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）