蘋(píng)果公司在北京時(shí)間6月11日凌晨1點(diǎn)召開(kāi)了2024年的全球開(kāi)發(fā)者大會(huì)（WWDC），會(huì)上最大的亮點(diǎn)無(wú)疑是 Apple Intelligence 的推出。蘋(píng)果公司在年初傳出將暫停投入了10年之久的自動(dòng)駕駛電動(dòng)汽車(chē)的開(kāi)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(shí)。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(shí)候，有一個(gè)問(wèn)題似乎很少有人關(guān)注，即：人工智能從何而來(lái)？

人工智能的歷史源遠(yuǎn)流長(zhǎng)。在古代的神話傳說(shuō)中，技藝高超的工匠可以制作人造人，并為其賦予意識(shí)和想法。現(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(guò)程描述為對(duì)符號(hào)的機(jī)械操作。20世紀(jì)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(kāi)始嚴(yán)肅地探討構(gòu)造一個(gè)“智能”大腦的可能性。

但這個(gè)想法其實(shí)相當(dāng)抽象。“智能”是主觀的。比如一朵花隨著太陽(yáng)升起而綻放，我們會(huì)說(shuō)它“智能”嗎？答案可能因人而異。孩子可能會(huì)說(shuō)“是”，植物很聰明，而成年人可能會(huì)說(shuō)“不是”，這只是一種反應(yīng)。越來(lái)越多的生物學(xué)家和神經(jīng)學(xué)家大概會(huì)說(shuō)“可能”，因?yàn)閾?jù)研究植物能夠表現(xiàn)出交流、學(xué)習(xí)、解決問(wèn)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(guó)達(dá)特茅斯學(xué)院開(kāi)會(huì)研討“如何用機(jī)器模擬人的智能”，首次提出“人工智能（Artificial Intelligence，簡(jiǎn)稱AI）”這一概念，標(biāo)志著人工智能學(xué)科的誕生。

當(dāng)時(shí)，讓機(jī)器變得智能的想法似乎在短短幾年內(nèi)就可以完全實(shí)現(xiàn)。艾倫·圖靈的同名測(cè)試最初名為模仿游戲，于1950年制定。現(xiàn)在的圖靈測(cè)試時(shí)長(zhǎng)通常為5分鐘，如果電腦能回答由人類測(cè)試者提出的一系列問(wèn)題，且超過(guò)30%的回答讓測(cè)試者認(rèn)為是人類所答，則電腦通過(guò)圖靈測(cè)試。1981年，美國(guó)哲學(xué)家約翰·塞爾開(kāi)發(fā)了一個(gè)名為“中文房間”的思想實(shí)驗(yàn)，揭示了圖靈測(cè)試的缺陷——如果房間外的人不知道人/機(jī)器如何得出答案，那么答案是對(duì)是錯(cuò)都無(wú)關(guān)緊要，因?yàn)檫@其中沒(méi)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(huì)衍生出另一個(gè)問(wèn)題。人們一直都有想法，但這些想法受到先前經(jīng)驗(yàn)的強(qiáng)烈影響，那么這些想法是原創(chuàng)的嗎？如果你深入研究，就會(huì)發(fā)現(xiàn)任何想法的基礎(chǔ)都必須建立在堅(jiān)實(shí)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(lái)定義“智能”意味著人工智能的概念可能從一開(kāi)始就是有缺陷的。

1THE FIRST PART

解構(gòu)人工智能

在20世紀(jì)70年代和80年代，人工智能系統(tǒng)的許多應(yīng)用場(chǎng)景在很多方面與今天的應(yīng)用相似。其中包括自動(dòng)駕駛汽車(chē)和聊天機(jī)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(jī)械物體以某種程度的智能去運(yùn)行。

隨后行業(yè)的研究進(jìn)入低谷。但90年代互聯(lián)網(wǎng)的出現(xiàn)無(wú)疑激發(fā)了人們對(duì)自然語(yǔ)言處理的興趣。一系列初創(chuàng)企業(yè)的涌現(xiàn)一度讓人覺(jué)得一個(gè)新時(shí)代已經(jīng)開(kāi)始。同時(shí)它鼓勵(lì)了新處理算法的開(kāi)發(fā)，而廉價(jià)、功能強(qiáng)大的計(jì)算機(jī)的出現(xiàn)則推動(dòng)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(kāi)始討論提供服務(wù)，范圍就會(huì)縮小。事實(shí)上，這種人工智能通常被稱為狹義人工智能，因?yàn)樗鼘Ｗ⒂谝豁?xiàng)特定任務(wù)。我們可以將其比作圖靈測(cè)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(huì)使用“智能”來(lái)解決問(wèn)題并得出答案。目前，我們?cè)诜?wù)行業(yè)使用專家系統(tǒng)來(lái)加速和自動(dòng)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(kuò)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(gè)新興領(lǐng)域。我們開(kāi)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(jī)器學(xué)習(xí)、在微控制器上運(yùn)行的推理引擎以及邊緣處理。

人工智能通常被稱為機(jī)器學(xué)習(xí)的超集，而機(jī)器學(xué)習(xí)本身又是深度學(xué)習(xí)的超集。從這個(gè)層面來(lái)看，技術(shù)與生物學(xué)之間的界限開(kāi)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(yǔ)，其中一些已經(jīng)滲透到現(xiàn)實(shí)世界。其中一個(gè)比較知名的術(shù)語(yǔ)是“神經(jīng)網(wǎng)絡(luò)”，越來(lái)越多的半導(dǎo)體公司正在開(kāi)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(guò)電信號(hào)刺激的細(xì)胞。由于細(xì)胞在生物學(xué)中以這種方式工作，因此它們?cè)谖㈦娐分斜荒７乱簿筒蛔銥槠媪?。?dāng)這些細(xì)胞中的幾個(gè)相互連接時(shí)，它們就變成了一個(gè)電路，當(dāng)許多這樣的電路相互連接時(shí)，它們就變成了一個(gè)網(wǎng)絡(luò)。生物神經(jīng)元分為感覺(jué)神經(jīng)元、運(yùn)動(dòng)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(lái)。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(rèn)為 CNN 是“傳統(tǒng)”方法，那么許多公司現(xiàn)在正在開(kāi)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(jiàn)，因?yàn)樗鼘⑸窠?jīng)網(wǎng)絡(luò)以最小的干擾引入設(shè)計(jì)流程。

SNN 可以說(shuō)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(gè)物體，試圖判斷哪一個(gè)重量最輕。你可能會(huì)放棄那個(gè)物體，選擇“更重”的物體，然后將它與一個(gè)新物體進(jìn)行比較。這個(gè)迭代過(guò)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(gè)物體重量最重。SNN 將時(shí)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(shí)現(xiàn)的原因。

3THE THIRD PART

學(xué)會(huì)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(lái)說(shuō)，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(wú)監(jiān)督式。簡(jiǎn)單來(lái)說(shuō)，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?jǐn)?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(wú)監(jiān)督式學(xué)習(xí)系統(tǒng)。

強(qiáng)化學(xué)習(xí)通常被視為一種單獨(dú)的方法，因?yàn)樗褂锚?jiǎng)勵(lì)和懲罰的概念來(lái)改變行為，而不是簡(jiǎn)單地使用行為的正確或錯(cuò)誤結(jié)果。

軟件中廣泛使用的流控制技術(shù)之一“If...Then”語(yǔ)句很好地映射到 AI 中使用的另一項(xiàng)技術(shù)：推理引擎。我們都根據(jù)過(guò)去的經(jīng)驗(yàn)進(jìn)行推斷，這些經(jīng)驗(yàn)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(shí)候可能會(huì)被熱水燙傷一兩次，但我們很快就學(xué)會(huì)了不這樣做。我們可以推斷出所有的熱水都會(huì)燙傷我們。但我們也可以從教過(guò)的課程而不是經(jīng)驗(yàn)中推斷。例如，我們不需要從樹(shù)上掉下來(lái)才知道這可能會(huì)導(dǎo)致腳踝骨折。

機(jī)器使用推理引擎來(lái)實(shí)現(xiàn) AI，而這些引擎通常需要使用大量資源進(jìn)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(diǎn)可能會(huì)具有某種形式的無(wú)線接口。例如，這可能是藍(lán)牙、Wi-Fi 或 Zigbee。雖然一個(gè)端點(diǎn)可能是智能鎖，另一個(gè)端點(diǎn)可能是智能恒溫器，但它們可能都使用相同的無(wú)線接口，因此可以從共享開(kāi)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(guò)訓(xùn)練的模型中不同應(yīng)用程序所共有的部分提取出來(lái)，并允許它們共享。這意味著，通過(guò)在智能恒溫器中使用部分知識(shí)，可以最大程度地減少訓(xùn)練智能鎖所需的工作量（時(shí)間、計(jì)算資源、數(shù)據(jù)集）。遷移學(xué)習(xí)與修剪相結(jié)合（精簡(jiǎn)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(shí)代就已經(jīng)有了模糊的“人工智能”的概念，因?yàn)槿祟悓?duì)于任何事物效率的提高一直有著無(wú)止境的追求?！叭斯ぶ悄軓暮味鴣?lái)？”似乎是一個(gè)非常抽象的問(wèn)題，但這個(gè)問(wèn)題重點(diǎn)并不是去解答這個(gè)問(wèn)題，而是引發(fā)思考——“人工智能最終會(huì)去向何處？”