人工智能的又一個微小進步

人工智能時代是信息化時代的延續和新生，今天在這個領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。

人類在出生時近1000億個大腦神經元就已經產生和分化好，并且處在它們該存在的位置，等著建立神經網絡。這時候的神經元還沒有多少觸突，相互之間也沒有多少鏈接，新生兒的神經觸突數不到成年人的三分之一。在嬰幼兒的成長發育過程中，神經元迅速伸出觸突，彼此建立起非常復雜的鏈接，相連的神經元可以傳遞電和化學信號，接近三歲的時候，觸突的數量達到頂峰，此時的數量是成人的二倍，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，大腦不斷優化和修剪神經元的鏈接，讓信息的處理更加高效。在神經網絡的建立過程中，鏈接的建立是隨機的，但是修剪不是隨機的，大腦不斷根據外界信息和反饋來完成。最終形成的神經網絡復雜且能高效處理數據，即便是相同環境里成長起來的同卵雙胞胎也會有完全不同的兩個大腦。

?

模仿生物神經系統建立的神經計算網絡，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因子是個未知數，只能讓神經網絡通過大量的數據來自己學習，這個學習的過程和孩子學習識圖是一樣的，大量各種形態的圖像數據輸入，對最終輸出做出糾正，一旦發現輸出錯誤就回退嘗試新的參數設定，直到找到復合要求的輸出。所以神經網絡只關注于問題「可解」，并不強調「最優解」，每次解決和處理問題，都可以進一步優化網絡參數，讓網絡適應更復雜的數據輸入。

?

一直到2016年，GoogleDeepmind團隊的AlphaGo戰勝了職業九段李世石，才在世界范圍內掀起了對人工神經網絡的關注。這是一場徹底的勝利，AlphaGo的研發者并不懂圍棋，打開AlphaGo程序也沒人讀得懂里面天書一樣的各種參數，AlphaGo完全是靠自己學習圍棋來達到了戰勝人類的能力。最初的AlphaGo以CPU+GPU為運算單元，隨著運算量的增加，GPU畢竟不是專為神經網絡計算而設計，Google為了提升效率而自行設計了計算單元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。