我讀小學的時候數(shù)學課還有“珠算”的項目，就是教我們用算盤做加減法。每到學珠算課的時候，我們就得背著一把算盤去學校，一些珠算口訣我現(xiàn)在還記得，比如“一上一、二上二、三下五去二”。當時我們的電視里經(jīng)常會出現(xiàn)兩類節(jié)目，一種是講述我們燦爛的五千年文明的，另一種是痛訴我們落后經(jīng)濟的，講前一種的時候肯定會扯出來四大發(fā)明以及算盤，講后一種的時候就會沉痛告誡大家，我們太落后了，要被開除地球球籍。每到講算盤的時候，就有打算盤的高手出來和一群人PK，大家用計算器，她用算盤，比加減法誰更快。主持人一個字一個字報完算題，往往打算盤的人就喊出答案了，而按計算器的人還在埋頭按，主持人滿面激動高聲重復(fù)答案，觀眾掌聲啪啪響。

我當時隱隱約約覺得這種比賽有點問題，但又說不出問題在哪里，今天我知道了，用這種方式比簡單的加減法，時間都花在輸入上了，真正的計算時間完全忽略不計，所以完全不能說明算盤比計算器快，計算器里面雖然是最簡單的芯片，但是芯片就是芯片，計算就是比人快。

今天早就沒人用算盤了，不管當初電視節(jié)目吹算盤有多方便多快捷，真實生活里，在十塊錢一個的計算器面前算盤輸?shù)煤翢o還手之力。等我們這代人沒了，應(yīng)該也就沒人會打算盤了。沒人會就沒人會吧，現(xiàn)在也沒人直接嚼生谷子吃生肉了，總不至于還給茹毛飲血申請個文化遺產(chǎn)。歷史的車輪滾滾向前，無數(shù)當年敝帚自珍的技藝在新技術(shù)的面前就這么被碾壓了。

智慧到底是什么，目前我們還找不到答案，在計算機發(fā)明之前研究智慧是個很不靠譜的事情，所以我們得出了“神創(chuàng)論”：人類是上帝的復(fù)制品，我們的智慧來自于伊甸園里的智慧果。電子計算機發(fā)明后，我們忽然發(fā)現(xiàn)人類可以掌控如此強大的計算力量，探究智慧就成了可以嘗試的事情。

人們首先嘗試的是挖掘蠻力計算的方向，比如讓計算機來和人類比下棋。斗獸棋、西洋棋、黑白棋、五子棋之類可以窮舉所有可能的棋很輕松就被計算機解決了，國際象棋無法窮舉所有可能，但只要有合理剪枝，計算機還是可以比人類多考慮很多步，到1996年也戰(zhàn)勝了人類。很多人對深藍戰(zhàn)勝卡斯帕羅夫不服氣，認為這只是幾個計算機科學家戰(zhàn)勝了卡斯帕羅夫，而不是計算機，因為計算機下棋的時候使用了人類的棋庫，算法也沒有逃脫窮舉法，所以只是幾個會下棋的計算機科學家借助一臺計算機破了卡斯帕羅夫的天才智慧。當時有個說法：看計算機有多聰明，還是讓它下一局圍棋吧！因為圍棋有19x19個格子，一局棋的可能性是個天文數(shù)字，完全無法窮舉，每落一子對棋局的形勢改變也非常不直觀，只有懂棋才能看出個大概，而“懂棋”就意味著要對圖形有個大致判斷，這又卡在了計算機科學當時的弱點上，于是，對人工智能的研究又回到了對生物神經(jīng)系統(tǒng)的研究上。

人類的大腦非常復(fù)雜，900億個神經(jīng)元細胞形成錯綜復(fù)雜的神經(jīng)網(wǎng)絡(luò)，復(fù)雜度堪比宇宙星系，我們連它們工作原理的頭緒都沒找到。法國有個44歲的公務(wù)員，因為左下肢乏力去醫(yī)院檢查身體，醫(yī)生給他做了個MRI，結(jié)果非常震驚：這位公務(wù)員有先天性的腦積水，而且非常嚴重，整個大腦的實體組織只有薄薄的一層，中間都是空洞。醫(yī)生對他做了IQ測試，發(fā)現(xiàn)他的綜合智商75，語言智商84，操作智商70，雖然屬于笨人，但是生活可以自理。這個案例發(fā)表在頂級期刊《柳葉刀》上，除了讓世界感慨重度腦積水患者也可以在法國擔任公務(wù)員，更讓人震驚的還是人類大腦的復(fù)雜程度和超級容錯機制。

雖然我們無法對人腦建模，但是今天的計算機完整地模擬一只1000個細胞組成的蠕蟲還是沒有問題的，這就是Open Worm項目。這個項目的發(fā)起人認為，了解蠕蟲這種簡單生物的神經(jīng)系統(tǒng)，是我們認識人類大腦的第一步。該項目公開了全部源代碼，在計算機里模擬了整只蠕蟲的體細胞，尤其是構(gòu)建了完整的神經(jīng)系統(tǒng)，對神經(jīng)元發(fā)出刺激，看信號的傳遞和反饋，可以初步了解神經(jīng)系統(tǒng)的工作原理。把這套神經(jīng)網(wǎng)絡(luò)灌入一個樂高玩具車，這輛車就有了撞墻后折返的簡單神經(jīng)反射功能。

用這種方式模擬一只蠕蟲是可行的，但是模擬人腦則完全不可行。人類的智慧也是高度模式化的數(shù)值計算，既然不能了解，就應(yīng)該把大腦當做一個黑盒子，不用去解剖大腦，只要我們能夠不斷尋找新的算法和數(shù)據(jù)處理的方式，讓計算機展示出類似于人類智慧的數(shù)據(jù)處理表現(xiàn)即可。如果一個東西長得像鴨子，走著像鴨子，叫起來嘎嘎嘎，那么它就是鴨子。

我們可以從人類的行為學上來對人腦的學習過程有個簡單的了解，一個嬰兒出生，他的本能部分是天生固化在神經(jīng)網(wǎng)絡(luò)中的，比如強光照射會讓他的瞳孔迅速變小；觸碰他的臉頰，他就會迅速扭過頭去張嘴吮吸；豎著抱起，讓他的腳接觸一個平面，他就會雙腳做出邁步的動作……這些反射都不需要大腦決策，是固化在底層神經(jīng)網(wǎng)絡(luò)中的，比如脊髓、腦干等等。而語言等功能必須要經(jīng)過學習才行，對語言的學習過程就是大腦的神經(jīng)網(wǎng)絡(luò)對外界數(shù)據(jù)建立數(shù)據(jù)處理固定模式的過程。

嬰兒學習語言的過程中，“要”和“不要”是嬰兒最早學會的表達，然后就是各種名詞概念，接下來是動詞、代詞、復(fù)合詞，直到句子。在學習名詞的過程中，父母會指著這個物體反復(fù)向嬰兒重復(fù)這個名詞，嬰兒的大腦中不斷對這個物體做圖像識別，并形成對該名詞的固化。這個過程中會不斷糾錯，嬰兒認識了“貓”，但是把鄰居的西施犬和畫冊上的虎也認成貓，這是很正常的，這個時候父母就會糾正他：這是狗，這是虎。嬰兒可能會對此感到疑惑，但是經(jīng)過反復(fù)更正和學習，他就會把“貓”的圖像識別和定義做得更清楚。

人類在出生時近1000億個大腦神經(jīng)元就已經(jīng)產(chǎn)生和分化好，并且處在它們該存在的位置，等著建立神經(jīng)網(wǎng)絡(luò)。這時候的神經(jīng)元還沒有多少觸突，相互之間也沒有多少鏈接，新生兒的神經(jīng)觸突數(shù)不到成年人的三分之一。在嬰幼兒的成長發(fā)育過程中，神經(jīng)元迅速伸出觸突，彼此建立起非常復(fù)雜的鏈接，相連的神經(jīng)元可以傳遞電和化學信號，接近三歲的時候，觸突的數(shù)量達到頂峰，此時的數(shù)量是成人的二倍，這段時間也正是人類學習和認知最快的時期，我們基本的生存技能，比如語言、圖像識別和分類、運動都要在這個時候建立起來。此后的時間里，大腦不斷優(yōu)化和修剪神經(jīng)元的鏈接，讓信息的處理更加高效。在神經(jīng)網(wǎng)絡(luò)的建立過程中，鏈接的建立是隨機的，但是修剪不是隨機的，大腦不斷根據(jù)外界信息和反饋來完成。最終形成的神經(jīng)網(wǎng)絡(luò)復(fù)雜且能高效處理數(shù)據(jù)，即便是相同環(huán)境里成長起來的同卵雙胞胎也會有完全不同的兩個大腦。

模仿生物神經(jīng)系統(tǒng)建立的神經(jīng)計算網(wǎng)絡(luò)，基本原理就是一層一層處理和過濾信息，每一層的基本運算都很簡單，無非是用加法和乘法來完成矩陣運算，但是運算中的各種參數(shù)因子是個未知數(shù)，只能讓神經(jīng)網(wǎng)絡(luò)通過大量的數(shù)據(jù)來自己學習，這個學習的過程和孩子學習識圖是一樣的，大量各種形態(tài)的圖像數(shù)據(jù)輸入，對最終輸出做出糾正，一旦發(fā)現(xiàn)輸出錯誤就回退嘗試新的參數(shù)設(shè)定，直到找到復(fù)合要求的輸出。所以神經(jīng)網(wǎng)絡(luò)只關(guān)注于問題“可解”，并不強調(diào)“最優(yōu)解”，每次解決和處理問題，都可以進一步優(yōu)化網(wǎng)絡(luò)參數(shù)，讓網(wǎng)絡(luò)適應(yīng)更復(fù)雜的數(shù)據(jù)輸入。

我只需要掃一眼就知道墻角那邊蹲著的動物是一只貓，這是因為我在嬰幼兒時期經(jīng)過學習，已經(jīng)在大腦皮層里形成了對貓的圖像特征處理模式，大腦在接收到圖像后會迅速整理數(shù)據(jù)，經(jīng)過神經(jīng)網(wǎng)絡(luò)的層層篩選，最終形成一個“貓”的結(jié)論。大腦在做圖形處理時非常高效，這意味著大腦在圖像處理時做了運算精度的裁剪，并且能夠并行處理數(shù)據(jù)，而我們傳統(tǒng)的CPU恰好是為了高精度計算而設(shè)計的，在并行處理上功能也非常弱。在用計算機建立人工神經(jīng)網(wǎng)絡(luò)的過程中，我們需要的不是強悍的CPU，而是能夠?qū)Υ罅繑?shù)據(jù)做并行化低精度運算的處理單元。早在1943年的時候，美國神經(jīng)學和控制學專家沃倫·麥卡洛克就發(fā)表論文提出了人工神經(jīng)網(wǎng)絡(luò)的設(shè)想，1969年馬文·明斯基和西摩·帕爾特又進一步提出了機器學習概念，但是受限于當時的計算能力，這些都無法實施。到2000年以后，隨著GPU問世，計算機具備了大規(guī)模并行處理能力，人工神經(jīng)網(wǎng)絡(luò)開始活躍起來。

一直到2016年，Google Deepmind團隊的AlphaGo戰(zhàn)勝了職業(yè)九段李世石，才在世界范圍內(nèi)掀起了對人工神經(jīng)網(wǎng)絡(luò)的關(guān)注。這是一場徹底的勝利，AlphaGo的研發(fā)者并不懂圍棋，打開AlphaGo程序也沒人讀得懂里面天書一樣的各種參數(shù)，AlphaGo完全是靠自己學習圍棋來達到了戰(zhàn)勝人類的能力。最初的AlphaGo以CPU+GPU為運算單元，隨著運算量的增加，GPU畢竟不是專為神經(jīng)網(wǎng)絡(luò)計算而設(shè)計，Google為了提升效率而自行設(shè)計了計算單元TPU。TPU是專為深度學習框架TensorFlow而定制的，改用TPU的AlphaGo提升更快，僅靠單機4個TPU就在隨后的比賽里碾壓了所有人類頂級棋手。

如果你手上有華為的Mate 10或Mate 10 Pro，你可以試試看打開照相機，如果你把相機對準一個人，那么預(yù)覽畫面的左下角就會出現(xiàn)一個“人”的小圖標；如果你對準植物，就會出現(xiàn)一個植物的小圖標。這是因為華為這一代的手機芯片麒麟970已經(jīng)內(nèi)置了人工智能的運算單元NPU，讓手機有了對圖像場景的識別能力。手機上的NPU和Google的TPU在原理上是類似的，但是更強調(diào)功耗控制。華為的工程師在實驗室里使用機器學習訓(xùn)練電腦識別圖形圖像，然后把訓(xùn)練好的參數(shù)灌入手機系統(tǒng)，當手機打開照相機時，照相系統(tǒng)就會實時調(diào)用NPU來分析圖像場景。如果沒有NPU參與，僅靠手機的CPU或GPU，這個過程的耗時是無法忍受的，借助這個專為卷積算法而設(shè)計的NPU，Mate 10系列手機可以近乎于實時地感知到當前拍照的場景，以便對拍照進行優(yōu)化。Mate 10現(xiàn)在已經(jīng)可以認識十多個場景，比如拍人、拍藍天、拍植物、拍食物……新的智能識別功能還可以在今后的軟件升級中加入。

Mate 10是第一次把人工神經(jīng)網(wǎng)絡(luò)計算引入手機，目前能夠?qū)崿F(xiàn)的功能還主要集中在圖像識別和處理上，相對于對人工智能的巨大想象空間，目前的這一步無比微小。如果把2016年AlphaGo的勝利算作人工智能紀元的元年，麒麟970帶給Mate 10的這一步只是在手機這種便攜式設(shè)備上的第一次實用性的嘗試，未來可以承載的想象空間無比巨大。1969年阿姆斯特朗在月球的表面留下了人類的第一個清晰的腳步，也正是在那一年，機器學習的構(gòu)思在人類的頭腦中初步成型。月球上的一小步看起來是那么不起眼，但為了實現(xiàn)這一步，從1961年5月25日啟動阿波羅計劃到1972年12月計劃結(jié)束，除美國航空航天宇航中心外，一共有120所高等學校、20000家工廠、400萬人投入到這個行動中，累積花費250億美元，考慮通貨膨脹，這筆投入在今天超過千億美元。但是這些投入不是白白花掉的，阿波羅計劃結(jié)束，為這項計劃而誕生的各項發(fā)明和技術(shù)推開了人類信息時代的大門。人工智能時代是信息化時代的延續(xù)和新生，今天在這個領(lǐng)域的每個微小的進步都會累積起來，直到再為我們推開一扇偉大時代的大門。