回到未来：人工智能是不是潘多拉之盒？

人工智能元年：2016？

对于一个普通大众而言，2016无疑是人工智能元年：阿尔法狗（AlphaGO）对战韩国围棋界18次世界冠军获得者李世石。其后，2017年，阿尔法狗化生Master横扫网络围棋服务器，5月，阿尔法狗连胜柯洁三场。就从那个时候，我身边不少患有中年焦虑症的朋友又有了新的焦虑：人工智能这么厉害，还需要我们这些人干什么？

然而，如果当我们真的了解人工智能，或许就如《深度学习》作者所说的，人工智能（神经网络学习）元年要回溯到20世纪50年代，这时候，你是否会重新去思考人工智能的未来呢？

作为深度学习先驱及奠基者 ，作者指出：神经网络学习的重大突破每30年就会发生一次。而这三个节点分别为：1.20世纪50年代引入感知器；2.20世纪80年代学习多层感知器算法；3.2010年开始兴起深度学习。其中每一个阶段都经历了一段繁荣期，在短时期内取得飞跃性的进展，随后便是较长时期的缓慢发展。

所以，有鉴于新媒体习惯和热衷于营造焦虑、制造风口，言必谈深度学习、AI、Python，《深度学习》无疑是解毒丸：深度学习或许已经在改变我们的生活，但它不是爆点，不可能一下子把你给赶走，也不可能一下子点石成金。关键是，我们要学会了解过去，畅想未来。

经验还是逻辑？

回到20世纪50年代，关于计算机的应用还处在发展阶段。不过，即便是在发展之初，也遇到了两种不同的思考方式。

假设你这在一个摆满了桌子的课堂里，你现在需要从教室门口走到你坐的座位上。作为一个人，你可以凭自己的经验躲开桌子还有同学做好，有时候你都不需要思考，或者你脑子里还在想着刚刚巧遇的隔壁班上的女孩。不过，对于计算机而言，他每一步都需要计算，遇到一个桌子，左转、右转，于是简单的一个行走，就变成了2的多次幂计算。这也是一直以来人们相信为什么在围棋，计算机永远打不倒人类的原因。

对于一部分科学家而言，他们相信逻辑能决定最后的走向，简而言之，他们希望通过告诉计算机两点之间直接最短来让计算机做出最佳路径的选择。而对于另一部分科学家而言，我只需要告诉计算机经验就可以了。而正是20世纪脑神经学的发展，促成了深度学习的第一次突破——网络感知器。

感知器的目标是确定输入的图案是否属于图像中的某一类别（比如猫），同时通过权重来实现输入单元到输出单元的转换。对于逻辑至上的科学家而言，他们认为只需要告诉计算机：“猫是一种有胡须的四脚爬行动物”，但经至上的科学家则通过样本来训练感知器，比如拿狗、或者老虎作为反面样本，逐个传递给感知器，如果分类错误，算法就会自动对权重进行校正。

而这，也成为一切深度学习的开端：样本够多，计算越准确。所以，不用怀疑，当你在用微信小程序来玩“你画我猜”时，你就是在给计算机喂数据。

二次创新

当然，这本书并不应当简单的作为一本深度学习的历史回顾。尽管有些回忆会颠覆你的想象：相信在关注“柯洁对战AlphaGo”时，很多人或许都会想到20年前的“卡斯帕罗夫对战深蓝”，当时的那场世纪之战已经引发了人们对于计算机技术的恐慌。不过，作者认为，深蓝不过是利用暴力计算法获得胜利，使用特质硬件，比任何人类棋手都能预见更多的可能棋路，而与其同时间默默无闻的战胜双陆棋 TD-Gammon却是通过时间差分学习算法成为了人工智能的分水岭——程序教会了自己如何在一个人类熟稔的领域中掌握复杂的策略。

展望未来，作者认为，新技术改变教育方式，新的学习科学包括了机器学习和神经科学以及来自学历学和教育的见解。我们也不讲进入一个持续学习的状态。更为实际的是，现在不少大公司都已经投入相当多的资本在研究人工智能，问题和机遇并存。

比如自动驾驶汽车，不久将扰乱数百万卡车司机和出租车司机的生计，随着汽车使用时间的增加，那么，或许有一天停车场都可以变为花园，醉驾和疲劳驾驶也将成为历史。

不过，问题也来了，当一辆车即将撞上行人，它是会选择左边的老人，还是右边的青壮年呢？这是否取决于计算机多读了一本 迈克尔·桑德尔 的《公正：该如何做是好？》吗？