深入研究，就會發(fā)現(xiàn)任何想法的基礎(chǔ)都必須建立在堅實的、已知的東西之上。這不太可能完全原創(chuàng)。

用原創(chuàng)思維來定義“智能”意味著人工智能的概念可能從一開始就是有缺陷的。

1THE FIRST PART

解構(gòu)人工智能

在20世紀70年代和80年代，人工智能系統(tǒng)的許多應(yīng)用場景在很多方面與今天的應(yīng)用相似。其中包括自動駕駛汽車和聊天機器人，但它建立在一段主要關(guān)注人工智能物理方面的研究基礎(chǔ)上，使機械物體以某種程度的智能去運行。

隨后行業(yè)的研究進入低谷。但90年代互聯(lián)網(wǎng)的出現(xiàn)無疑激發(fā)了人們對自然語言處理的興趣。一系列初創(chuàng)企業(yè)的涌現(xiàn)一度讓人覺得一個新時代已經(jīng)開始。同時它鼓勵了新處理算法的開發(fā)，而廉價、功能強大的計算機的出現(xiàn)則推動了這一算法的發(fā)展?，F(xiàn)在，人工智能已經(jīng)成為一種服務(wù)。

一旦我們開始討論提供服務(wù)，范圍就會縮小。事實上，這種人工智能通常被稱為狹義人工智能，因為它專注于一項特定任務(wù)。我們可以將其比作圖靈測試或塞爾的中文房間。相比之下，通用人工智能是一種不需要知道任務(wù)是什么的系統(tǒng)，它會使用“智能”來解決問題并得出答案。目前，我們在服務(wù)行業(yè)使用專家系統(tǒng)來加速和自動化決策。這種人工智能深藏在數(shù)據(jù)中心里，具有極大的可擴展性。

相比之下，在小型設(shè)備的邊緣部署人工智能仍是一個新興領(lǐng)域。我們開始討論芯片上的神經(jīng)網(wǎng)絡(luò)、嵌入在圖像傳感器中的機器學(xué)習(xí)、在微控制器上運行的推理引擎以及邊緣處理。

人工智能通常被稱為機器學(xué)習(xí)的超集，而機器學(xué)習(xí)本身又是深度學(xué)習(xí)的超集。從這個層面來看，技術(shù)與生物學(xué)之間的界限開始變得模糊。

2THE SECOND PART

人工智能詞匯

人工智能理論界使用了許多術(shù)語，其中一些已經(jīng)滲透到現(xiàn)實世界。其中一個比較知名的術(shù)語是“神經(jīng)網(wǎng)絡(luò)”，越來越多的半導(dǎo)體公司正在開發(fā)和銷售嵌入某種神經(jīng)網(wǎng)絡(luò)的集成電路。

神經(jīng)元是一種可以通過電信號刺激的細胞。由于細胞在生物學(xué)中以這種方式工作，因此它們在微電路中被模仿也就不足為奇了。當(dāng)這些細胞中的幾個相互連接時，它們就變成了一個電路，當(dāng)許多這樣的電路相互連接時，它們就變成了一個網(wǎng)絡(luò)。生物神經(jīng)元分為感覺神經(jīng)元、運動神經(jīng)元和中間神經(jīng)元，后者為神經(jīng)電路提供了基礎(chǔ)。

在人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域，有幾種方法變得流行起來。最受歡迎的可能是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)，它可以以不同的效率水平映射到傳統(tǒng)的微處理器架構(gòu)。另一種是脈沖神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network, SNN)，它通常采用一種全新的處理架構(gòu)，更接近于模擬生物世界。

如果我們認為 CNN 是“傳統(tǒng)”方法，那么許多公司現(xiàn)在正在開發(fā)能夠更高效地執(zhí)行 CNN 的新型處理器也就不足為奇了。這些 NPU（神經(jīng)處理單元）可以與其他傳統(tǒng)架構(gòu)（如 DSP 和 MCU）集成。其吸引力顯而易見，因為它將神經(jīng)網(wǎng)絡(luò)以最小的干擾引入設(shè)計流程。

SNN 可以說是一種更具革命性的方法。加權(quán)在神經(jīng)網(wǎng)絡(luò)中被廣泛使用。這可以比作手里拿著兩個物體，試圖判斷哪一個重量最輕。你可能會放棄那個物體，選擇“更重”的物體，然后將它與一個新物體進行比較。這個迭代過程很像冒泡排序程序，最終將根據(jù)選擇標(biāo)準(zhǔn)返回結(jié)果，例如哪個物體重量最重。SNN 將時間元素引入其推理中，這就是為什么它們被視為更接近生物世界的原因，也可能是它們更難在微電路中實現(xiàn)的原因。

3THE THIRD PART

學(xué)會學(xué)習(xí)

人工智能的學(xué)習(xí)方式也在不斷發(fā)展。一般來說，神經(jīng)網(wǎng)絡(luò)有三種學(xué)習(xí)方式：監(jiān)督式、半監(jiān)督式和無監(jiān)督式。簡單來說，它們之間的區(qū)別在于數(shù)據(jù)的呈現(xiàn)方式。如果所有數(shù)據(jù)都帶有標(biāo)簽，則通常屬于監(jiān)督式學(xué)習(xí)系統(tǒng)；如果部分數(shù)據(jù)帶有標(biāo)簽，則屬于半監(jiān)督式學(xué)習(xí)系統(tǒng)；如果所有數(shù)據(jù)均未帶有標(biāo)簽，則屬于無監(jiān)督式學(xué)習(xí)系統(tǒng)。

強化學(xué)習(xí)通常被視為一種單獨的方法，因為它使用獎勵和懲罰的概念來改變行為，而不是簡單地使用行為的正確或錯誤結(jié)果。

軟件中廣泛使用的流控制技術(shù)之一“If...Then”語句很好地映射到 AI 中使用的另一項技術(shù)：推理引擎。我們都根據(jù)過去的經(jīng)驗進行推斷，這些經(jīng)驗可以是我們自己的行為，也可以是后天習(xí)得的行為。例如，我們小時候可能會被熱水燙傷一兩次，但我們很快就學(xué)會了不這樣做。我們可以推斷出所有的熱水都會燙傷我們。但我們也可以從教過的課程而不是經(jīng)驗中推斷。例如，我們不需要從樹上掉下來才知道這可能會導(dǎo)致腳踝骨折。

機器使用推理引擎來實現(xiàn) AI，而這些引擎通常需要使用大量資源進行訓(xùn)練。這種能夠生成可使用更少資源部署的推理模型的能力是將 AI 置于物聯(lián)網(wǎng)最前沿的舉措背后的原因。

這些設(shè)備各有特色，也具有共同的特征。例如，物聯(lián)網(wǎng)中的端點可能會具有某種形式的無線接口。例如，這可能是藍牙、Wi-Fi 或 Zigbee。雖然一個端點可能是智能鎖，另一個端點可能是智能恒溫器，但它們可能都使用相同的無線接口，因此可以從共享開發(fā)該接口所需的工作中受益。

現(xiàn)在，人工智能模型也是如此。遷移學(xué)習(xí)將經(jīng)過訓(xùn)練的模型中不同應(yīng)用程序所共有的部分提取出來，并允許它們共享。這意味著，通過在智能恒溫器中使用部分知識，可以最大程度地減少訓(xùn)練智能鎖所需的工作量（時間、計算資源、數(shù)據(jù)集）。遷移學(xué)習(xí)與修剪相結(jié)合（精簡模型以提供其需要關(guān)注的結(jié)果），意味著人工智能現(xiàn)在可以適應(yīng)嵌入式處理器甚至微控制器。隨著人工智能深入物聯(lián)網(wǎng)，這將變得極為重要。

或許從我們的祖先時代就已經(jīng)有了模糊的“人工智能”的概念，因為人類對于任何事物效率的提高一直有著無止境的追求。“人工智能從何而來？”似乎是一個非常抽象的問題，但這個問題重點并不是去解答這個問題，而是引發(fā)思考——“人工智能最終會去向何處？”