當下人工智慧的科普遠不盡如人意， 充斥朋友圈乃至各大媒體的報導離實在的人工智慧面貌“漸行漸遠”， 而公眾也時有困惑，
撰文｜張張崢（上海紐約大學終身教授、國家千人計畫特聘專家）
責編｜邸利會
知識份子為更好的智趣生活 ID：The-Intellectual
● ● ●
未來論壇在上海紐約大學舉辦的一次講座之後， 嘉賓互動環節有這麼一個問題：“人工智慧最大的應用場景在哪？”我半開玩笑地回答：“在飯局上”。
人工智慧是IT公司蜂擁爭搶的標籤， 也是媒體和大眾的熱點議題。 這不是壞事， 但並不是說不需勘誤。
比如這樣的說法：
“ 人類的發明史上， 從來都是應用需求領先， 從來都不是技術領先。 比如， 人們想要飛， 才有了飛機並不斷改善；人們希望計算更快， 才有了CPU。 好像， 人們並沒有迫切需要AI。 ”
以上句子， 摘自曾刷爆朋友圈一篇文章——“現在說自己在做AI的都是忽悠！”
這讓我想起幾周前參加上海科技館一個面向中學生的科普活動時， 給同學們留下的一句寄語：“以好奇之心， 求無用之學。 ”因為在我看來， 學界的AI研究動力， 有一大半是（暫時的）無用之求。
科學和技術的原生力之一， 是打造和使用工具。 一部短短的文明史， 也是人類不停發明和使用工具的歷史。 但是， 革命性的工具不但落地時刻模糊， 還要受到已有工具的阻擊。 上述文章裡提到的積體電路晶片（IC）就是如此。
關於“無用之有用”， 從浙江大學王立銘教授那裡， 我還偷來三個精彩的反詰案例：“新生的嬰兒有什麼用？”（法拉第語）；“這個研究不會有益於國防， 但是會讓這個國家更值得保衛”（費米實驗室主任威爾蓀語， 於國會聽證會）；“（找希格斯）沒用， 但是我們就是想知道答案；而且我還知道你們其實也想知道答案， 只不過你們自己沒有意識到”（強子加速器科學家語，
科學和技術更重要的原生力， 在於好奇心的驅使。
康得說最大的謎團， 除了星空， 就是我們自己的心智。 要瞭解人自己， 還有比再造一個“人”更直接的辦法嗎？在人工智慧上走得遠的研究者， 不但應該廣泛涉獵貼近人心的幾個旁支， 如心理學、行為學、神經科學， 而在某種意義上更應是披著科學家外衣的哲學家。
就像萊特兄弟向鳥學習、引領人類飛行史一樣， 對人腦這個“老師”， 人工智慧也逐漸從“形似”過渡到“神似”， 只不過萬里長征才剛剛開始。 人腦和AI的關係， 是展開本文的一條線索。
既然已提及晶片， 那我們就從硬體開始談起。
人工智慧晶片的發展簡史既然人腦是由海量的神經元連結而成，
然而，這個思路有兩大問題。第一，手握一大堆原子而不明白上層的大結構，不要說復原一個世界，連造個板凳都困難。機翼加上速度取得升力之後，必須要有“迎風而變”的可控性，而這正是萊特兄弟基於對鳥類飛行的大批觀察、在自行車作坊和沙灘上大量實踐之後成功的關鍵。其二，長程的電力運輸中交流電比直流電有效率，這是守舊的愛迪生在芝加哥博覽會的競標中敗給西屋公司的原因。大腦的內環境相當“惡劣”，因為腦容所限，長長短短的連結要在“湯湯水水”中繞來繞去，脈衝信號是合理的選擇。可在晶片上也這麼做，不見得必要。
如果說中科院的寒武紀晶片還有些TrueNorth的影子，那麼穀歌、微軟的AI晶片的架構不但更激進，而且更簡單。
深度學習的模型依賴幾個基本的計算模組（卷積網路、長短程迴圈網路等），但其背後更基本的精神，是高維矩陣的非線性變換，和由這些變換連結起來的資料流程圖。因此，把這個計算框架做好，同時銜接上層的軟體發展環境，是開發AI晶片的兩大重點，而拘泥於大腦的硬體架構只會自縛手腳。穀歌的TPU，存在對TensorFlow（谷歌開發的機器學習軟體工具）過度依賴的問題，卻是AlphaGo烏鎮圍棋一戰中非常亮眼的明星，勘稱廣告史上的經典。TPU不是處理器，沒有指令集，就是一坨高度優化的矩陣運算電路，其核心技術還是上世紀七十年代末的脈動陣列(Systolic array)。
►矩陣相乘單元的脈動資料流程
換句話說，人工智慧在硬體上對大腦的神似，至少從最底層的計算單元來說，已經完成。在此之上，有些基本的、被廣泛應用的計算模組（比如卷積網路和長短程迴圈網路）的設計也受大腦啟發。
相比人腦，人工智慧在模組種類上的積累還缺很多。但更多的困難來自（至少）兩方面：缺乏更好更強大的數學工具，缺乏對腦科學的瞭解，或者部分瞭解了也不知道怎樣“接入”最好。接下來我們就從一些貌似流行的看法說開去，不如先從很遠的一個願景——量子計算開始。
人工智慧需要量子計算？訓練再複雜的模型，數學上都能歸結為一個非線性的優化過程。這決定了深度網路和其錯誤回傳、梯度下降的訓練方法不過是其中的一個不錯的、但絕不唯一的一個可能性。因此，不管白貓黑貓，能夠優化就是好貓，任何數學工具都能用，都應該嘗試，包括量子計算。
模型的學習過程的本質是非線性優化，對這一點，學界沒有異議，但對其計算過程要和大腦有多“形似”卻一直爭論不休。
反向傳遞方法的發明人之一Geoffrey Hinton教授有個多年的心病，就是在對大腦的研究中尚未發現類似機制，應和者中不乏其他大佬，包括蒙特利爾的Yoshua Bengio，麻省理工的Tomaso Poggio等。但業界其他人，包括人工智慧研究的“三駕馬車”（Geoffrey Hinton，Yoshua Bengio以及Yann LeCun）中的第三位——紐約大學的Yann LeCun就覺得，反向傳遞更優美，是數學神器給我們的禮物。他對優化過程是否和大腦“形似”不太關心。
我持拿來主義的態度：優化就是優化，優化就是神似，過程形似沒有必要。不過我認為，整個模型採用深度網路是必要的，使得模型和腦科學的實驗比照存在可能性。從長遠看，這麼做會給腦科學提供另一種實驗手段，反過來也會進一步促進人工智慧的“神似”之旅。
對腦科學的瞭解，也能讓我們判斷這樣的理由是不成立的：有一派人認為，大腦的工作機理就是量子計算，所以要量子計算。
我覺得，人類在一個基本符合牛頓定律的物理世界中競爭而生，需要量子計算這麼高端、複雜的計算模式作為基石不太可能，也沒有任何證據。支持者認為，神秘的“第六感”源自量子糾纏，但很多心理學上的實驗表明，所謂“第六感”，不過是因為大腦在下意識中捕捉到很多細微、難以查覺因此無法言說的信號而已。
再讓我們看看眼前的一些人工智慧實例。
人工智慧等於即時翻譯、圖像識別麼？一直以來，這幾個應用有非常高的出鏡率。目前，這些模型背後的工作原理，是從海量資料裡總結統計規律，完成一個自底向上的深度非線性的映射函數，把標籤Y拍到信號X上。但是，如果我們老老實實叫它們的實名——“統計學習”——那是多麼的不酷啊！
這些模型最底層的單元計算，採用卷積網路或者長短程迴圈網路，除此之外，整個大的計算過程和人腦相差很遠，連神似的皮毛都不沾，可這幾個應用的熱炒直接導致了不少的問題和誤解。
人工智慧極度依賴大數據？“大資料”是個十分混亂的概念。首先，什麼是打造人工智慧需要的大資料？其次，多大才算大？比如，掀起深度網路大熱潮的ImageNet資料集，有一百二十萬張帶標注的圖片。圖片中有哪類物體，在哪，通過互聯網眾籌的人力標定，再喂給模型來學習。一百二十萬張是個什麼概念？相當於一個人每秒一張，一天八個小時，看一整年的圖片量。
這其實並不算多。人活一年，睜眼看世界，攝入的視覺資訊遠比這個要多得多，更不提人活一輩子會看多少。但如果每張都要讓人記住是狗還是貓、是花還是草，不要說一年，我猜任何人連十分鐘都挺不住。
換句話說，人腦消耗的資料量要大得多，但其中刻意去學的又少得多。
除了大腦強大的記憶和泛化能力，至少還有兩個重要的手段，把大部分工作在下意識中自動處理掉了，這才使得昂貴的學習只成為了浮出水面的冰山一角。
第一個手段是，大腦對來自底層感官下一時刻的信號隨時預測，預測準確則過濾掉，只有錯了才進一步處理。不如此，淹沒在各種各樣的雜訊之中的大腦就會“過勞死”。這也是一個人撓自己癢癢不會發笑的原因。我們的日常生活空間尺度足夠大，符合牛頓物理定律，也因此充滿結構，這使得大腦能對周遭世界建立模型，有了模型就能進一步建立預測機制。具有預測功能的大腦也更穩健，能容錯通訊中因為噪音而丟失的資訊。
第二個手段是讓來自不同感官的多路信號互相監督。比如孩童把玩一個玩具，手上拿著的、眼睛看到的、耳朵聽到的，是不同模態的信號，分別在不同的大腦皮層被處理。來自同一個物體這個事實，已經是個很強的監督信號，並不需要額外標注。相反，如果信號之間不自洽，比如看上去很輕的卻拿不動，才會被注意到，並得到進一步處理。
帶自頂向下預測、多模態協同的無監督學習方法，是現在的人工智慧模型所缺失的。
強標注的樣本在整個樣本群中比例越小越好。我的好朋友江鑄久九段說，人類棋手下過的好棋譜大概三萬左右，那麼在學習完這些對局之後，AlphaGo自己下了幾盤呢？保守一點估計，AlphaGo自己對弈大概一秒一盤，每天八萬多盤。按臉譜公司田淵棟博士的推測，穀歌動用了上萬台機器，而AlphaGo專案至今已經兩年多了。所以，AlphaGo發展到今天的圍棋智力，其中有標注的資料只占總數據量的千萬分之一或更少。
因此，人工智慧確實需要更多的資料，但更需要減少其中強標注資料的占比。要達到這個目標，必須對演算法和模型做原創性的改進，更“類腦”，而不是一味採集更多的人臉照片、標注車輛，行人、人聲等等。
人工智慧必然高能耗？這又是一個似是而非，常用來批評人工智慧的結論。其邏輯是這樣的：大腦功耗約25瓦，一個四卡GPU伺服器超過一千瓦——AlphaGo勝之不武。由此可以推論，類腦必須低功耗，尤其必須在低功耗的類腦晶片上實現。
這裡引出的一個問題是，人腦和AI，在能耗上應該怎麼比更合理？
能耗的分佈在兩個地方，一個是模型的訓練，一個是模型的使用。
訓練模型的確非常耗能。我曾參與創立的深度學習平臺MxNet最近創了個最低記錄，從頭訓練一個高性能圖像分類器ResNet，耗資一百二十萬美元。這筆錢相當於十幾個國家自然基金面上項目，顯然不便宜——但和訓練AlphaGo的能耗比，實在可以忽略不計。
人腦確實只用25瓦能耗，如果必須耗用2500瓦，在自然界的競爭中必然被淘汰掉。但請注意，它不是一夜練成的，而是歷經百萬年的進化到了今天。把時間累積在一起，再加上各種試錯，再加上各種天災造成的重啟和格式化，總能耗就一定低了嗎？
所以，我們更應該關注模型在使用時的能耗。AlphaGo下棋的大致流程和人類棋手相符，但區別在於每一個變化都會一路算到底，而下一步又生出了新的變化。AlphaGo優化了搜索策略，限制了搜索空間，即便如此，千萬步總要走的，而人類頂級棋手平均也就算二三十步。用幾十步抗衡千萬步，已經非常了不起了。但反過來，如果限制AlphaGo的計算步數，能耗下來了，勝率也一定會下跌。
►AlphaGo戰勝李世石，名噪一時
在其他一般性的任務中，人工智慧模型的效率確實非常低，但根源在於演算法和人腦差很多。圖像解析我在下文會討論到，單拿自然語言處理來說，其他不提，成句時挑詞，要把整個詞表掃一遍，而實用的詞表有至少上萬個詞，這顯然極其浪費——人說話的時候，每個時刻的候選詞並不多，這其中的量級之差上千上百。
對AlphaGo的苛求和人臉識別、即時翻譯等等相比，下圍棋是個陽春白雪的活動。但是，穀歌的AlphaGo絕對是人工智慧發展史上重大的一筆。它包括了智慧思考過程中極為重要的幾個步驟：感知，自省，判斷，演繹，執行。AlphaGo是對大腦智力活動的神似，正因為這樣，才走得遠。
補充一句，AlphaGo演算法中依賴的搜尋樹是模型中的重要組成部分，但並不由深度網路構成——不代表不能這麼做，只是效率不會高。這又是一個不拘泥於形似的例子。
AlphaGo離真正的智慧還遠，但並不是因為以下幾個流行的說法。
流行說法之一，AlphaGo沒有通用性。這麼批評AlphaGo的人忘了，大腦的通用性不在於它是變色龍，而在於它是瑞士軍刀，配備了大批靈活合作的專業腦區。要求下棋的AlphaGo變身通用型人工智慧，是無理的要求。AlphaGo的通用性只針對一類問題，這些問題規則簡單，變化繁多，既有少量專家樣本，又能零成本產生無數新樣本。
人工智慧要達到普適的通用性，需要繼續向人腦取經。比如，如何以最經濟、最靈活為準則，即時實地整合高複用的元件來應對複雜多變的環境？再如，怎麼使得各組件的學習、計算的機制儘量一致，但又不失去專業性？舉例來說，整合自上而下的預測回饋和自底向上的注意力，利用工作記憶組裝在不同時間點獲取的區塊，是各種任務都需要的基本架構。但視覺要解決“是什麼”、“在哪裡”，語言要解決語義、語法，每個任務內含幾個互相纏繞的子問題，所涉及的功能塊和任務緊密相關，無法也沒必要和其他任務的功能塊共用。
對AlphaGo的另外一個批評是，它沒有情感。“AlphaGo可以贏棋，卻不能贏得快感”，我的一個朋友這麼調侃。
不錯，它輸了也皮厚，一點不會不好意思。可所謂至柔則剛，沒有勝負心、心無雜念，這種至高的境界卻是無數棋手苦求而不得的。人的世界完全不一樣，人是感情的動物，多巴胺的奴隸，在人生的舞臺上，太大、太小的壓力都會讓我們演砸了戲，只有適當的壓力才剛剛好。
情感的來源在於對形勢的解讀，情感的作用在於對行動作出調整。再精准的解讀如果沒有用武之地，就沒有多巴胺介入的必要性，而這正是AlphaGo實戰的情況。如果對AlphaGo運行環境做限制，設定耗能的上限，那麼按照對局勢的判斷，它有時候會提高主頻放手一搏，有時候則進入省電模式閉眼瞎蒙。時不時“臉紅耳赤心跳加速”的AlphaGo，是不是有了我們人類的情感呢？
集萬千寵愛於一身的AlphaGo，沒有生存的壓力，“感情”是個多餘的東西。而讓單兵作戰的人工智慧獲取“感受”、改變策略，沒有那麼難。在人機共生的未來，讓人工智慧在這種環境中捕獲和預測人類微妙的情感變化，和人“感同身受”，才是真正需要研究的大問題。
既然說到了人類的情感，相對於人工智慧，讓人“自豪”的另外一個領域是藝術創造，可果真如此麼？
藝術創造是人獨有的，人工智慧不會？不止一次聽過這種介乎安慰和宣言之間的說法。從這裡出發，引申出的一個推論是，等機器人把髒活累活包了，人類可以安心地享受藝術創造了。
天底下有兩種職業貴在原創：科學研究和藝術創作。這兩方面的素養很重要，但它們作為職業，從古至今，都是處在長尾端、腦子長得不太“正常”的小眾活動。在人機共存的未來，和機器人搶活兒幹倒更可能，也應該搶，必然會搶——藝術創作領域很可能類似。
人工智慧能不能從事藝術創作？一開始的幾年，業界端出來的“作品”是不忍看的。其中一類，讓模型把看過的樣本“吐”出來，計算過程中有意無意的隨機採樣生產出一堆猶如惡夢中的怪物。比如訓練樣本中狗的圖片多，就變成這樣：
這和二十世紀初的達達主義很相似，當年所謂的“自動寫作”就可以視為隨機採樣的過程，產生出來的文字效果上是一樣的。達達主義的貢獻在於矯枉必須過正，很快讓位於超現實主義，曇花一現。
還有一種是照葫蘆畫瓢，更容易讓人接受——只是“手抖”得有技巧，學了梵古的抖法就都成了向日葵、星空，學了蒙克就處處驚叫。
這些都和藝術創作的精髓相去甚遠。攝影如要精進，除了勤按快門，要花同樣多的時間看好照片，花更多的時間去挑照片。把好的藝術品喂給模型不是難事，難的是怎麼“挑”。藝術創作不是胡亂踩點，要緊的是如何判斷，有一度我覺得這後一點是死穴：AlphaGo可以判定局勢的好壞，但應該不懂如何評判藝術吧？
不過，這幾年人工智慧學界的一個現象就是，不要把話說得太死了。
最近很火的一個深度學習分支叫“生成對抗網路”：把亂數推送給一個生成網路，合成偽資料（圖片或聲音），然後再把這些偽資料送進判別網路，判別網路比較真偽資料後，再產生讓生成網路努力“造假”的壓力。
這個框架的最終目的，是以少量樣本充盈分佈空間。兩個網路共生共長、陰陽互補。這雖然和AlphaGo用強化學習左右手互博，是兩種不同的訓練方式，但在精神上都相當辯證。
最近我注意到一項工作(CAN: Creative Adversarial Networks Generating “Art” by Learning About Styles and Deviating from Style Norms)，讓一個模型學習從十五世紀到二十世紀超過七萬張作品，從巴羅克開始涵蓋二十五種風格。這個模型的創新點在於判決網路有意為之的“四不像標準”，要求生成的圖片既要像某種風格，又不能太像。
有人會說，那不過是已有風格的混雜而已，但熟悉藝術史的應該知道，混雜和遷移本身就是風格突破的重要源泉之一。令人驚訝的是，至少在網上“公投”的結果來看，已經是雌雄難辨。
在職業棋手被集體降級之後，藝術家會不會是下一個被碾壓的群體？
我個人不是很關心這個問題。烏鎮圍棋大戰之後我的總結是，圍棋永遠是人類腦力健身房中的寶貝，只是棋手的健身房中多了一個AlphaGo。藝術的“下場”也一樣。該下棋下棋，該畫畫就畫畫。只是，不要再說機器不會藝術創造了。
藝術的美學標準，藝術家的“手抖”規律，AI作為神偷，已經化作自己的創造力。我認為（也十分期待）的下一個引爆點，是對藝術聯覺的運用。簡單的說，聯覺是缺乏某類感官刺激，但被他類刺激引發的感知經驗，就像納博科夫在字母中“看”到、李斯特在音符中“聽”到的顏色。
再比如詩歌，其充滿張力的想像裹挾了視、聽、樂感，是詩人對聯覺的有意無意的挖掘，也是讀詩的快感之一。不具備聯覺功能的AI詩歌創作，在技巧上經不起推敲。我讀過微軟小冰的“詩作”，如果認為其想像力的背後有聯覺的作用，也是我們讀者自己在腦補。至於一些詩人的批評，因為對人工智慧缺乏瞭解，也就沒說到點上。
聯覺的技術基礎在於符合大腦電腦制的多模態信號處理。上文已經說過，大腦能夠處理海量資料但又不需要強標注，之所以能這樣，除了大腦的預測功能之外，還有賴於多模態信號之間的自洽和互相監督。而人工智慧在這個領域的工作，還非常粗糙。我的看法是，這裡的瓶頸在於單信號的處理還沒做對。
即便完成了聯覺，人工智慧離真正的創作還差得遠。AlphaGo能給自己的故事拍一個記錄片嗎？能發明一個遊戲嗎？要做到這些，不把人工智慧“神似”人腦推到一個高度，不可能完成。
人工智慧會往哪裡走討論了這麼多，大眾普遍關心的一個事關未來的問題是，下一步人工智慧會如何發展？從2012年到現在短短五年，人工智慧的研究發展之快令人吃驚。如果有一個準確的預測，那就是測不准。不過，嚴肅的從業者都知道路途有多遠。
在幾年前的一個學術討論中，我問幾個專家，解決下面這個問題需要多久：樹上五隻鳥，開槍打了一隻，還剩幾隻？
這個問題的設定本身是模糊的模糊的，從一隻沒有到五隻都是可能的答案，不管答案是什麼，無一例外我們都能說出為什麼。換句話說，資訊和資訊的處理過程是透明的，可傳遞，可解釋。解決和回答的過程包括轉換、推理、同理心、常識的運用、語言的組織等等。一位專家的三歲女兒的回答是還剩下三隻鳥。專家問為什麼？她回答說，“因為被打死的那只鳥的朋友也走了。”不得不說，這是我聽過的最具人性的回答。相比來說，如今的聊天機器人會說：你當我傻子啊？機器人的這種賣萌很可愛，但完全不是真正的智慧。
類腦計算到底是什麼，該怎麼做，既令人興奮，又讓人困惑。把大腦想得太複雜，把電腦想得太簡單，可能是尋不到主動脈、找不到銜接橋樑的原因。把“神似”的層次提高，做深，和腦科學進行比照，螺旋性地上升，將為今後人工智慧的遠航提供燃料。比如：單模態信號處理中有機整合自上而下的預測和自底向上的顯著性，多模態信號處理中的協同學習機制，結構化資訊在生成網路中的挖掘，帶模型預測（model-based）、層次化（hierarchical）的強化學習等等，這其中的任何突破都讓人期待。
原創之殤，在於缺了三點水最後，我想談幾句相關的“題外話”，也是有關技術之外的另一種“勘誤”：中國人工智慧研究已經走在世界前沿。
我相信，若單把人工智慧作為服務落地，中國有可能成為世界第一，但若論人工智慧的研究，目前國內的狀況不容樂觀。
從學界的統計數字來看，發自中國的論文總量到世界第二位，和GDP同步。但另有一個關於影響因數的統計，在34位。把這兩個數字放在一起看，顯然落差非常大。這兩個數字很籠統，計算標準也沒有定論，但是中國學術界總體缺乏原創性，而且缺口相當大，應該沒有疑問。2017年的頂級AI會議NIPS（Neural Information Processing Systems,神經資訊處理系統進展大會），錄用六百多篇，中國各高校加起來入選二十多篇，而一個小小的紐約大學就有十篇。
另 有報導，在今年的國際電腦視覺與模式識別領域的頂級會議CVPR（Computer Vision and Pattern Recognition）中，華人學者占了近半。這個統計數字可喜，但也不是沒有問題。大概十年前，我還在系統研究領域工作，在和MIT的一位元教授共同創辦亞太地區系統研討會的時候，對該領域頂級會議做了一個類似的統計，但添加了另外一個指標：除了參與的文章外，統計了華人學者作為指導老師的文章數，結果兩者比例十分懸殊，而且連年如此。換句話說，當年攻堅拔寨的華人學生，畢業後很少成長為有視野、有創造力、有野心的指揮官。就像一把好槍，一旦出了廠，就丟了瞄準鏡。
中國學術界原創乏力，原因在哪？我認為原創之殤，在於缺了三點水。資本驅動之下加上過度注重實用；短期、“有用”的研究蔚然成風；日積月累之後，對“源”頭發問的習慣在工作中缺席。
在研究剛起步的時候，吃透別人的方法，想辦法改進，這時候問的是“毛病在哪，怎麼能更好？”這種提問，是在問題鏈的末端。往上回溯，可以問“這是正確的、有意義的衡量手段嗎？”或者“這問題的假設對不對？”。更進一步可以問，“這一類方法的共性是什麼？缺點在哪？”“這是個真問題嗎？這問題背後的問題是什麼？”等等。
這一步步的追問離源頭越來越近，離當前的“潮流”也越來越遠，也就越來越可能在性能上輸給流行的、打磨了太久太多的模型，但也越有可能做出原創的工作。
有一次一個年輕的創業者和我聊天，談起他們最近一個把深度網路稀疏化、降低功耗和減少記憶體消耗的工作。這工作顯然對優化現在的模型很有意義，但我問他知不知道人在解讀一張圖片的時候由注意力驅動，看幾眼就夠了，而每眼只消耗幾個位元組的頻寬？有沒有意識到，這是我們睜眼就有的視覺行為。
相比之下，現在流行的深度學習框架從一張圖上並行檢測幾千個小視窗，完全違背人腦視覺系統的計算過程，如果真要降低功耗，是不是應該想想這個框架是不是對？所謂機器已經在識圖問題上超過人類，只是在特定的幾個子領域，這不是學界常識嗎？
流行的框架不但浪費資源，還會丟失資訊。下面是斯坦福大學李飛飛教授開的網課“卷積神經網路和電腦視覺”第一講裡的一張圖。這張圖在說什麼？
喂給AI大批這樣的圖片，加上“戶外運動”這樣的標籤後，模型甚至可以吐出“草地上四個人在玩飛盤”這樣靠譜的回答。人腦解讀這樣的圖片，是個串列的時序過程，比如從姿態、眼神，追蹤到左手第一人手上的飛盤。一個依賴並行探測的模型，很難或者不可能恢復其中豐富的資訊。能恢復時序、恢復時序中隱蔽的語義的模型，更類腦，更難實現，但顯然更有泛化能力，也更省能耗。
人工智慧必須向大腦學習，並不是說要在細枝末節上進行高模擬的拷貝。一味追求“形似”，反過來會阻礙人工智慧的發展。應該認真思考的，是如何做到“神似”，得其精髓而不拘泥枝節。顯然，這裡要問的，還是“源”在哪。唯有如此，才能在飛鳥的背後，捕捉到飛行。
學術要做最先，落地要做最好；原創的責任歸學術界，落地的責任歸產業界，前者從0到1，後者從1到無窮大。如果學術界追求體量而不是原創和影響力，那將是對資源的大浪費。
事實上，對原創的重視分佈在整個生態環境。穀歌、臉譜等一線大公司在實驗室裡圈養大批優秀人工智慧專家，其開源和長線的基礎研究，質和量都不輸、甚至超過學校實驗室。除了推進科學，這樣的佈局也有商業上的考慮。舉例說，卷積和長短程迴圈這兩個基礎部件，如果不是因為它們的專利已經過期，那麼今天幾乎所有的深度網路模型都要交專利費。可以想像，體量如此大的中國市場，要交的份額只會最多。
向“源”而問，才有原創，才能培育真正的科學精神，才能避免未來的巨額“原創稅”。
製版編輯： 許逸｜
本頁刊發內容未經書面許可禁止轉載及使用
公眾號、報刊等轉載請聯繫授權
copyright@zhishifenzi.com
然而，這個思路有兩大問題。第一，手握一大堆原子而不明白上層的大結構，不要說復原一個世界，連造個板凳都困難。機翼加上速度取得升力之後，必須要有“迎風而變”的可控性，而這正是萊特兄弟基於對鳥類飛行的大批觀察、在自行車作坊和沙灘上大量實踐之後成功的關鍵。其二，長程的電力運輸中交流電比直流電有效率，這是守舊的愛迪生在芝加哥博覽會的競標中敗給西屋公司的原因。大腦的內環境相當“惡劣”，因為腦容所限，長長短短的連結要在“湯湯水水”中繞來繞去，脈衝信號是合理的選擇。可在晶片上也這麼做，不見得必要。
如果說中科院的寒武紀晶片還有些TrueNorth的影子，那麼穀歌、微軟的AI晶片的架構不但更激進，而且更簡單。
深度學習的模型依賴幾個基本的計算模組（卷積網路、長短程迴圈網路等），但其背後更基本的精神，是高維矩陣的非線性變換，和由這些變換連結起來的資料流程圖。因此，把這個計算框架做好，同時銜接上層的軟體發展環境，是開發AI晶片的兩大重點，而拘泥於大腦的硬體架構只會自縛手腳。穀歌的TPU，存在對TensorFlow（谷歌開發的機器學習軟體工具）過度依賴的問題，卻是AlphaGo烏鎮圍棋一戰中非常亮眼的明星，勘稱廣告史上的經典。TPU不是處理器，沒有指令集，就是一坨高度優化的矩陣運算電路，其核心技術還是上世紀七十年代末的脈動陣列(Systolic array)。
►矩陣相乘單元的脈動資料流程
換句話說，人工智慧在硬體上對大腦的神似，至少從最底層的計算單元來說，已經完成。在此之上，有些基本的、被廣泛應用的計算模組（比如卷積網路和長短程迴圈網路）的設計也受大腦啟發。
相比人腦，人工智慧在模組種類上的積累還缺很多。但更多的困難來自（至少）兩方面：缺乏更好更強大的數學工具，缺乏對腦科學的瞭解，或者部分瞭解了也不知道怎樣“接入”最好。接下來我們就從一些貌似流行的看法說開去，不如先從很遠的一個願景——量子計算開始。
人工智慧需要量子計算？訓練再複雜的模型，數學上都能歸結為一個非線性的優化過程。這決定了深度網路和其錯誤回傳、梯度下降的訓練方法不過是其中的一個不錯的、但絕不唯一的一個可能性。因此，不管白貓黑貓，能夠優化就是好貓，任何數學工具都能用，都應該嘗試，包括量子計算。
模型的學習過程的本質是非線性優化，對這一點，學界沒有異議，但對其計算過程要和大腦有多“形似”卻一直爭論不休。
反向傳遞方法的發明人之一Geoffrey Hinton教授有個多年的心病，就是在對大腦的研究中尚未發現類似機制，應和者中不乏其他大佬，包括蒙特利爾的Yoshua Bengio，麻省理工的Tomaso Poggio等。但業界其他人，包括人工智慧研究的“三駕馬車”（Geoffrey Hinton，Yoshua Bengio以及Yann LeCun）中的第三位——紐約大學的Yann LeCun就覺得，反向傳遞更優美，是數學神器給我們的禮物。他對優化過程是否和大腦“形似”不太關心。
我持拿來主義的態度：優化就是優化，優化就是神似，過程形似沒有必要。不過我認為，整個模型採用深度網路是必要的，使得模型和腦科學的實驗比照存在可能性。從長遠看，這麼做會給腦科學提供另一種實驗手段，反過來也會進一步促進人工智慧的“神似”之旅。
對腦科學的瞭解，也能讓我們判斷這樣的理由是不成立的：有一派人認為，大腦的工作機理就是量子計算，所以要量子計算。
我覺得，人類在一個基本符合牛頓定律的物理世界中競爭而生，需要量子計算這麼高端、複雜的計算模式作為基石不太可能，也沒有任何證據。支持者認為，神秘的“第六感”源自量子糾纏，但很多心理學上的實驗表明，所謂“第六感”，不過是因為大腦在下意識中捕捉到很多細微、難以查覺因此無法言說的信號而已。
再讓我們看看眼前的一些人工智慧實例。
人工智慧等於即時翻譯、圖像識別麼？一直以來，這幾個應用有非常高的出鏡率。目前，這些模型背後的工作原理，是從海量資料裡總結統計規律，完成一個自底向上的深度非線性的映射函數，把標籤Y拍到信號X上。但是，如果我們老老實實叫它們的實名——“統計學習”——那是多麼的不酷啊！
這些模型最底層的單元計算，採用卷積網路或者長短程迴圈網路，除此之外，整個大的計算過程和人腦相差很遠，連神似的皮毛都不沾，可這幾個應用的熱炒直接導致了不少的問題和誤解。
人工智慧極度依賴大數據？“大資料”是個十分混亂的概念。首先，什麼是打造人工智慧需要的大資料？其次，多大才算大？比如，掀起深度網路大熱潮的ImageNet資料集，有一百二十萬張帶標注的圖片。圖片中有哪類物體，在哪，通過互聯網眾籌的人力標定，再喂給模型來學習。一百二十萬張是個什麼概念？相當於一個人每秒一張，一天八個小時，看一整年的圖片量。
這其實並不算多。人活一年，睜眼看世界，攝入的視覺資訊遠比這個要多得多，更不提人活一輩子會看多少。但如果每張都要讓人記住是狗還是貓、是花還是草，不要說一年，我猜任何人連十分鐘都挺不住。
換句話說，人腦消耗的資料量要大得多，但其中刻意去學的又少得多。
除了大腦強大的記憶和泛化能力，至少還有兩個重要的手段，把大部分工作在下意識中自動處理掉了，這才使得昂貴的學習只成為了浮出水面的冰山一角。
第一個手段是，大腦對來自底層感官下一時刻的信號隨時預測，預測準確則過濾掉，只有錯了才進一步處理。不如此，淹沒在各種各樣的雜訊之中的大腦就會“過勞死”。這也是一個人撓自己癢癢不會發笑的原因。我們的日常生活空間尺度足夠大，符合牛頓物理定律，也因此充滿結構，這使得大腦能對周遭世界建立模型，有了模型就能進一步建立預測機制。具有預測功能的大腦也更穩健，能容錯通訊中因為噪音而丟失的資訊。
第二個手段是讓來自不同感官的多路信號互相監督。比如孩童把玩一個玩具，手上拿著的、眼睛看到的、耳朵聽到的，是不同模態的信號，分別在不同的大腦皮層被處理。來自同一個物體這個事實，已經是個很強的監督信號，並不需要額外標注。相反，如果信號之間不自洽，比如看上去很輕的卻拿不動，才會被注意到，並得到進一步處理。
帶自頂向下預測、多模態協同的無監督學習方法，是現在的人工智慧模型所缺失的。
強標注的樣本在整個樣本群中比例越小越好。我的好朋友江鑄久九段說，人類棋手下過的好棋譜大概三萬左右，那麼在學習完這些對局之後，AlphaGo自己下了幾盤呢？保守一點估計，AlphaGo自己對弈大概一秒一盤，每天八萬多盤。按臉譜公司田淵棟博士的推測，穀歌動用了上萬台機器，而AlphaGo專案至今已經兩年多了。所以，AlphaGo發展到今天的圍棋智力，其中有標注的資料只占總數據量的千萬分之一或更少。
因此，人工智慧確實需要更多的資料，但更需要減少其中強標注資料的占比。要達到這個目標，必須對演算法和模型做原創性的改進，更“類腦”，而不是一味採集更多的人臉照片、標注車輛，行人、人聲等等。
人工智慧必然高能耗？這又是一個似是而非，常用來批評人工智慧的結論。其邏輯是這樣的：大腦功耗約25瓦，一個四卡GPU伺服器超過一千瓦——AlphaGo勝之不武。由此可以推論，類腦必須低功耗，尤其必須在低功耗的類腦晶片上實現。
這裡引出的一個問題是，人腦和AI，在能耗上應該怎麼比更合理？
能耗的分佈在兩個地方，一個是模型的訓練，一個是模型的使用。
訓練模型的確非常耗能。我曾參與創立的深度學習平臺MxNet最近創了個最低記錄，從頭訓練一個高性能圖像分類器ResNet，耗資一百二十萬美元。這筆錢相當於十幾個國家自然基金面上項目，顯然不便宜——但和訓練AlphaGo的能耗比，實在可以忽略不計。
人腦確實只用25瓦能耗，如果必須耗用2500瓦，在自然界的競爭中必然被淘汰掉。但請注意，它不是一夜練成的，而是歷經百萬年的進化到了今天。把時間累積在一起，再加上各種試錯，再加上各種天災造成的重啟和格式化，總能耗就一定低了嗎？
所以，我們更應該關注模型在使用時的能耗。AlphaGo下棋的大致流程和人類棋手相符，但區別在於每一個變化都會一路算到底，而下一步又生出了新的變化。AlphaGo優化了搜索策略，限制了搜索空間，即便如此，千萬步總要走的，而人類頂級棋手平均也就算二三十步。用幾十步抗衡千萬步，已經非常了不起了。但反過來，如果限制AlphaGo的計算步數，能耗下來了，勝率也一定會下跌。
►AlphaGo戰勝李世石，名噪一時
在其他一般性的任務中，人工智慧模型的效率確實非常低，但根源在於演算法和人腦差很多。圖像解析我在下文會討論到，單拿自然語言處理來說，其他不提，成句時挑詞，要把整個詞表掃一遍，而實用的詞表有至少上萬個詞，這顯然極其浪費——人說話的時候，每個時刻的候選詞並不多，這其中的量級之差上千上百。
對AlphaGo的苛求和人臉識別、即時翻譯等等相比，下圍棋是個陽春白雪的活動。但是，穀歌的AlphaGo絕對是人工智慧發展史上重大的一筆。它包括了智慧思考過程中極為重要的幾個步驟：感知，自省，判斷，演繹，執行。AlphaGo是對大腦智力活動的神似，正因為這樣，才走得遠。
補充一句，AlphaGo演算法中依賴的搜尋樹是模型中的重要組成部分，但並不由深度網路構成——不代表不能這麼做，只是效率不會高。這又是一個不拘泥於形似的例子。
AlphaGo離真正的智慧還遠，但並不是因為以下幾個流行的說法。
流行說法之一，AlphaGo沒有通用性。這麼批評AlphaGo的人忘了，大腦的通用性不在於它是變色龍，而在於它是瑞士軍刀，配備了大批靈活合作的專業腦區。要求下棋的AlphaGo變身通用型人工智慧，是無理的要求。AlphaGo的通用性只針對一類問題，這些問題規則簡單，變化繁多，既有少量專家樣本，又能零成本產生無數新樣本。
人工智慧要達到普適的通用性，需要繼續向人腦取經。比如，如何以最經濟、最靈活為準則，即時實地整合高複用的元件來應對複雜多變的環境？再如，怎麼使得各組件的學習、計算的機制儘量一致，但又不失去專業性？舉例來說，整合自上而下的預測回饋和自底向上的注意力，利用工作記憶組裝在不同時間點獲取的區塊，是各種任務都需要的基本架構。但視覺要解決“是什麼”、“在哪裡”，語言要解決語義、語法，每個任務內含幾個互相纏繞的子問題，所涉及的功能塊和任務緊密相關，無法也沒必要和其他任務的功能塊共用。
對AlphaGo的另外一個批評是，它沒有情感。“AlphaGo可以贏棋，卻不能贏得快感”，我的一個朋友這麼調侃。
不錯，它輸了也皮厚，一點不會不好意思。可所謂至柔則剛，沒有勝負心、心無雜念，這種至高的境界卻是無數棋手苦求而不得的。人的世界完全不一樣，人是感情的動物，多巴胺的奴隸，在人生的舞臺上，太大、太小的壓力都會讓我們演砸了戲，只有適當的壓力才剛剛好。
情感的來源在於對形勢的解讀，情感的作用在於對行動作出調整。再精准的解讀如果沒有用武之地，就沒有多巴胺介入的必要性，而這正是AlphaGo實戰的情況。如果對AlphaGo運行環境做限制，設定耗能的上限，那麼按照對局勢的判斷，它有時候會提高主頻放手一搏，有時候則進入省電模式閉眼瞎蒙。時不時“臉紅耳赤心跳加速”的AlphaGo，是不是有了我們人類的情感呢？
集萬千寵愛於一身的AlphaGo，沒有生存的壓力，“感情”是個多餘的東西。而讓單兵作戰的人工智慧獲取“感受”、改變策略，沒有那麼難。在人機共生的未來，讓人工智慧在這種環境中捕獲和預測人類微妙的情感變化，和人“感同身受”，才是真正需要研究的大問題。
既然說到了人類的情感，相對於人工智慧，讓人“自豪”的另外一個領域是藝術創造，可果真如此麼？
藝術創造是人獨有的，人工智慧不會？不止一次聽過這種介乎安慰和宣言之間的說法。從這裡出發，引申出的一個推論是，等機器人把髒活累活包了，人類可以安心地享受藝術創造了。
天底下有兩種職業貴在原創：科學研究和藝術創作。這兩方面的素養很重要，但它們作為職業，從古至今，都是處在長尾端、腦子長得不太“正常”的小眾活動。在人機共存的未來，和機器人搶活兒幹倒更可能，也應該搶，必然會搶——藝術創作領域很可能類似。
人工智慧能不能從事藝術創作？一開始的幾年，業界端出來的“作品”是不忍看的。其中一類，讓模型把看過的樣本“吐”出來，計算過程中有意無意的隨機採樣生產出一堆猶如惡夢中的怪物。比如訓練樣本中狗的圖片多，就變成這樣：
這和二十世紀初的達達主義很相似，當年所謂的“自動寫作”就可以視為隨機採樣的過程，產生出來的文字效果上是一樣的。達達主義的貢獻在於矯枉必須過正，很快讓位於超現實主義，曇花一現。
還有一種是照葫蘆畫瓢，更容易讓人接受——只是“手抖”得有技巧，學了梵古的抖法就都成了向日葵、星空，學了蒙克就處處驚叫。
這些都和藝術創作的精髓相去甚遠。攝影如要精進，除了勤按快門，要花同樣多的時間看好照片，花更多的時間去挑照片。把好的藝術品喂給模型不是難事，難的是怎麼“挑”。藝術創作不是胡亂踩點，要緊的是如何判斷，有一度我覺得這後一點是死穴：AlphaGo可以判定局勢的好壞，但應該不懂如何評判藝術吧？
不過，這幾年人工智慧學界的一個現象就是，不要把話說得太死了。
最近很火的一個深度學習分支叫“生成對抗網路”：把亂數推送給一個生成網路，合成偽資料（圖片或聲音），然後再把這些偽資料送進判別網路，判別網路比較真偽資料後，再產生讓生成網路努力“造假”的壓力。
這個框架的最終目的，是以少量樣本充盈分佈空間。兩個網路共生共長、陰陽互補。這雖然和AlphaGo用強化學習左右手互博，是兩種不同的訓練方式，但在精神上都相當辯證。
最近我注意到一項工作(CAN: Creative Adversarial Networks Generating “Art” by Learning About Styles and Deviating from Style Norms)，讓一個模型學習從十五世紀到二十世紀超過七萬張作品，從巴羅克開始涵蓋二十五種風格。這個模型的創新點在於判決網路有意為之的“四不像標準”，要求生成的圖片既要像某種風格，又不能太像。
有人會說，那不過是已有風格的混雜而已，但熟悉藝術史的應該知道，混雜和遷移本身就是風格突破的重要源泉之一。令人驚訝的是，至少在網上“公投”的結果來看，已經是雌雄難辨。
在職業棋手被集體降級之後，藝術家會不會是下一個被碾壓的群體？
我個人不是很關心這個問題。烏鎮圍棋大戰之後我的總結是，圍棋永遠是人類腦力健身房中的寶貝，只是棋手的健身房中多了一個AlphaGo。藝術的“下場”也一樣。該下棋下棋，該畫畫就畫畫。只是，不要再說機器不會藝術創造了。
藝術的美學標準，藝術家的“手抖”規律，AI作為神偷，已經化作自己的創造力。我認為（也十分期待）的下一個引爆點，是對藝術聯覺的運用。簡單的說，聯覺是缺乏某類感官刺激，但被他類刺激引發的感知經驗，就像納博科夫在字母中“看”到、李斯特在音符中“聽”到的顏色。
再比如詩歌，其充滿張力的想像裹挾了視、聽、樂感，是詩人對聯覺的有意無意的挖掘，也是讀詩的快感之一。不具備聯覺功能的AI詩歌創作，在技巧上經不起推敲。我讀過微軟小冰的“詩作”，如果認為其想像力的背後有聯覺的作用，也是我們讀者自己在腦補。至於一些詩人的批評，因為對人工智慧缺乏瞭解，也就沒說到點上。
聯覺的技術基礎在於符合大腦電腦制的多模態信號處理。上文已經說過，大腦能夠處理海量資料但又不需要強標注，之所以能這樣，除了大腦的預測功能之外，還有賴於多模態信號之間的自洽和互相監督。而人工智慧在這個領域的工作，還非常粗糙。我的看法是，這裡的瓶頸在於單信號的處理還沒做對。
即便完成了聯覺，人工智慧離真正的創作還差得遠。AlphaGo能給自己的故事拍一個記錄片嗎？能發明一個遊戲嗎？要做到這些，不把人工智慧“神似”人腦推到一個高度，不可能完成。
人工智慧會往哪裡走討論了這麼多，大眾普遍關心的一個事關未來的問題是，下一步人工智慧會如何發展？從2012年到現在短短五年，人工智慧的研究發展之快令人吃驚。如果有一個準確的預測，那就是測不准。不過，嚴肅的從業者都知道路途有多遠。
在幾年前的一個學術討論中，我問幾個專家，解決下面這個問題需要多久：樹上五隻鳥，開槍打了一隻，還剩幾隻？
這個問題的設定本身是模糊的模糊的，從一隻沒有到五隻都是可能的答案，不管答案是什麼，無一例外我們都能說出為什麼。換句話說，資訊和資訊的處理過程是透明的，可傳遞，可解釋。解決和回答的過程包括轉換、推理、同理心、常識的運用、語言的組織等等。一位專家的三歲女兒的回答是還剩下三隻鳥。專家問為什麼？她回答說，“因為被打死的那只鳥的朋友也走了。”不得不說，這是我聽過的最具人性的回答。相比來說，如今的聊天機器人會說：你當我傻子啊？機器人的這種賣萌很可愛，但完全不是真正的智慧。
類腦計算到底是什麼，該怎麼做，既令人興奮，又讓人困惑。把大腦想得太複雜，把電腦想得太簡單，可能是尋不到主動脈、找不到銜接橋樑的原因。把“神似”的層次提高，做深，和腦科學進行比照，螺旋性地上升，將為今後人工智慧的遠航提供燃料。比如：單模態信號處理中有機整合自上而下的預測和自底向上的顯著性，多模態信號處理中的協同學習機制，結構化資訊在生成網路中的挖掘，帶模型預測（model-based）、層次化（hierarchical）的強化學習等等，這其中的任何突破都讓人期待。
原創之殤，在於缺了三點水最後，我想談幾句相關的“題外話”，也是有關技術之外的另一種“勘誤”：中國人工智慧研究已經走在世界前沿。
我相信，若單把人工智慧作為服務落地，中國有可能成為世界第一，但若論人工智慧的研究，目前國內的狀況不容樂觀。
從學界的統計數字來看，發自中國的論文總量到世界第二位，和GDP同步。但另有一個關於影響因數的統計，在34位。把這兩個數字放在一起看，顯然落差非常大。這兩個數字很籠統，計算標準也沒有定論，但是中國學術界總體缺乏原創性，而且缺口相當大，應該沒有疑問。2017年的頂級AI會議NIPS（Neural Information Processing Systems,神經資訊處理系統進展大會），錄用六百多篇，中國各高校加起來入選二十多篇，而一個小小的紐約大學就有十篇。
另 有報導，在今年的國際電腦視覺與模式識別領域的頂級會議CVPR（Computer Vision and Pattern Recognition）中，華人學者占了近半。這個統計數字可喜，但也不是沒有問題。大概十年前，我還在系統研究領域工作，在和MIT的一位元教授共同創辦亞太地區系統研討會的時候，對該領域頂級會議做了一個類似的統計，但添加了另外一個指標：除了參與的文章外，統計了華人學者作為指導老師的文章數，結果兩者比例十分懸殊，而且連年如此。換句話說，當年攻堅拔寨的華人學生，畢業後很少成長為有視野、有創造力、有野心的指揮官。就像一把好槍，一旦出了廠，就丟了瞄準鏡。
中國學術界原創乏力，原因在哪？我認為原創之殤，在於缺了三點水。資本驅動之下加上過度注重實用；短期、“有用”的研究蔚然成風；日積月累之後，對“源”頭發問的習慣在工作中缺席。
在研究剛起步的時候，吃透別人的方法，想辦法改進，這時候問的是“毛病在哪，怎麼能更好？”這種提問，是在問題鏈的末端。往上回溯，可以問“這是正確的、有意義的衡量手段嗎？”或者“這問題的假設對不對？”。更進一步可以問，“這一類方法的共性是什麼？缺點在哪？”“這是個真問題嗎？這問題背後的問題是什麼？”等等。
這一步步的追問離源頭越來越近，離當前的“潮流”也越來越遠，也就越來越可能在性能上輸給流行的、打磨了太久太多的模型，但也越有可能做出原創的工作。
有一次一個年輕的創業者和我聊天，談起他們最近一個把深度網路稀疏化、降低功耗和減少記憶體消耗的工作。這工作顯然對優化現在的模型很有意義，但我問他知不知道人在解讀一張圖片的時候由注意力驅動，看幾眼就夠了，而每眼只消耗幾個位元組的頻寬？有沒有意識到，這是我們睜眼就有的視覺行為。
相比之下，現在流行的深度學習框架從一張圖上並行檢測幾千個小視窗，完全違背人腦視覺系統的計算過程，如果真要降低功耗，是不是應該想想這個框架是不是對？所謂機器已經在識圖問題上超過人類，只是在特定的幾個子領域，這不是學界常識嗎？
流行的框架不但浪費資源，還會丟失資訊。下面是斯坦福大學李飛飛教授開的網課“卷積神經網路和電腦視覺”第一講裡的一張圖。這張圖在說什麼？
喂給AI大批這樣的圖片，加上“戶外運動”這樣的標籤後，模型甚至可以吐出“草地上四個人在玩飛盤”這樣靠譜的回答。人腦解讀這樣的圖片，是個串列的時序過程，比如從姿態、眼神，追蹤到左手第一人手上的飛盤。一個依賴並行探測的模型，很難或者不可能恢復其中豐富的資訊。能恢復時序、恢復時序中隱蔽的語義的模型，更類腦，更難實現，但顯然更有泛化能力，也更省能耗。
人工智慧必須向大腦學習，並不是說要在細枝末節上進行高模擬的拷貝。一味追求“形似”，反過來會阻礙人工智慧的發展。應該認真思考的，是如何做到“神似”，得其精髓而不拘泥枝節。顯然，這裡要問的，還是“源”在哪。唯有如此，才能在飛鳥的背後，捕捉到飛行。
學術要做最先，落地要做最好；原創的責任歸學術界，落地的責任歸產業界，前者從0到1，後者從1到無窮大。如果學術界追求體量而不是原創和影響力，那將是對資源的大浪費。
事實上，對原創的重視分佈在整個生態環境。穀歌、臉譜等一線大公司在實驗室裡圈養大批優秀人工智慧專家，其開源和長線的基礎研究，質和量都不輸、甚至超過學校實驗室。除了推進科學，這樣的佈局也有商業上的考慮。舉例說，卷積和長短程迴圈這兩個基礎部件，如果不是因為它們的專利已經過期，那麼今天幾乎所有的深度網路模型都要交專利費。可以想像，體量如此大的中國市場，要交的份額只會最多。
向“源”而問，才有原創，才能培育真正的科學精神，才能避免未來的巨額“原創稅”。
製版編輯： 許逸｜
本頁刊發內容未經書面許可禁止轉載及使用
公眾號、報刊等轉載請聯繫授權
copyright@zhishifenzi.com