金庸武俠小說(shuō)《射雕英雄傳》里，有這樣一段經(jīng)典場(chǎng)景：“老頑童”周伯通在被困桃花島期間，創(chuàng )造了“左右互搏術(shù)”，即用自己的左手跟自己的右手打架，在兩手互搏中提高功力。

如今，這樣的橋段在人工智能領(lǐng)域真實(shí)上演。它，就是深度學(xué)習。

“左右互搏術(shù)”與深度學(xué)習中的一種對抗訓練原理相仿，即有兩個(gè)角色——生成器和判別器。生成器類(lèi)似于左手，扮演攻方；判別器類(lèi)似于右手，扮演守方。

判別器的目的是正確區分真實(shí)數據和生成數據，從而最大化判別準確率；生成器則是盡可能逼近真實(shí)數據的潛在分布。二者需要不斷提高各自的判別能力和生成能力來(lái)取勝，從而實(shí)現目標優(yōu)化。

今天，讓我們打開(kāi)這個(gè)“神秘魔盒”。

深度學(xué)習的概念，最早是由杰弗里·辛頓在2006年提出的。這是一門(mén)用于學(xué)習和利用“深度”人工神經(jīng)網(wǎng)絡(luò )的機器學(xué)習技術(shù)。作為人工智能領(lǐng)域中最熱的研究方向，深度學(xué)習迅速受到學(xué)術(shù)界和工業(yè)界的關(guān)注。

目前，深度學(xué)習已得到廣泛應用。如在博弈領(lǐng)域，AlphaGo通過(guò)深度學(xué)習，以4∶1的比分戰勝韓國棋手李世石，成為第一個(gè)擊敗人類(lèi)職業(yè)圍棋選手的電腦程序；在醫學(xué)影像識別中，以深度學(xué)習為核心技術(shù)的X光、核磁、CT、超聲等醫療影像多模態(tài)大數據的分析技術(shù)，可提取二維或三維醫療影像中隱含的疾病特征；在圖像處理中，最成功的領(lǐng)域是計算機視覺(jué)，如圖像風(fēng)格遷移、圖像修復、圖像上色、人臉圖像編輯以及視頻生成等。

一種特殊的機器學(xué)習方法

今天的人工智能，其實(shí)是把現實(shí)生活中的問(wèn)題量化成了可計算的問(wèn)題，然后用計算機算出來(lái)。數學(xué)模型則架起了中間的橋梁。

現實(shí)生活中，很多問(wèn)題都可以通過(guò)建模解決。比如計算遠程火炮彈道問(wèn)題，計算日食、月食出現的時(shí)間和地點(diǎn)等。我們只要把相應公式用計算機語(yǔ)言寫(xiě)一遍，再代入參數，就能計算出來(lái)。

然而，更多問(wèn)題的解決方法是不確定的。即使我們找到了相應的數學(xué)模型，也不知道應該代入什么參數。比如語(yǔ)音識別、人臉識別和機器翻譯等。因此，我們需要讓計算機通過(guò)自主學(xué)習，從大量數據中得到相應參數。這個(gè)過(guò)程，就是機器學(xué)習。

機器學(xué)習旨在發(fā)現數據存在和利用的模式，并用它們進(jìn)行學(xué)習及做出預測。機器學(xué)習的過(guò)程，就是用計算機算法不斷地優(yōu)化模型，讓它越來(lái)越接近真實(shí)情況的過(guò)程。它與人類(lèi)學(xué)習的道理如出一轍。

考察人的學(xué)習通常方式是考試，如果分數不及格，就需要進(jìn)一步學(xué)習。機器學(xué)習也要這樣來(lái)衡量，它的目標用專(zhuān)業(yè)術(shù)語(yǔ)來(lái)說(shuō)，就是“期望值最大化”。

機器學(xué)習的效果取決于兩個(gè)方面：一方面是學(xué)習的深度。機器學(xué)習并不能“一口吃成個(gè)胖子”，它的訓練算法需要迭代執行。這如同人在學(xué)習時(shí)要通過(guò)復習來(lái)“溫故而知新”一樣。機器學(xué)習迭代的次數越多，即學(xué)習得越深入，得到的數學(xué)模型效果越好。另一方面是數據的質(zhì)與量。正如我們做大量?jì)?yōu)質(zhì)習題，成績(jì)就會(huì )提高。機器學(xué)習也是如此，訓練數據量越大，學(xué)習效果就會(huì )越好。

根據數學(xué)模型的特點(diǎn)，機器學(xué)習有兩種方法：一種是利用已知模型進(jìn)行訓練；另一種是在模型未知的情況下，設計一些簡(jiǎn)單通用的模型結構，然后使用大量的數據進(jìn)行訓練，訓練成什么樣就是什么樣。這便是我們常聽(tīng)到的人工智能“黑箱”問(wèn)題，即使訓練有效，也不清楚里面是什么。

深度學(xué)習就是后一種機器學(xué)習的方法。人工智能涵蓋的領(lǐng)域十分廣泛，深度學(xué)習只是其中的一個(gè)分支，屬于機器學(xué)習的范疇。人工智能需要有“獨立思考”能力與機器學(xué)習技術(shù)的支持，深度學(xué)習便是幫助機器實(shí)現“獨立思考”的一種方式。

深度學(xué)習迎來(lái)革命性突破

人工神經(jīng)網(wǎng)絡(luò )，簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò )，是一種模仿動(dòng)物中樞神經(jīng)系統結構和功能的數學(xué)模型，是用大量簡(jiǎn)單處理單元經(jīng)廣泛連接而組成的人工網(wǎng)絡(luò )。它其實(shí)是一個(gè)特殊的分類(lèi)器，用于對函數進(jìn)行估計等。

神經(jīng)網(wǎng)絡(luò )為許多問(wèn)題的研究提供了新思路，特別是迅速發(fā)展的深度學(xué)習，能發(fā)現高維數據中的復雜結構，取得比傳統機器學(xué)習更好的效果。

20世紀50年代，人類(lèi)第一次設計出計算機能運行的神經(jīng)網(wǎng)絡(luò )算法。此時(shí)的神經(jīng)網(wǎng)絡(luò )，雖然給了人們很多遐想空間，卻解決不了實(shí)際問(wèn)題，因此被打入“冷宮”。

到了20世紀80年代末期，人們提出反向傳播算法，可讓一個(gè)神經(jīng)網(wǎng)絡(luò )模型從大量樣本中學(xué)習統計規律，從而對未知事件做出預測。隨后，支持向量機等各種各樣的機器學(xué)習方法被相繼提出。不過(guò)，這些模型的結構均為淺層學(xué)習方法，處理復雜問(wèn)題的能力受到一定制約。因此，神經(jīng)網(wǎng)絡(luò )再進(jìn)“冷宮”。

2006年，加拿大教授辛頓和他的學(xué)生提出深度學(xué)習神經(jīng)網(wǎng)絡(luò )的“快速學(xué)習”算法，使深度學(xué)習迎來(lái)了革命性突破。深度學(xué)習通過(guò)學(xué)習一種深層非線(xiàn)性網(wǎng)絡(luò )結構，展現出了從少數樣本中集中學(xué)習數據及本質(zhì)特征的強大能力。

從此，神經(jīng)網(wǎng)絡(luò )學(xué)會(huì )了反復分類(lèi)以及識別物體的方法，并展現出乎意料的精準度。

計算能力成為推動(dòng)深度學(xué)習的利器

人工神經(jīng)網(wǎng)絡(luò )在被提出的50年間，都沒(méi)能很好地解決智能問(wèn)題。究其原因，除了算法本身不完善外，還在于計算機絕對速度不夠快，而且單位計算能力的能耗太高，無(wú)法通過(guò)大量服務(wù)器搭建并行計算系統，來(lái)達成深度人工神經(jīng)網(wǎng)絡(luò )。

那么，靠什么加以突破？答案就是摩爾定律。

摩爾定律是英特爾聯(lián)合創(chuàng )始人戈登·摩爾在1965年提出的一項觀(guān)察結論，即計算機的總體處理能力大約每2年就會(huì )翻一番。經(jīng)歷近50年的歷史檢驗，摩爾定律展現出驚人的準確性。摩爾定律帶來(lái)的結果是，在過(guò)去的半個(gè)多世紀里，計算機處理器性能增長(cháng)了上億倍，耗電量卻降到了百分之一。

從能量角度看，摩爾定律反映出了人類(lèi)在單位能耗下，所能完成信息處理能力的大幅提升。而這正是實(shí)現人工智能的基礎所在。

從某種意義上說(shuō)，不僅是深度學(xué)習技術(shù)，今天的人工智能都是靠算力成就的。

人工智能的崛起，有3個(gè)技術(shù)要素：一是它解決了可計算問(wèn)題，即在算法上的突破；二是它積累了大量數據，形成了可學(xué)習的原材料；三是摩爾定律所推測的，處理能力得到持續提高。

算力是推動(dòng)深度學(xué)習的利器。計算能力越強，同樣時(shí)間內積累的經(jīng)驗就越多、迭代速度也越快，深度學(xué)習的性能也就越高。

不斷進(jìn)化的深度學(xué)習之道

1997年，“深藍”在國際象棋比賽中戰勝加里·卡斯帕羅夫；2016年，AlphaGo在圍棋比賽中戰勝李世石。

雖然這兩種人工智能系統都學(xué)會(huì )了下棋，但教授它們的方式以及它們如何比賽，則大相徑庭。

“深藍”的核心評估函數對給定盤(pán)面進(jìn)行數字“排序”，而且函數是手工設計的。這種比賽風(fēng)格，實(shí)際上是一種“蠻力”?！吧钏{”將其評估函數應用到許多備選的未來(lái)狀態(tài)，對每個(gè)棋手預先搜索七八步，以2億次/秒的速度進(jìn)行局面評估。

AlphaGo的學(xué)習方法則迥然不同。它通過(guò)一種雙管齊下的深度學(xué)習方法“學(xué)習”，用“價(jià)值網(wǎng)絡(luò )”評估局面，用“策略網(wǎng)絡(luò )”選擇走棋。

深度學(xué)習神經(jīng)網(wǎng)絡(luò )的訓練，一部分通過(guò)使用人類(lèi)高手對弈數據集的監督學(xué)習進(jìn)行（總出棋數約為3000萬(wàn)步），另一部分通過(guò)對自我對弈非監督強化學(xué)習進(jìn)行（模擬成千上萬(wàn)場(chǎng)隨機比賽）。它不使用預測搜索，走棋是單個(gè)“圍棋局面”整體評估的結果。

2017年5月，在中國烏鎮圍棋峰會(huì )上，AlphaGo的升級版AlphaGo Zero，與世界排名第一的圍棋冠軍柯潔對戰，結果以3∶0的總比分完勝。

令人震驚的是，AlphaGo Zero一開(kāi)始并沒(méi)接觸過(guò)人類(lèi)棋譜。它使用了新的強化學(xué)習方法，從單一神經(jīng)網(wǎng)絡(luò )開(kāi)始，通過(guò)神經(jīng)網(wǎng)絡(luò )強大的搜索算法，進(jìn)行自我對弈訓練。隨著(zhù)自我對弈次數的增加，神經(jīng)網(wǎng)絡(luò )逐漸調整，提升預測下一步的能力，最終成為具備超強棋力的“選手”。更為厲害的是，隨著(zhù)訓練的深入，AlphaGo Zero還獨立發(fā)現了游戲規則，走出了新策略，為圍棋這項古老游戲帶來(lái)了新見(jiàn)解。

目前，深度學(xué)習在許多領(lǐng)域取得了技術(shù)性突破，并展示了極佳效果。然而，它仍存在一些局限：理論研究缺乏、無(wú)監督學(xué)習能力弱、缺少邏輯推理和記憶能力等。

深度學(xué)習對未來(lái)社會(huì )發(fā)展具有重要意義，需要不斷深入研究，從多方向多角度更全面地開(kāi)發(fā)深度學(xué)習的潛在價(jià)值。面對復雜的戰場(chǎng)，以深度學(xué)習為代表的人工智能技術(shù)也已逐步滲透到軍事領(lǐng)域，深刻影響著(zhù)人類(lèi)戰爭。

可以推斷，未來(lái)作為“左右互搏術(shù)”的深度學(xué)習，必將繼續升級演化，開(kāi)啟更高深的境界。

來(lái)源：《解放軍報》