人工智能商业化浪潮及主要研究学派的介绍

1 人工智能商业化浪潮 　　20 世纪末，当以神经网络为主流的 AI 研究又一 　　次跌入低谷的时候，加拿大多伦多大学的 Hinton 教 　　授等还是坚守阵地，辛勤耕耘，并在 2006 年获得了 　　突破［3-4］．2012 年他和两位学生成立“深度神经网络 　　研究”（ DNN Research） 公司，数个月后被 Google 收 　　购，从此 Hinton 教授身兼多伦多大学教授和 Google 　　研究者的双重身份．Google 随后斥资 4 亿美元收购人 　　工智能初创的前沿人工智能企业 DeepMind．另外， 　　Google 还收购了乌克兰面部识别技术开发商 Viewdle． 　　紧随 Hinton 教授的步伐，纽约大学 Yann LeCun 　　教授，2013 年底被聘请为 Facebook 人工智能研究院 　　的总管; 斯坦福大学吴恩达（ Andrew Ng） 教授，2014 　　年被百度聘任为首席科学家负责“百度大脑”的计 　　划（ 2017 年已经辞职） ; 斯坦福大学李飞飞教授（ FeiFei Li） 成为谷歌云计算部门的负责人之一．这些现 　　象一方面说明人工智能现在受工业界的欢迎程度， 　　同时也说明了人工智能目前的发展趋势是学术研究 　　和企业开发的快速深度结合． 　　为了迎合 AI 的发展热潮，大量的开源学习平台 　　不断问世，贾扬清的 Caffe、Google 的 TensorFlow、Facebook 的 FBLearner Flow、Tesla 领衔的 OpenAI 以及 　　百度深度机器学习开源平台等，都为 AI 的研究和产 　　业开发起到了巨大的推动作用．当然还有很多其他 　　工业巨头的产品，例如 IBM 的沃森系统、微软的同声 　　翻译等． 　　科技发展，人才为本．AI 也不例外，企业对于 AI 　　人才的抢夺更是趋于白热化．目前 AI 领域，尤其是 　　深度学习领域面临缺乏专家的困境．由于这个领域 　　刚刚开始发展，所以专家，即使是博士毕业生都特别 　　少．吴恩达教授曾总结深度学习领域人才匮乏的几 　　个原因： 首先是数据，获取解决某些领域的问题的数 　　据常常非常困难; 其次是计算基础和架构工具，包括 　　计算机硬件和软件，入门不易; 最后是这个领域的工 　　程师培养时间长．为了解决上述问题，工业界的科技 　　巨头，如 Google、Facebook、Twitter、百度等纷纷通过 　　收购深度学习领域的初创公司来招揽人才．其中最 　　为典型的是 Google，它通过不断收购深度学习领域 　　的公司，抢到一批世界一流专家．总而言之，人工智 　　能产业的发展，使得其相关领域的人才成为稀缺之 　　宝，这对该领域的研究人员来讲，既是机遇，也是 　　挑战． 　　2 人工智能的主要研究学派 　　人类的智能主要包括归纳总结和逻辑演绎两大 　　类．我们大量的感知处理，如视听觉、身体感知处理 　　等都是下意识的，属于归纳总结智能．而数学推导、 　　逻辑推理等都是基于公理系统的符号演绎方法．由 　　于在发展过程中，对于智能的理解的不同，渐渐形成 　　了几个经典学派．每个学派从不同的角度看待问题， 　　提出解决方案．比如最为主要的两个学派： 符号学派 　　和联结学派，前者从哲学、逻辑学和心理学出发，将 　　学习视为逆向演绎，使用预先存在的知识来解决问 　　题，大多数专家系统使用符号学派的方法; 后者专注 　　于通过神经元之间的连接来推导表示知识，该学派 　　聚焦于物理学和神经科学，并相信大脑的逆向工程， 　　他们用反向传播算法来训练人工神经网络以获取结 　　果［5］．其他学派，如进化学派在遗传学和进化生物学 　　的基础上得出结论，贝叶斯学派注重统计学和概率 　　推理，类推学派更多是关注心理学和数学优化来推 　　断相似性判断． 　　虽然上述主流学派各自都取得了很大的成就， 　　但是其各自采用的研究方法都遇到了诸多困难，而 　　且这些学派对于 AI 的研究思路和方法难以形成一 　　个统一的框架．为了更好地理解 AI 的本质，本文拟 　　采用文献［1，5］中的观点来介绍人工智能的主流研 　　究方法． 　　基于对于“机器智能是由什么决定”这个问题的 　　回答，人工智能领域 70 多年的发展形成了 3 大主流 　　的研究方法： 结构模拟、功能模拟和行为模拟．这 3 　　种研究方法之间缺乏一种内在的联系，使得人们普 　　遍认为 AI 理论不成体系．为了解决上述问题，文献 　　［1，5］提出了第 4 类方法，即机制模拟． 　　2. 1 结构模拟 　　近代科学强调“结构决定论”，认为只要系统的 　　结构清楚了，功能也就认识清楚了．最先提出来的智 　　能模拟就是结构模拟的思路，其代表性的成果有神 　　经元的 MP 模型［6］、多层感知器 MLP 模型［7］和人工 　　神经网络［8］等．在机械系统的研究中非常有用的结 　　构决定论，在智能系统的研究中却存在很多问题．结 　　构只是硬件基础，不能完全确定系统的智能行为．正 　　如现在对于单个神经元的生理活动机制已经研究得 　　非常深入，但是大量的神经元连接在一起所呈现的 　　智能行为目前的理解还是非常肤浅．作为结构模拟 　　的主流成功方法，人工神经网络具有非常突出的优 　　点： 1） 人工神经网络具有比较规范的结构; 2）