由人工神經(jīng)網(wǎng)絡(luò)生成的Inceptionist圖像

文｜顧險(xiǎn)峰（紐約州立大學(xué)石溪分校計(jì)算機(jī)系終身教授）

●　●　●

最近，谷歌AlphaGo敗了圍棋九段李世石，舉世震驚。有為人工智能的發(fā)展歡呼雀躍者，有為人類(lèi)前途命運(yùn)憂心忡忡者，有對(duì)機(jī)器蠻力不屑一顧者，有對(duì)人類(lèi)失去優(yōu)越感而沮喪彷徨者。這里，探討人工智能發(fā)展的主要方向，目前的局限和未來(lái)的潛力，特別是將人類(lèi)腦神經(jīng)認(rèn)知和人工神經(jīng)網(wǎng)絡(luò)認(rèn)知進(jìn)行對(duì)比，從而對(duì)人工智能有一個(gè)公正客觀，而又與時(shí)俱進(jìn)的認(rèn)識(shí)。

人類(lèi)的智能主要包括歸納總結(jié)和邏輯演繹，對(duì)應(yīng)著人工智能中的聯(lián)結(jié)主義（如人工神經(jīng)網(wǎng)絡(luò)）和符號(hào)主義（如吳文俊方法）。人類(lèi)大量的視覺(jué)聽(tīng)覺(jué)信號(hào)的感知處理都是下意識(shí)的，基于大腦皮層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法；大量的數(shù)學(xué)推導(dǎo)，定理證明是有強(qiáng)烈主觀意識(shí)的，是基于公理系統(tǒng)的符號(hào)演算方法。

DavidHunter Hubel和Torsen Wiesel共同獲得了1981年諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)。1959年，Hubel和Wiesel在麻醉的貓的視覺(jué)中樞上插入微電極，然后在貓的眼前投影各種簡(jiǎn)單模式，觀察貓的視覺(jué)神經(jīng)元的反映。他們發(fā)現(xiàn)，貓的視覺(jué)中樞中有些神經(jīng)元對(duì)于某種方向的直線敏感，另外一些神經(jīng)元對(duì)于另外一種方向的直線敏感；某些初等的神經(jīng)元對(duì)于簡(jiǎn)單模式敏感，另外一些高級(jí)的神經(jīng)元對(duì)于復(fù)雜模式敏感，并且其敏感度和復(fù)雜模式的位置與定向無(wú)關(guān)。這證明了視覺(jué)中樞系統(tǒng)具有由簡(jiǎn)單模式構(gòu)成復(fù)雜模式的功能。這也啟發(fā)了計(jì)算機(jī)科學(xué)家發(fā)明了人工神經(jīng)網(wǎng)絡(luò)。

層次特征（Hierarchical Features ）

后來(lái)，通過(guò)對(duì)猴子的視覺(jué)中樞的解剖，將猴子的大腦皮層曲面平展在手術(shù)臺(tái)表面上，人們發(fā)現(xiàn)從視網(wǎng)膜到第一級(jí)視覺(jué)中樞的大腦皮層曲面的映射（Retinotopicmapping）是保角映射 (Conformal Mapping)[1]。如圖1所示，保角變換的最大特點(diǎn)是局部保持形狀，但是忽略面積大小。這說(shuō)明視覺(jué)處理對(duì)于局部形狀非常敏感。

圖1  三維曲面到平面的保角映射

人們逐步發(fā)現(xiàn)，人類(lèi)具有多個(gè)視覺(jué)中樞，并且這些視覺(jué)中樞是階梯級(jí)聯(lián)，具有層次結(jié)構(gòu)。人類(lèi)的視覺(jué)計(jì)算是一個(gè)非常復(fù)雜的過(guò)程。如圖2所示，在大腦皮層上有多個(gè)視覺(jué)功能區(qū)域（v1至v5等），低級(jí)區(qū)域的輸出成為高級(jí)區(qū)域的輸入。低級(jí)區(qū)域識(shí)別圖像中像素級(jí)別的局部的特征，例如邊緣折角結(jié)構(gòu)，高級(jí)區(qū)域?qū)⒌图?jí)特征組合成全局特征，形成復(fù)雜的模式，模式的抽象程度逐漸提高，直至語(yǔ)義級(jí)別。

圖2   大腦皮層的視覺(jué)中樞，視覺(jué)信號(hào)的傳導(dǎo)途徑：視網(wǎng)膜，LGN， V1, V2, V3, V4, V5 等

如圖3所示，畢加索的名畫(huà)格爾尼卡（Guernica）中充滿了抽象的牛頭馬面，痛苦嚎哭的人臉，扭曲破碎的肢體。我們可以毫不費(fèi)力地辨認(rèn)出這些夸張的幾 何形體。其實(shí)，圖中大量信息丟失，但是提供了足夠的整體模式。由此可見(jiàn)，視覺(jué)高級(jí)中樞忽略色彩、紋理、光照等局部細(xì)節(jié)，側(cè)重整體模式匹配和上下文關(guān)系，并可以主動(dòng)補(bǔ)充大量缺失信息。

圖3   畢加索的Guernica

最近，深度學(xué)習(xí)技術(shù)的發(fā)展，使得人們能夠模擬視覺(jué)中樞的層級(jí)結(jié)構(gòu)，考察每一級(jí)神經(jīng)網(wǎng)絡(luò)形成的概念。圖4顯示了一個(gè)用于人臉識(shí)別的人工神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后習(xí)得的各層特征。底層網(wǎng)絡(luò)總結(jié)出各種邊緣結(jié)構(gòu)，中層網(wǎng)絡(luò)歸納出眼睛，鼻子，嘴巴等局部特征，高層網(wǎng)絡(luò)將局部特征組合，得到各種人臉特征。這樣，人工神經(jīng)網(wǎng)絡(luò)佐證了視覺(jué)中樞的層次特征結(jié)構(gòu)。

圖4   深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的不同層次的特征（by Andrew Ng）

專(zhuān)用和通用（Specific vs. General ）

人工神經(jīng)網(wǎng)絡(luò)在20世紀(jì)80年代末和90年代初達(dá)到巔峰，隨后迅速衰落，其中一個(gè)重要原因是因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)的發(fā)展嚴(yán)重受挫。人們發(fā)現(xiàn)，如果網(wǎng)絡(luò)的層數(shù)加深，那么最終網(wǎng)絡(luò)的輸出結(jié)果對(duì)于初始幾層的參數(shù)影響微乎其微，整個(gè)網(wǎng)絡(luò)的訓(xùn)練過(guò)程無(wú)法保證收斂。

同時(shí)，人們發(fā)現(xiàn)大腦具有不同的功能區(qū)域，每個(gè)區(qū)域?qū)ｉT(mén)負(fù)責(zé)同一類(lèi)的任務(wù)，例如視覺(jué)圖像識(shí)別， 語(yǔ)音信號(hào)處理和文字處理等等。并且在不同的個(gè)體上，這些功能中樞在大腦皮層上的位置大致相同。在這一階段，計(jì)算機(jī)科學(xué)家為不同的任務(wù)發(fā)展出不同的算法。例如，為了語(yǔ)音識(shí)別，人們發(fā)展了隱馬爾科夫鏈模型；為了人臉識(shí)別，發(fā)展了Gaber濾波器，SIFT濾波，馬爾科夫隨機(jī)場(chǎng)的圖模型。因此，在這個(gè)階段，人們傾向于發(fā)展專(zhuān)用算法。

腦神經(jīng)科學(xué)的幾個(gè)突破性進(jìn)展使人們徹底改變了看法。2000年左右，Jitendra Sharma在《自然》上撰文[2]，匯報(bào)了他們的一個(gè)令人耳目一新的實(shí)驗(yàn)。Sharma把幼年鼬鼠的視覺(jué)神經(jīng)和聽(tīng)覺(jué)神經(jīng)剪斷，交換后接合，眼睛接到了聽(tīng)覺(jué)中樞，耳朵接到了視覺(jué)中樞。鼬鼠長(zhǎng)大后，依然發(fā)展出了視覺(jué)和聽(tīng)覺(jué)。這意味著大腦中視覺(jué)和聽(tīng)覺(jué)的計(jì)算方法是通用的。

2009年，Vuillerme和 Cuisinier為盲人發(fā)明了一套裝置[3]，將攝像機(jī)的輸出表示成二維微電極矩陣，放在舌頭表面。盲人經(jīng)過(guò)一段時(shí)間的學(xué)習(xí)訓(xùn)練，可以用舌頭“看到”障礙物。在2011年，人們發(fā)現(xiàn)許多盲人獨(dú)自發(fā)展出一套“聲納”技術(shù)，他們可以通過(guò)回聲來(lái)探測(cè)并規(guī)避大的障礙物。Thaler等研究表明，他們“聲納”技術(shù)采用的并不是聽(tīng)覺(jué)中樞，而是原來(lái)被廢置的視覺(jué)中樞。

種種研究表明，大腦實(shí)際上是一臺(tái)“萬(wàn)用學(xué)習(xí)機(jī)器”（Universallearning Machine），同樣的學(xué)習(xí)機(jī)制可以用于完全不同的的應(yīng)用（圖5）。人類(lèi)的DNA并不提供各種用途的算法，而只提供基本的普適的學(xué)習(xí)機(jī)制，人的思維功能主要是依賴于學(xué)習(xí)所得。后天的文化和環(huán)境決定了一個(gè)人的思想和能力。換句話而言，學(xué)習(xí)的機(jī)制人人相同，但是學(xué)習(xí)的內(nèi)容決定了人的mind。

圖5  大腦皮層的不同功能區(qū)域

可塑性（Plasticity）

人的大腦具有極強(qiáng)的可塑性，許多功能取決于后天的訓(xùn)練。例如，不同民族語(yǔ)言具有不同的元音和輔音，阿拉伯語(yǔ)最為復(fù)雜，日語(yǔ)相對(duì)簡(jiǎn)單。出生不久的嬰兒可以辨別聽(tīng)出人類(lèi)能夠發(fā)出的所有元音和輔音。但是在五歲左右，日本幼兒已經(jīng)聽(tīng)不出很多阿拉伯語(yǔ)中的音素了。同樣，歐洲人可以非常容易地辨認(rèn)本民族面孔，但是非常容易混淆亞洲人面孔。人們發(fā)現(xiàn)，如果大腦某個(gè)半球的一個(gè)區(qū)域受損，產(chǎn)生功能障礙。依隨時(shí)間流逝，另一半球的對(duì)稱區(qū)域會(huì)“接替”受損區(qū)域，掌管相應(yīng)功能。這些都表明大腦神經(jīng)網(wǎng)具有強(qiáng)烈的可塑性。

長(zhǎng)期以來(lái)，人們傾向于認(rèn)為大腦神經(jīng)元網(wǎng)絡(luò)依隨學(xué)習(xí)和訓(xùn)練，其聯(lián)結(jié)復(fù)雜度逐漸增加，愈來(lái)愈多的聯(lián)結(jié)建立起來(lái)。近期，一些神經(jīng)科學(xué)家提出了相反的看法。他們觀察到，嬰兒睡覺(jué)時(shí)，如果有剪刀掉到地上，嬰兒的應(yīng)激反應(yīng)是全身的，而相對(duì)成熟的兒童的應(yīng)激反應(yīng)只集中在局部肌肉上面。他們找到一些證據(jù)表明，嬰兒的某些神經(jīng)網(wǎng)絡(luò)是全聯(lián)通圖，依隨年齡的增長(zhǎng)和學(xué)習(xí)訓(xùn)練的積累，許多神經(jīng)聯(lián)結(jié)會(huì)自行斷開(kāi)，從而形成簡(jiǎn)化的網(wǎng)絡(luò)。

夢(mèng)的解析（Dream）

大腦學(xué)習(xí)算法的普適性和可塑性一直激勵(lì)著計(jì)算機(jī)科學(xué)家不懈地努力探索。歷史性的突破發(fā)生在2006年左右。三位計(jì)算機(jī)科學(xué)家，Geoffrey Hinton，Yann LeCun 和 Yoshua Bengio突破了深度學(xué)習(xí)的技術(shù)瓶頸，引領(lǐng)了深度學(xué)習(xí)的浪潮。相比于以前的狀況，主要的技術(shù)突破在于以下幾點(diǎn)：優(yōu)化方法的改進(jìn)，更加簡(jiǎn)單的優(yōu)化方法，特別是隨機(jī)梯度下降方法的應(yīng)用；使用非監(jiān)督數(shù)據(jù)來(lái)訓(xùn)練模型以達(dá)到特征自動(dòng)提??；使用越來(lái)越大的數(shù)據(jù)集；深度神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)訓(xùn)練需要巨大的計(jì)算能力，GPU 的普遍使用解決了這一迫切要求；等?，F(xiàn)在，深度學(xué)習(xí)方法突飛猛進(jìn)，在圖像識(shí)別（Image Registration），文本處理（text），語(yǔ)音處理（speech）等領(lǐng)域的基本問(wèn)題上，都已經(jīng)超過(guò)了傳統(tǒng)方法。在圖像識(shí)別領(lǐng)域，2015年深度學(xué)習(xí)方法的識(shí)別準(zhǔn)確率已經(jīng)達(dá)到人類(lèi)的水平[4]。

同時(shí)，對(duì)于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的理解加深了人 類(lèi)對(duì)于自身智力活動(dòng)的理解。長(zhǎng)期以來(lái)，人們對(duì)于夢(mèng)境一直沒(méi)有很好的理解。一直解釋觀點(diǎn)如下，如圖7所示，大腦中有一對(duì)海馬體（Hipocampus,，圖6），它們和人類(lèi)的長(zhǎng)期記憶有關(guān)。如果把大腦比喻成一個(gè)數(shù)據(jù)庫(kù)，那么海馬體就像是索引。如果海馬體有問(wèn)題，那么許多存入的記憶無(wú)法被取出，同時(shí)也無(wú)法形成新的記憶。每天晚上，海馬體將當(dāng)天形成短暫記憶加工成長(zhǎng)期記憶，在這一過(guò)程中，就形成了夢(mèng)。海馬體和其他神經(jīng)中樞相連，處理其它中樞已經(jīng)處理好的數(shù)據(jù)，形成新的編碼。海馬體和視覺(jué)和聽(tīng)覺(jué)中樞直接相連，因此，在夢(mèng)中能夠看到并且聽(tīng)到；但是，海馬體和嗅覺(jué)中樞并不相連，因此，在夢(mèng)中無(wú)法聞到氣味。我們?cè)趬?mèng)中經(jīng)常能夠看到平時(shí)看不到的奇詭景象，可以用深度學(xué)習(xí)的方法加以模擬解釋。

圖6  大腦的海馬體（Hipocampus）

實(shí)際上，視覺(jué)處理的過(guò)程并不只是從低級(jí)向高級(jí)傳遞的單向過(guò)程，高級(jí)中樞可以向低級(jí)中樞發(fā)出反饋信息，最為明顯的例子是高級(jí)中樞可以決定低級(jí)中樞的“注意力”和“焦點(diǎn)”。當(dāng)看到模糊不清的圖像，或者一時(shí)無(wú)法辨認(rèn)的圖像時(shí)，高級(jí)中樞會(huì)產(chǎn)生各種概率上合理的解釋?zhuān)⑶矣蛇@種猜測(cè)先入為主地 影響低層中樞的判斷，從而產(chǎn)生錯(cuò)覺(jué)。如圖7所示，可以用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)來(lái)模擬這種先入為主的現(xiàn)象。輸入是一幅白噪聲，本身沒(méi)有任何有意義的信息。網(wǎng)絡(luò)由于隨機(jī)漲落，在某一剎那傾向認(rèn)為圖中有香蕉。由此，優(yōu)化這幅圖像，使得識(shí)別香蕉的高層神經(jīng)元興奮，如此得到的圖像果真看起來(lái)像香蕉。

圖7  先入為主產(chǎn)生的錯(cuò)覺(jué)[5]

圖8顯示了一個(gè)例子，這里輸入的是一幅羚羊圖像。神經(jīng)網(wǎng)絡(luò)的低級(jí)反饋加到圖像上，看到許多邊緣和定向的模式出現(xiàn)在場(chǎng)景里。

圖8   圖像加入低級(jí)特征反饋[5]

許多孩子喜歡仰望藍(lán)天白云，并且用自己豐富的想象力看到了各種奇妙的幻象。如圖9所示，將一幅藍(lán)天白云的圖像作為輸入，用一個(gè)識(shí)別動(dòng)物的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)加以處理，將高層神經(jīng)元的認(rèn)知模式作為反饋，來(lái)優(yōu)化原始圖像，結(jié)果可以看到各種山海經(jīng)中才會(huì)出現(xiàn)的神獸：身著鎧甲的將軍狗，豬蝸牛，駱駝鳥(niǎo)，狗魚(yú)。人在做夢(mèng)時(shí)，高層神經(jīng)元對(duì)于低層神經(jīng)元發(fā)出各種反饋，低層神經(jīng)元將圖像依照高層的意圖進(jìn)行詮釋幻化，視覺(jué)幻象由此產(chǎn)生。

圖9  白云蒼狗的機(jī)器學(xué)習(xí)解釋[5]

美學(xué)（Aesthetics）

很久以來(lái)，人們傾向于認(rèn)為機(jī)器可以理解人類(lèi)的邏輯思維，但卻無(wú)法理解人類(lèi)的豐富感情，更無(wú)法理解人類(lèi)的美學(xué)價(jià)值，當(dāng)然機(jī)器也就無(wú)法產(chǎn)生具有美學(xué)價(jià)值的作品。事實(shí)勝于雄辯，AlphaGo對(duì)局李世石下出石破天驚的一步，棋圣聶衛(wèi)平先生向AlphaGo的下法脫帽致敬，這說(shuō)明深度學(xué)習(xí)算法已經(jīng)能夠自發(fā)創(chuàng)造美學(xué)價(jià)值。許多棋手在棋盤(pán)方寸間縱橫一生，所追尋的就是美輪美奐的神機(jī)妙手。如此深邃優(yōu)美，玄奧抽象，一夜間變成了枯燥平淡的神經(jīng)元參數(shù)，這令許多人心生幻滅。

其實(shí)，在視覺(jué)藝術(shù)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)可以將一幅作品的內(nèi)容和風(fēng)格分開(kāi)，同時(shí)向藝術(shù)大師學(xué)習(xí)藝術(shù)風(fēng)格，并把藝術(shù)風(fēng)格轉(zhuǎn)移到另外的作品中，用不同藝術(shù)家的風(fēng)格來(lái)渲染同樣的內(nèi)容[6]，如圖10所示。

圖10   神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)藝術(shù)風(fēng)格，并用不同的風(fēng)格渲染同樣的內(nèi)容

這意味著人工神經(jīng)網(wǎng)絡(luò)可以精確量化原本許多人文科學(xué)中模糊含混的概念，例如特定領(lǐng)域中的”“藝術(shù)風(fēng)格”，博弈中的“棋風(fēng)”，并且使這些只可意會(huì)，無(wú)法言傳的技巧風(fēng)格變得樸實(shí)無(wú)華，容易復(fù)制和推廣。

首先，從哲學(xué)層面上講，希爾伯特希望用公理化方法徹底嚴(yán)密化數(shù)學(xué)基礎(chǔ)。哥德?tīng)栕C明了對(duì)于任何一個(gè)包含算術(shù)系統(tǒng)的公理體系，都存在一個(gè)命題，其真?zhèn)螣o(wú)法在此公理體系中判定。換言之，這一命題的成立與否都與此公理體系相容。這意味著我們無(wú)法建立包羅萬(wàn)象的公理體系，無(wú)論如何，總存在真理游離在有限公理體系之外；另一方面，這也意味著對(duì)于真理的探索過(guò)程永無(wú)止境。

其次，從計(jì)算角度而言，Grobner基方法和吳方法的復(fù)雜度都是超指數(shù)級(jí)別的，即便對(duì)于簡(jiǎn)單的幾何命題，其機(jī)器證明過(guò)程都可能引發(fā)存儲(chǔ)空間的指數(shù)爆炸，這揭示了機(jī)器證明的本質(zhì)難度。

第三，能夠用理想生成的框架證明的數(shù)學(xué)命題，其本身應(yīng)該是已經(jīng)被代數(shù)化了。例如所有的歐幾里得幾何命題，初等的解析幾何命題。微分幾何中的許多問(wèn)題的代數(shù)化，本身就是非常具有挑戰(zhàn)性。例如黎曼流形的陳省身-高斯-博內(nèi)定理：流形的總曲率是拓?fù)洳蛔兞?。如果沒(méi)有嘉當(dāng)發(fā)明的外微分和活動(dòng)標(biāo)架法，這一定理的證明無(wú)法被代數(shù)化。拓?fù)鋵W(xué)中的許多命題的代數(shù)化本身也是非常困難的，比如眾所周知的布勞威爾不動(dòng)點(diǎn)定理：我們用咖啡勺緩慢均勻攪拌咖啡，然后抽離咖啡勺，待咖啡靜止后，必有一個(gè)分子，其攪拌前和攪拌后的位置重合。這一命題的嚴(yán)格代數(shù)化是一個(gè)非常困難的問(wèn)題。吳先生的高徒，高小山研究員突破的微分結(jié)式理論，系統(tǒng)地將這種機(jī)器證明方法從代數(shù)范疇推廣到微分范疇[7]。

最后，機(jī)器定理證明過(guò)程中推導(dǎo)出的大量符號(hào)公式，人類(lèi)無(wú)法理解其內(nèi)在的幾何含義，無(wú)法建立幾何直覺(jué)。而幾何直覺(jué)和審美，實(shí)際上是指導(dǎo)數(shù)學(xué)家在幾何天地中開(kāi)疆拓土的最主要的原則。機(jī)器無(wú)法抽象出幾何直覺(jué)，也無(wú)法建立審美觀念，因此雖然機(jī)器定理證明經(jīng)常對(duì)于已知的定理給出令人匪夷所思的新穎證明方法，但是迄今為止，機(jī)器并沒(méi)有自行發(fā)現(xiàn)深刻的未知數(shù)學(xué)定理。

比如，人類(lèi)借助計(jì)算機(jī)完成了地圖四色定理的證明，但是對(duì)于這一證明的意義一直富有爭(zhēng)議。首先，是人類(lèi)將所有可能情形進(jìn)行分類(lèi)，由機(jī)器驗(yàn)證各類(lèi)情形；其次，這種暴力證明方法沒(méi)有提出新的概念，新的方法；再次，這個(gè)證明沒(méi)有將這個(gè)問(wèn)題和其它數(shù)學(xué)分支發(fā)生深刻內(nèi)在的聯(lián)系。數(shù)學(xué)中，命題猜測(cè)的證明本身并不重要，真正重要的是證明所引發(fā)的概念思想，內(nèi)在聯(lián)系和理論體系。因此，許多人認(rèn)為地圖四色定理的證明實(shí)際上“驗(yàn)證”了一個(gè)事實(shí)，而非“證明”了一個(gè)定理。

因此，和人類(lèi)智慧相比，人工智能的符號(hào)主義方法依然處于相對(duì)幼稚的階段。

雖然人工智能取得了突破性進(jìn)展，但是他還是在嬰幼兒時(shí)期。聯(lián)結(jié)主義的方法雖然摧枯拉朽，無(wú)堅(jiān)不摧，但是依然沒(méi)有堅(jiān)實(shí)的理論基礎(chǔ)。通過(guò)仿生學(xué)和經(jīng)驗(yàn)積累得到的突破，依然無(wú)法透徹理解和預(yù)測(cè)。簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)制加上機(jī)器蠻力，能否真正從量變到質(zhì)變，這需要時(shí)間檢驗(yàn)。

圍棋是信息完全博弈游戲的巔峰，但不是人類(lèi)智力的巔峰。理性思維的巔峰還是數(shù)學(xué)物理理論的創(chuàng)立。許多抽象的數(shù)學(xué)定理，本身的描述已經(jīng)概念嵌套概念，并且在現(xiàn)實(shí)物理世界中找不到示例，因此機(jī)器學(xué)習(xí)方法不再適用。比如下面的命題：高斯曲率處處為負(fù)的封閉曲面無(wú)法嵌入在三維歐式空間中。這一命題的證明無(wú)法用目前符號(hào)計(jì)算的方法，也無(wú)法用機(jī)器學(xué)習(xí)的方法。如果有朝一日，數(shù)學(xué)家開(kāi)始對(duì)人工智能脫帽致敬，那么人類(lèi)應(yīng)該開(kāi)始警醒了。

人類(lèi)的孩子需要花費(fèi)十?dāng)?shù)年來(lái)學(xué)習(xí)，并且學(xué)習(xí)中師生和同學(xué)中的社會(huì)交往起到了至關(guān)重要的作用。目前人工智能的程序還是各自訓(xùn)練，彼此之間沒(méi)有交互。如果人工智能程序間能夠建立社會(huì)交往，彼此交換學(xué)習(xí)內(nèi)容和心得，那么人工智能將會(huì)產(chǎn)生新的飛躍。比如一群谷歌的Atlas機(jī)器人，裝備了AlphaGo的大腦，彼此自發(fā)地進(jìn)行籃球游戲。通過(guò)拷貝神經(jīng)網(wǎng)絡(luò)的參數(shù)，它們可以彼此迅速交換學(xué)習(xí)成果。通過(guò)對(duì)抗演練，它們能夠迅速提高手眼協(xié)調(diào)，團(tuán)隊(duì)協(xié)作，則很快有望進(jìn)入NBA。

谷歌旗下的機(jī)器人

我們可以相信，不久的將來(lái)，人類(lèi)和人工智能機(jī)器人和睦共處，共同學(xué)習(xí)提高。在紐約曼哈頓中央公園，有機(jī)器人在辛勤地勞作，也有人類(lèi)遛著阿爾法狗。街角，有個(gè) Atlas在和人類(lèi)攀談，切磋著各種幽默笑話。不遠(yuǎn)處的長(zhǎng)椅上另一個(gè)Atlas默默地坐著，它頭戴虛擬現(xiàn)實(shí)的眼鏡，在孜孜不倦地學(xué)習(xí)著人類(lèi)歷史...

參考文獻(xiàn)（References）

[1]Brewer,Alyssa A. et. al. 'Visual field maps and stimulus selectivity in humanventral occipital cortex.' Nature neuroscience 8.8 (2005): 1102-1109.

[2]JitendraSharma, Alessandra Angelucci and Mriganka Sur, Induction of visual orientationmodules in auditory cortex, Nature 404, 841-847 (20 April 2000)

[3]NicolasVuillerme and Remy Cuisinier, Sensory Supplementation through TongueElectrotactile Stimulation to Preserve Head Stabilization in Space in theAbsence of Vision, Visual Psychophysics and Physiological Optics , January 2009

[4]Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun, DeepResidual Learning for Image Recognition, CVPR2016.

[5]http://googleresearch./2015/06/inceptionism-going-deeper-into-neural.html

[6]https://github.com/jcjohnson/neural-style

[7]X.S.Gao, W.Li, C.M. Yuan, Intersection Theory in DifferentialAlgebric Geometry: Generic Intersections and the Differential Chow Form, Trans.Amer. Math. Soc., 365(9), 4575-4632, 2013.

原載《科技導(dǎo)報(bào)》，《知識(shí)分子》獲授權(quán)刊載。