科学中的人工智能革命

     大数据已经满足了它的匹配。在一个接一个领域，收集数据的能力激增。在生物学，基因组和蛋白质数据迅速增长的数据库；在天文学，PB级的数据从天文观测中流下来；在社会科学，在互联网上帖子和微博，数以百万计的跳弹。大量的数据能够淹没人类的洞察力和分析，但是，帮助它实现的计算进步也给它带来了强大的新工具。

    在一个横跨多学科的革命，研究人员正在发布人工智能（AI），在数据洪流中，通常是以人工神经网络的形式。与早期的人工智能不同，这种“深度学习”系统不需要用人类专家的知识来编程。而是，它们自己学习，通常从大的数据集，直到它们能够在比人类可以应付更大的复杂数据集中发现模式以及异常。

    人工智能不仅仅是改变科学；在你的智能手机上它正在与你对话，将无人汽车开上道路，令人不安的未来主义者认为它可能造成大量失业。对于科学家来说，前景是更加光明的：AI允许对发现的过程增压。

   然而，不像一个研究生或者博士后，神经网络不能解释他们的想法。导致结果的计算是隐藏的。因此，他们的崛起催生了一个被称为“人工神经科学”的领域：努力打开神经网络的黑箱，建立对他们产生过程的见解的信心。

    随着AI在科学中的作用扩大，理解机器内部的思想可能变得更为紧迫。已经有一些先驱正在转向人工智能来设计和进行实验，以及解释结果。开发全自动科学的前景，不知疲倦的学徒可能很快成为一个成熟的同事。

    人工智能，用这么多词。

    人工智能（AI）指的是什么？这个术语从来没有过一个很明显的边界。当它在达特茅斯学院的一个开创性的1956次研讨会上得到介绍，它被广泛地认为是指使在人们眼中机器的行为方式被称为智能。在人工智能领域最新的进展是人工智能。这项技术出现在从拼写检查到无人驾驶汽车。也通常在神经网络计算机系统中进行。任何关于人工智能的讨论也可能包括其他术语。

• 算法：算法是一组指令集。计算机的算法可能是简单的（如果现在是3点钟，发送一个提醒），也可能是复杂的（识别行人）。
• 反向传播算法：许多神经网络学习的方式。它们在输出以及渴望得到的输出之间发现不同，然后按照执行的相反顺序调整计算。
• 黑盒：几种深度学习系统的描述。它们接受输入并且能够提供输出，但是在两者之间发生的计算对人类来说是很难理解的。
• 深度学习：多层次的神经网络如何对逐渐抽象的模式变得敏感。在解析照片时，图层可能首先响应边缘，然后是爪子，然后是狗。
• 专家系统：人工智能的一种形式，试图复制人类在某一个领域的专家的知识，例如医学诊断。它结合了知识库和一套手工编码规则来应用这些知识。机器学习技术正逐渐取代手工编码。
• 生成式对抗网络：一组经过共同训练的神经网络，产生真实的新数据，并通过竞争提高。一个网络创建新的例子（假的picassos），另外一个网络试图来发现监测到虚假。
• 机器学习：在没有明确的指令下，在数据中发现模式的算法的使用。一个系统可能学习如何将诸如图像等输入的特性与诸如标签之类的输出相关联。
• 自然语言处理：计算机“理解”口头或书面语言的尝试。它必须分析词汇、语法和意图，并允许语言使用的变化。这个过程经常涉及到机器学习。
• 神经网络：使用深度学习进行的人脑高度抽象和简化的模型。一组单元接收一段输入（照片中的像素），对它们进行简单的计算，并将它们传送到下一层单元。最后一层表现答案。
• 神经形态芯片：作为神经网络而设计的计算机芯片。它可以是模拟的、数字的或组合的。
  
• 感知器：一种早期的神经网络，发展于20世纪50年代，受到了极大的鼓舞，但后来又显示出它的局限性，多年来抑制了对神经网络的兴趣。
• 增强学习：一种机器学习算法，它通过向抽象目标学习，例如“获得高电子游戏分数”或“有效地管理一个工厂”。在训练过程中，每一项努力都是基于对目标的贡献来评估的。
• 强人工智能：所有的一切都像人类一样聪明和全面。有人说这是不可能的。当前人工智能是比较弱和狭窄。它能够下棋或者是开车，不能够两者都会，以及缺少常识。
• 监督学习：机器学习的一种，在训练的过程中算法将它的输出与正确的输出作比较。在非监督学习中，算法仅仅在一组数据集中寻找模式。
• TENSORFLOW：张量流。谷歌开发的用于深度学习的软件工具集。它是开源，意味着任何一个人可以使用和提高它。类似的项目包括Torch和Theano。
• 迁移学习：机器学习中一种算法学习完成一项任务的技术，例如识别汽车，并在学习不同的但相关的任务的基础上建立这些知识，例如识别猫。
• 图灵测试：人工智能通过成为人类的一种测试。在Alan Turing最初的构想中，人工智能将通过书面文本的对话来判断它的能力。

原文网址：http://www.sciencemag.org/news/2017/07/ai-revolution-science

原文作者：Tim Appenzeller