人工智能（AI）近年来的发展可以说包罗万象，几乎涵盖了所有与机器智能化相关的内容。无论是机器人、冰箱、汽车还是软件应用，只要你想让它们变得像人一样聪明，这都属于人工智能的研究与应用范畴。而在日常生活中，AI 几乎充斥着我们触手可及的每个角落。
人们常常将人工智能、机器学习与深度学习交错使用以代指普遍意义上 AI，但这三者之间其实是“包含于”的关系：深度学习包含于机器学习包含于人工智能。
由于深度学习的先进性，在本文的语境中，当我们在论述人工智能的时候，我们更多的是在探讨深度学习技术在人工智能领域的应用与落地。
深度学习在不断开拓未来AI应用边界的同时，也并没有完全掩盖传统AI的光芒：树型探索、寻找最短路径、逻辑推理......许多自20世纪60年代以来已知的方法，如今由于科技在不断进步，已经获得了非凡的效率，在自动驾驶、虚拟助手、医学影像与医学等领域大放异彩。
图灵奖得主、Facebook 人工智能首席科学家杨立昆（YannLeCun）在他的新书《科学之路：人，机器与未来》具体阐述了人工智能革命的起始极其对人类社会产生的影响。
由于潜在市场的规模，人工智能的4个主要应用类别吸引了大型工业集团的兴趣，它们是医药、自动驾驶汽车、虚拟助手以及家用和工业机器人。但也有许多研究人员认为，只有取得重大概念的突破，这些应用才能得到进一步推广。
这里重大的概念突破指的是：这些智能机器人只有在学习了规划复杂动作的世界模型，只有能够像动物和人类一样有效地学习，只有积累起足够的世界知识以产生某些常识，变革才会成为可能。
01AI+自动驾驶，创造出行新场景虽然已经取得了不俗的成绩，但我们还是要注意：尽管汽车的辅助驾驶系统在2019年得到了极大的发展，但全自主模型仍在实验当中，大多数时候仍需要有人坐在副驾驶进行监视。
在高峰时间没有人为干预的情况下，在纽约、巴黎、罗马或加尔各答的街道上实现全自动驾驶的汽车，如果不依靠自我监督学习和预测模型，也许根本是不可能的。我们可能需要先弄清楚人类自身是如何在短短20个小时内学会驾驶的。
我认为自动驾驶系统将经历三个阶段：第一个阶段，系统的很大一部分功能由人工编程，深度学习仅被用于感知；第二个阶段，深度学习的重要性逐步提升，并占据重要地位；第三个阶段，机器具备足够的常识，驾驶技术比人类更可靠。
一家名叫 MobilEye 的以色列公司推出的系统是第一批市场的辅助驾驶功能系统之一，后来该公司被英特尔收购。2015年，MobilEye 为埃隆·马斯克的电动汽车公司特斯拉提供了基于卷积网络的、几乎全自动的高速公路驾驶视觉系统，将这个系统配备在了特斯拉 Model—S2015年的车型上。
自2014年以来，字母表公司（Alphabet，谷歌的母公司）的子公司Waymo 一直在旧金山进行自动驾驶汽车实验。公司的董事会成员皆是谷歌员工。2018年，亚利桑那州开始向所有人开放自动驾驶出租车。这个地方确实很适合开展此项目：道路宽阔、人流量少、气候宜人。Waymo 采用了混合系统，配备了一系列复杂的传感器（雷达、激光雷达和照相机），以及基于卷积网络的视觉识别和规划的传统方法，人工编程的驾驶规则，精确显示限速标志、人行横道、交通信号灯的详细地图……这些技术的结合使汽车能够精准定位自己、识别移动的物体并发现不可预见的事件，例如道路施工。当汽车驶入十字路口并且有优先通过权时，它可以做出正确的反应。但仍需要有人坐在副驾驶（这个座位不再被称为“死亡之座”）上进行监督，确保这一切的安全开行。
激光雷达可以绘制详细的关于汽车周围环境的三维地图。它会生成一个360度的图像，在每个方向上都给出在该精确轴线上与最接近物体的距离。这样，障碍物检测系统的工作就容易多了。但是，高性能的激光雷达设备十分昂贵、脆弱、难以维护并且对天气条件敏感。它们可以被用来装备一个出租车队，却无法被安装到所有人的汽车上。
当条件良好时，自动驾驶汽车是比较可靠的，我们可以通过一组数据说明这一点：2014—2018年，加利福尼亚州仅发生了59起自动驾驶撞车事故（当地要求自动驾驶汽车制造商报告道路上发生的事故，包括轻微事故）。
当然，我们需要区分半自动驾驶和自动驾驶。在半自动驾驶的过程中，驾驶员虽然不做任何事情，但他实际上在持续地监督系统；而自动驾驶是指系统可以在没有驾驶员监督的情况下驾驶汽车。
无须人工操作的自动驾驶纪元将会始于行驶在安静郊区的、挂满传感器的车队。而私家车在巴黎、罗马或孟买的街头实现自动驾驶之前，相关技术仍需慢慢地进步。
02AI+虚拟助手2013年由斯派克·琼兹（Spike Jonze）执导的科幻电影《她》（Her）描述了一个男人与他的虚拟助手之间可能的互动，男主角泰奥爱上了这个拥有斯嘉丽·约翰逊（Scarlett Johansson）的声音、名为萨曼莎的计算机实体。这是少有的以逼真方式处理人工智能的电影之一。其场景皆属于未来派，但心理层面是合乎逻辑的。人类倾向于依附物体、动物和周围的人。
但我们仍需面对现实，真正的机器人仍停留在科幻小说中。在理想情况下，虚拟助手能被赋予接近于人类的智力，并具有良好的常识，可以在日常生活中帮助我们，人们便无须花费大量时间处理电话、电子邮件或在互联网上解决行政问题、联系手机服务、安排日程或过滤消息。一个聪明的助手应该能回答任何问题，在专业会议中给我们提供帮助，提醒我们上次会面的结论，但至少到现在为止，这一切都是不可能的。
每个虚拟助手的内部都结合了多个应用程序。听到“亚历克萨（Alexa）”，黑色的圆形智能音箱就会亮起。一个节能小程序使与之连接的扬声器始终保持待机状态，并且仅会检测唤醒它的单词。只有这样，我们才能与虚拟助手交流。在它的麦克风后面，接收到的声音信号被数字化。
Alexa 具有远程语音识别系统。转换成数字信号的语音将被传输到亚马逊的服务器，服务器将识别单词，将单词转录为文本。要想识别不同种类的语言，需要使用不同的、经过相应语言环境训练的神经网络。
需要澄清一点，与虚拟助手连接的扬声器是否会监视房屋内的生活？
是，也不是！
说是，是因为虚拟助手处于“连续收听”模式，以便检测到唤醒它的单词“Alexa”“OK Google”（谷歌的语音助手）或“Hey Portal”（脸书的语音助手）等，只有这些单词才能使它将某些内容传输到中央服务器。而一旦记录了一个句子，它就会将其发送到服务器，进而可能会识别并产生答复。如果虚拟助手在被“唤醒”后记录了家庭暴力现场的尖叫声，那么服务器将不执行任何操作。针对这一点，从技术的角度上看，服务器其实是可以有所行动的，但从伦理的角度上看，它不可能采取任何行动。对于极为重视声誉的公司，例如亚马逊、谷歌或脸书，我们是可以放心的。但是，如果这是一个由隐蔽在某处、身份不明的极客编写的黑客程序，那就必须要当心了。
03AI+生物医学与医学影像深度学习应用最广泛的科学领域就是是生物医学，例如研究蛋白质折叠——这些由氨基酸组成的大分子是构成所有生物细胞的基础，它们是由基因合成的，DNA（脱氧核糖核酸）中的字母序列被转化为形成蛋白质的氨基酸序列。
而蛋白质会折叠成特定的形状，这样就能够与其他蛋白质相互作用并执行功能，例如使肌肉收缩......它们折叠的形状决定了它们的功能。为了找到新的药物或新的治疗方法来阻止两种蛋白质黏附在一起，或者相反的再促进它们结合在一起，我们必须能够找到那些支配蛋白质折叠的生化机制，例如Deep Mind公司的Alpha Fold系统。
在医学影像领域，深度学习技术过滤了那些可以被轻易判断的就诊案例，从而降低了诊断成本，提升了诊断的效率。而这一技术支柱便是杨立昆博士的主要研究成果——卷积网络的应用。
卷积网络通常用于X光片、磁共振成像、CT（电子计算机断层扫描）检查，也用于肿瘤、风湿病或关节置换的检测。
对于传统的X光片，例如有两个图像的乳房X光片，由于我们在两个轴上都进行X光照射，因此经过训练的卷积网络会观察图像中每一个细小的区域，当它观察到可疑的像素点时就会做出反应。这是使用卷积网络进行语义分割的直接应用。
为了对此类系统进行训练，需要收集大量由放射科医生绘制出肿瘤轮廓的大量乳房X光片。这些照片会被分成一定大小的窗口，从而产生数百个小图像。将图像逐一输入一个卷积网络中，并告知网络窗口中心是否存在肿瘤。由此，它便学会了根据肿瘤的存在与否对窗口进行分类。
当投入实际应用时，卷积网络会遍历整个X光片，并将每个窗口的中心像素标记为“有肿瘤”或“没有肿瘤”。它在该过程结束时会生成一种图像，将肿瘤染色并给出检测的可信度。
如果没有检测到任何东西，那么答案很简单：“没问题”。大多数乳房X射线照片就是这种情况。如有任何可疑之处，X光照片就会被发送给放射科医生，以进行更加细致的研究。
卷积网络过滤器过滤了那些可以被轻易判断的案例，从而降低了诊断成本，提升了诊断的效率。专业人员也因此有了更多的时间，可以专注应对那些较难判断的案例，这样就减少了因工作量过大而导致的劳累和注意力不集中的风险。要知道，放射科医生要在暗室里的屏幕前工作很长时间，而他们所检查的大多数都是正常图片。
04AI+Everything 除了自动驾驶、虚拟助手和医学影像之外，深度学习在许多其他科学领域中也发挥着举足轻重的作用，括天体物理学（星系的分类和系外行星的发现）、粒子物理学[分析日内瓦CERN（欧洲核子研究组织）粒子加速器上碰撞产生的粒子射流]、材料科学（具有新特性的超材料的设计）、社会科学（对社会互动的大规模分析）、神经科学（了解大脑中的感知机制）......不难想象，在不远的将来，“AI+一切”将不止是一个过过嘴瘾的噱头，而是真真切切、正在进行中的现实。人工智能时代，你需要的不是担忧和焦虑，而是成为更好的学习者，抓住每一分资源和机会，让自己成为更有价值的人。
本文摘编自中信出版集团8月新书《科学之路：人，机器与未来》
来源: 杨立昆《科学之路：人，机器与未来》