摘要：相信大家近日對的算法和背后整個人工智能產(chǎn)業(yè)的發(fā)展很感興趣，小編因此翻譯了采訪人工智能領(lǐng)域重要人物施米德休教授的文章。如今很多人在討論人工智能的潛力，提出一些問題，比如機器是否可以像一個人一樣學(xué)習(xí)，人工智能是否會超越人類的智慧，等等。

3月9日至3月15日，谷歌 AlphaGo 將在韓國首爾與李世石進(jìn)行5場圍棋挑戰(zhàn)賽。截止今日，李世石已經(jīng)連輸兩局。相信大家近日對 AlphaGo 的算法和背后整個人工智能產(chǎn)業(yè)的發(fā)展很感興趣，小編因此翻譯了 infoQ 采訪人工智能領(lǐng)域重要人物－施米德休教授（Jürgen Schmidhuber）的文章。

以下是譯文：

機器學(xué)習(xí)已經(jīng)成為媒體這幾天的流行語?？茖W(xué)雜志（Science）上發(fā)表了關(guān)于通過概率程序誘導(dǎo)的人類水平的概念學(xué)習(xí)的文章后不久，自然雜志 (Nature) 又用專門的封面故事報道 AlphaGo ，一個打敗了歐洲圍棋錦標(biāo)賽冠軍的人工智能程序。

如今很多人在討論人工智能的潛力，提出一些問題，比如“機器是否可以像一個人一樣學(xué)習(xí)？”，“人工智能是否會超越人類的智慧？”，等等。為了回答這些問題，InfoQ 采訪了教授 Jürgen Schmidhuber，瑞士人工智能實驗室 IDSIA 的主任。

瑞士人工智能研究所 IDSIA：2009 年到 2012 年間，該研究所開發(fā)的人工神經(jīng)網(wǎng)絡(luò)在模式識別和機器學(xué)習(xí)方面贏得了八項國際比賽。有超過十億人在使用 IDSIA 的算法，通過使用谷歌的語音識別的智能手機等。

infoQ：什么是深度學(xué)習(xí)和它的歷史？

深度學(xué)習(xí)這個概念只是舊酒裝新瓶。它主要是有許多后續(xù)處理階段的深層神經(jīng)網(wǎng)絡(luò)，而不只僅僅有少數(shù)后續(xù)處理階段。隨著今天的速度更快的計算機，這些深層神經(jīng)網(wǎng)絡(luò)已經(jīng)徹底改變了模式識別和機器學(xué)習(xí)這兩個領(lǐng)域。所謂“深度學(xué)習(xí)”這個概念首次由 Dechter 于 1986 年引入機器學(xué)習(xí)。

深度學(xué)習(xí)之父是烏克蘭數(shù)學(xué)家 Ivakhnenko。在 1965 年，他出版了第一個可以使用的監(jiān)督學(xué)習(xí)前饋多層感知算法（Supervised Deep Feedforward Multilayer Perceptions）。1971 年，他已經(jīng)描述了一個 8 層的網(wǎng)絡(luò)，由現(xiàn)在仍流行在新千年的方法訓(xùn)練，即使按照目前的標(biāo)準(zhǔn)也是很深層的。他遠(yuǎn)遠(yuǎn)領(lǐng)先于他的時代——當(dāng)時的電腦比現(xiàn)在慢近乎十億倍吧。

infoQ：你怎么看谷歌的 AlphaGo？AlphaGo 是否是在人工智能方面的大突破？什么技術(shù)幫助 AlphaGo 實現(xiàn)這一目標(biāo)？

我為谷歌 DeepMind 的成功感到很高興，該公司在很大程度上受我以前的學(xué)生的影響：二個 DeepMind 的最初四個成員和他們的第一個博士學(xué)位來自我任職的人工智能實驗室 IDSIA，其中一人是 DeepMind 聯(lián)合創(chuàng)始人，另一個人是 DeepMind 的第一個雇員。

馬爾科夫假設(shè)（Markov Assumption）可以應(yīng)用于圍棋：原則上，當(dāng)前的輸入（整個棋局狀態(tài)）能傳達(dá)所有需要算出最佳的下一步行動的信息（無需考慮以前棋局狀態(tài)的歷史）。也就是說，圍棋可以通過傳統(tǒng)的強化學(xué)習(xí)（Reinforcement Learning）來解決。相比過去，計算機的計算速度是每美元至少快 1 萬倍，我們從這個進(jìn)步中獲利許多，在過去的幾年中，圍棋程序有很大的提高。學(xué)習(xí)成為一個好的棋手，DeepMind 的系統(tǒng)結(jié)合了多種傳統(tǒng)方法，如監(jiān)督學(xué)習(xí)（Supervised Learning）和基于蒙特卡羅樹搜索的強化學(xué)習(xí)（RL based on Monte Carlo Tree Search）。

然而，不幸的是，馬爾科夫狀態(tài)（Markov Condition）很難應(yīng)用于其他一些現(xiàn)實場景。這就是為什么現(xiàn)實世界的一些游戲，例如足球，比國際象棋或圍棋更難，生活在部分可觀測環(huán)境的強人工智能（AGI）機器人將需要更復(fù)雜的學(xué)習(xí)算法，例如，復(fù)發(fā)性神經(jīng)網(wǎng)絡(luò)強化學(xué)習(xí)（RL for recurrent neural networks）。

infoQ: 在你看來，什么是人與計算機之間合理的社會工作分工？

人類不應(yīng)該做艱苦和枯燥的工作，這些工作應(yīng)該由計算機去做。

InfoQ：你如何想象人工智能在不久的將來的發(fā)展？會不會遇到瓶頸？

在 reddit 的一個 AMA （Ask Me Anything - Reddit）我指出，即使現(xiàn)有的機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法，將在眾多領(lǐng)域的實現(xiàn)超人的壯舉，從醫(yī)療診斷，到更聰明的智能手機。下一代智能手機將更好地了解你，解決更多的問題，可能會讓你更加沉溺其中。

我想我們正在目睹人工智能產(chǎn)業(yè)的爆發(fā)。但如何預(yù)測這場爆發(fā)的細(xì)節(jié)？

假設(shè)計算能力會以每十年便宜 100 倍的速度降價，2036 年相同的價格的電腦會比如今的電腦快 10,000 倍。

這聽起來或多或少像在一個小型的便攜式設(shè)備中儲存了人類大腦的力量?；蛘咴谝粋€較大的電腦中儲存了一個城市的人腦的力量。

鑒于這種計算能力，我期待巨大的（按今天的標(biāo)準(zhǔn)）的遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）同時感知和分析來自多個源多數(shù)據(jù)流（語音，文本，視頻，許多其他方式）的巨大的輸入量，學(xué)習(xí)關(guān)聯(lián)所有這些輸入，并使用所提取的信息來實現(xiàn)的商業(yè)和非商業(yè)的無數(shù)目標(biāo)。這些RNNs 將持續(xù)，快速學(xué)習(xí)各種復(fù)雜技能。

infoQ：人工智能的下一步發(fā)展會是怎樣的？

孩子們甚至某些小動物仍比我們最好的自我學(xué)習(xí)的機器人更聰明。但我認(rèn)為，在未來的某一點，我們也許能夠建立一個基于NN增量式學(xué)習(xí)的人工智能程序（NNAI），可以學(xué)習(xí)到小動物的聰明程度，學(xué)習(xí)如何計劃和推理，把各種各樣的問題分解成能快速解決（或已經(jīng)解決）的子問題。通過我們的樂趣形式理論（ Formal Theory of Fun），我們甚至有可能讓機器人擁有好奇心和創(chuàng)造力。

infoQ：當(dāng)我們創(chuàng)造出和動物智力相匹配的人工智能程序后， 下一步會發(fā)生什么？

AI 的下一步發(fā)展可能不是巨大的：在自然界經(jīng)過了幾十億年的演變，有了聰明的動物，但只在數(shù)百萬年后，進(jìn)化出了人類。更何況，技術(shù)進(jìn)化要比生物進(jìn)化速度要快得多。也就是說，一旦我們有動物級別的人工智能，幾年或幾十年后，我們可能有人類水平的人工智能，與真正無限的應(yīng)用程序，并且每個企業(yè)都會發(fā)生變化，所有的文明都會改變，一切都會改變。