關于人工智能這篇文章最易懂：原理、技術和未來

　　Facebook 官方博客更新，FAIR 主管、深度學習代表人物 Yann LeCun 與同事撰文，深入淺出解釋什么是人工智能、人工智能如何影響我們的生活，以及在充滿人工智能的未來我們將如何學習、工作和生活。Facebook 還推出了系列教學視頻，幫你更好地了解人工智能。

　　星期二早上8：00。你已經醒了，掃了一眼手機上的標題，回復了一個在線帖子，為你媽媽訂購了一件假日毛衣，鎖上屋子開車上班，路上聽一些好聽的曲子。

　　在這個過程中，你已使用了人工智能（AI）十幾次——被鬧鈴喚醒、得到當地天氣報告、購買禮物、鎖上你的房子、得知提醒即將到來的交通堵塞，甚至識別一首不熟悉的歌曲。

　　AI已經遍布我們的世界，它在日常生活中產生了巨大的變化。但這不是你在科幻電影中看到的AI，也沒有神經緊繃的科學家猛擊鍵盤，試圖阻止機器摧毀世界。

　　您的智能手機、房子、銀行和汽車已經每天都在使用AI。有時很明顯，就像當你讓Siri把你導向最近的加油站的，或者 Facebook 建議你提醒某個好友你在網上發布了一張圖片。有時候則幾乎看不出來，就像當你使用你的 Amazon Echo 用你的信用卡買一件平時不怎么購買的東西（比如一件花哨的假日毛衣），并且沒有從銀行得到欺詐短信提醒。

　　AI將通過推動自動駕駛汽車的發展、改善醫學圖像分析、促進更好的醫療診斷和個性化醫療，從而帶來社會的重大轉變。AI 也將是支撐未來許多最具創新應用和服務的基本架構。但對許多人來說，AI 仍然很神秘。

　　為了幫助你解開這些謎題，Facebook 正在創建一系列教育在線視頻，概述AI如何工作。我們希望這些簡單扼要的介紹將幫助大家了解復雜的計算機科學領域是如何工作的。

　　不是魔法，只是代碼

　　首先，有一些重要的事要知道：AI是一門嚴謹的科學，專注于設計智能系統和智能機器，其中使用的算法技術在某些程度上借鑒了我們對大腦的了解。許多現代 AI系統使用人工神經網絡和計算機代碼，模擬非常簡單的、通過互相連接的單元組成的網絡，有點像大腦中的神經元。這些網絡可以通過修改單元之間的連接來學習經驗，有點像人類和動物的大腦通過修改神經元之間的連接進行學習?，F代神經網絡可以學習識別模式、翻譯語言、學習簡單的邏輯推理，甚至創建圖像并且形成新的想法。其中，模式識別是一項特別重要的功能——AI十分擅于識別大量數據中的模式，而這對于人類來說則沒有那么容易。

　　所有這些都通過一組編碼程序以驚人的速度發生，運行這些程序的神經網絡具有數百萬單位和數十億的連接。智能就源于這些大量簡單元素之間的交互。

　　人工智能不是魔術，但我們已經看到它如何像魔法一樣大幅推進科學研究，并在照片中識別物體、識別語音、駕駛汽車或將在線文章翻譯成幾十種語言的日常奇跡中扮演重要的角色。

　　在 Facebook 人工智能研究（FAIR）實驗室，我們正在努力使學習機器更好地工作。其中很大一部分是所謂的深度學習。使用深度學習，我們可以幫助AI學習世界的抽象表征。深度學習可以幫助改善語音和物體識別等問題，并且有助于推進物理學、工程學、生物學和醫學等領域的研究。

　　深度學習系統中一個特別有用的架構被稱為卷積神經網絡或 ConvNet。 ConvNet 是連接神經網絡中單元的一種特定方式，受其他動物和人類視覺皮層體系結構的啟發構建而來?，F代 ConNet可以利用從7~100層的單元。在公園里，我們人類看到大牧羊犬和奇瓦瓦，盡管它們的體型和體重都不同，但我們卻知道它們都是狗。對于計算機而言，圖像只是一串數組。在這串數組內，局部圖案，例如物體的邊緣，在第一層中能夠被輕易檢測出來。神經網絡的下一層將檢測這些簡單圖案的組合所形成簡單形狀，比如汽車的輪子或人臉的眼睛。再下一層將檢測這些形狀組合所構成的物體的某些部分，例如人臉、腿部或飛機的機翼。神經網絡的最后一層將檢測剛才那些部分的組合：一輛汽車、一架飛機、一個人、一只狗等等。神經網絡的深度——具有多少層——使網絡能夠以這種分層次的方式識別復雜模式。

　　一旦經過了大量樣本數據庫的訓練，ConvNet 對于識別圖像、視頻、語音、音樂甚至文本等自然信號特別有用。為了很好地訓練網絡，我們需要提供給這些網絡被人標記的大量圖像數據。ConvNet會學習將每個圖像與其相應的標簽相互關聯起來。有趣的是，ConvNet 還能將以前從未見過的圖像及其相應的標簽配對。由此我么就得到了一個系統，可以梳理各種各樣的圖像，并且識別照片中的元素。這些網絡在語音識別和文本識別中也非常有用，在自動駕駛汽車和最新一代醫學圖像分析系統中也是關鍵組成部分。

　　什么是可以學習的

　　AI也解決了我們人類所面臨的核心問題之一：什么是智能（intelligence）？哲學家和科學家一直在努力解決這個問題，而答案卻一直難以捉摸、飄忽不定，哪怕這個中心是我們能稱之為人的根本屬性。

　　同時，AI也提出了大量的哲學和理論問題：什么是可以學習的？數學定理告訴我們，單個能學習的機器不能有效地學會所有可能的任務，我們也由此得知什么是不可能學到的，不管你投入多少資源。

　　這樣，AI機器就像我們人類一樣。在很多方面，我們人并不比會學習的機器優秀。人類大腦高度特化，盡管具有明顯的適應性。當前的AI系統仍然遠不具有人類擁有的看似一般的智能。

　　在AI中，我們通?？紤]三種類型的學習：

　　強化學習 這是關于代理應該如何行動以獲得最大化獎勵的問題，它受行為心理學理論的啟發。在特定情況下，機器挑選一個動作或一系列動作并獲得獎勵。強化學習通常用于教機器玩游戲和贏得比賽，比如國際象棋、西洋雙陸棋、圍棋或簡單的視頻游戲。強化學習存在的問題是，單純地強化學習需要海量的試錯才能學會簡單的任務。

　　監督學習 基本上，監督學習就是我們告訴機器特定輸入的正確答案：這是一幅汽車的圖像，正確答案是“汽車”。它之所以被稱為監督學習，是因為算法從帶標簽數據學習的過程類似于向年幼的孩子展示圖畫書。成年人知道正確的答案，孩子根據前面的例子做出預測。這也是訓練神經網絡和其他機器學習體系結構最常用的技術。舉個例子：給出你城市中大量房屋的描述及其價格，嘗試預測你自己家房子的售價。

　　無監督學習 人類和大多數其他動物學習，是在其生命的前幾個小時、幾天、幾個月和幾年，以沒有人監督的方式學習：我們通過觀察和得知我們行動的結果了解世界如何運作。沒有人告訴我們所看到的每一個對象的名稱和功能。我們學會非?；镜母拍?，比如世界是三維的，物體不會自行消失，沒有支撐的物體會往下落。當前我們還不知道如何在機器身上實現這一點，至少無法達到人類和其他動物的水平。缺乏用于無監督或預測學習的AI技術，是限制當前AI發展的原因之一。

　　這都是 AI 是經常使用的方法，但是對于任何計算設備而言，都有很多從根本上無法解決的問題。這就是為什么即使我們修建出了擁有超越人類智慧的機器，這些機器仍然能力有限。這些機器可能在下國際象棋時打敗我們，但卻不知道在淋雨時躲進屋里。

　　未來的工作

　　隨著AI、機器學習和智能機器人變得越來越普遍，在這些機器人將在制造、培訓、銷售、維修和車隊管理方面擔任新的崗位。人工智能和機器人將能夠實現今天難以想象的新服務。但很顯然，醫療保健和交通運輸將是AI第一批顛覆的行業。

　　年輕人只要調整職業目標，就能夠享受 AI 提供的大量的機會。那么，我們如何為尚不存在的工作做好準備呢？

　　如果你是學生：

　　數學和物理是學習人工智能、機器學習、數據科學以及許多未來工作的基本方法的地方。選修所有你能夠選修的數學課程，包括Calc I，Calc II，Calc III，線性代數，概率論和統計學。計算機科學也是必不可少的，你需要學習如何編程。工程學、經濟學和神經科學也會有所幫助。你也可以考慮一些與哲學相關的領域，例如認識論——這門學習研究什么是知識、什么是科學理論，什么是學習。

　　選修這些課程的目標不是簡單記憶。作為學生，你必須學會如何將數據轉化為知識。這包括基本的統計學，還包括如何收集和分析數據，注意可能出現的偏差，并小心因為這些偏差在處理數據時出現的誤差。

　　請教你學校的教授，他或她可以幫助你，使你的想法變得更加具體。如果他們的時間有限，你也可以請教高年級的博士生或博士后。

　　讀博士。不用管學校的“排名”，在那些從事你感興趣的研究中，找一位信譽良好的教授，或選擇一位寫了你喜歡或敬佩的論文的人。申請這些教授所在的學校的一些博士課程，并在申請信中提到你愿意與這些教授合作，但同時也愿意與其他人合作。

　　參與研究你感興趣的與AI相關的問題。開始閱讀關于這個問題的文獻，并嘗試用不同于以前的思路去解決它。在你畢業之前，嘗試寫一篇研究論文，或者發布一個開源代碼。

　　申請側重產業為的實習機會，獲得關于AI在實踐中的工作經驗。

　　如果你已經就業，但想要轉向從事與AI有關的工作：

　　在網上有大量關于深度學習的資料，包括講座、在線教材、教程和機器學習相關課程。你可以報名 Udacity 或 Coursera 課程，閱讀Yoshua Bengio、Geoff Hinton 和我合著的 Nature 論文，還有剛剛出版的《深度學習》這本書，作者是 Goodfellow， Bengio and Courville，以及我最近在巴黎法蘭西學院的講座（有英語版本）。

　　當然，你也可以考慮重新回到學習，那么就參考我上面說的內容。

　　展望未來

　　越來越多的人類智力活動將與智能機器一起進行。我們的智慧是我們成為人的根本，AI則是這種屬性的延伸。

　　在通往打造真正智能機器的道路上，我們正在發現新的理論、新的原則、新的方法和新的算法，這些都將產生應用，并將改善我們今天、明天乃至明年的日常生活。許多這些技術很快被用于 Facebook 的產品和服務，比如圖像識別、自然語言理解等等。

　　當談到 Facebook AI 的時候，我們有一個長期目標：了解智能并構建智能的機器。這不僅僅是一個技術挑戰，這是一個科學問題。什么是智能，我們如何在機器中再現它？最終，這將是全人類的問題。這些問題的答案將幫助我們不僅建立智能機器，還能更深入了解神秘的人類思想和大腦的工作方式?？赡艿脑?，這些答案也將幫助我們更好地了解人類何以為人。