再谈人工智能--从历史了解当下和未来

不了解历史，就没有资格说未来。

计算机和互联网引发的科技革命，让信息的获取变得无比廉价，所有人都被包裹其中，无论是愿意还是不愿意，无论是有意还是无意，无论是主动还是被动。

有人觉得，这很糟糕，因为它让人们常常处于缺失自我的状态之中。就像被扔到太空中，漫无目的的漂浮，你想抓取，但无处借力。

有人觉得，这是巨大的进步，因为它让更多的人看到更大的空间。就像井底之蛙，突然跃出，看到了另一幅星辰大海。

其实，身处其中的我们每一个人，都感受到了这两种力量：有时候你惊叹于科技进步带给你无限的想象；有时候却苦于无法掌握其中的规律，看不到全局而茫然失措。对于人工智能，这种感觉更加明显。

没有选择让你失明，选择太多也会让你失明。

机器学习本身干的事，就是在数据大海中，寻找规律。这本质上是在替人类干这件事。人类历史长河中，也是一直在做这样一件事，所以，我们走的方向没有变化，但是方法不一样了。

对于人工智能，现在的状态，就好比是中世纪的其他科学分支。大家都觉得很重要，很有前途，因此都在尝试寻找那根主干，寻找未来的方向。

学习数学的历史，你会发现，总的来看，它就像是一条大河，每一个举足轻重的数学家其实都是一条支流，他们的某一个或者某几个贡献，可能汇入了主河道，这是我们能够看见的。其实更多的东西，教科书并不体现，因为他们没有规律性，或者随时间而干涸了。

但是，只保留教科书并不是明智选择，因为教科书更多的重视果，而忽略了因。只有历史，才能告诉我们更多的因，也只有这无数的因，才能激发我们创造更多更好的果。

通过历史，我们不仅可以知道这样走为什么行，更可以知道那样走为什么不行。

在上一篇博文【分清概念十分重要系列之--说说人工智能中的各种学习_龙城赤子的博客-CSDN博客】中，我们通过历史，梳理了人工智能的各种学习，这里，引用一篇文章【A Revised History of Deep Learning - Issue #1 | Revue】，来梳理梳理人工智能中的各种网络模型。

文章中从感知机模型出发，引出了神经网络模型。提到了其中的RNN(循环神经网络)、CNN（卷积神经网络）这些我们常见的模型构型。 因为RNN的记忆问题，提出了LSTM（长短期记忆）结构。之后的里程碑事件ILSVRC--基于ImageNet的挑战赛，深度学习大显神威。

这里要插一句，提到ImageNet就不能不提李飞飞。在斯坦福大学的课程中，李飞飞介绍图像识别的历史时（看，人家的第一课就是让你了解历史过程，关键里程碑），介绍的一个例子让我印象深刻：自从进化出类似眼睛的器官后，生物进化就被加速了。可见，看见对所有生物都意义重大。

ImageNet Challenge. Image taken from CS231n

好了，到目前，我们还只是在谈论识别。其实，现在大家已经彻底的打开了人工智能的想象大门。AI不仅可以看懂，听懂，读懂，还要有自己的意识，可以创造。写诗、写文章（不仅仅是写个标题）、创作音乐、绘画......这是本质上已经从识别跳跃到生成，从已有到创造。这就是生成网络的天地了。2014年，大牛Ian Goodfellow创建了GAN（生成对抗网络），这就是创新应该做的事。GAN由生成器和鉴别器构成，大名鼎鼎的Deepfake曾经给某些人带来了恐慌呢。GAN就像是周伯通的左右手互搏，也像是警察和罪犯的游戏，也像是上有政策，下有对策。总之，生成器要想办法欺骗鉴别器，鉴别器要想办法识别欺骗，在来回较量中，双方实力都得到提高。到一定程度，生成器的结果，对人类而言，似乎就......

图片来自：A Revised History of Deep Learning - Issue #1 | Revue

在这后，一种基于attention的模型流行起来，这称为Transformer，不再使用RNN和CNN。在NLP中，被用于机器翻译、生成摘要、语音识别等等。

自2018之后，各个方面都在飞速前进。借鉴和学习，更大的模型，更强大的算力，更多的参数...似乎进入了结果为王的周期。

未来，时间会告诉。