'科普丨從科幻電影到現實科學：你不知道的人工智能'
正文節選自第29期《少年時·“攻佔”人類大腦》一書。未經小多童書（ID：xiaoduoui）授權不得轉載。
正文節選自第29期《少年時·“攻佔”人類大腦》一書。未經小多童書（ID：xiaoduoui）授權不得轉載。
從科幻到現實
人工智能學研究的領域包括計算機科學和神經科學。在這裡，科學家通過設計程序，讓機器以人類的方式智能地運作。簡單地說，人工智能是一種能思考、理解、推想的機器。
我們通過科幻小說認識了人工智能。這種故事經常發生在所謂的“奇點”，一個人工智能遠遠超過人類能力、機器人經常反抗人類的時代。
年紀大一點的讀者可能還記得，《2001 太空漫遊》中那個名叫哈爾（HAL）的智能計算機，或者《終結者》中那個來自機器統治的未來世界的機器人。
當然，人工智能並不全是超人機器。最初級的人工智能，可以是現在調節家裡溫度的智能程序，還有現在已經實現的最初級的人類的腦 - 機接口。比如，研究人員使用腦電極來緩解帕金森病的症狀，或者把人工智能算法應用於磁共振腦部掃描以便對阿爾茨海默氏症進行早期檢測。
讓我們來看一看人工智能的實際發展情況，以及科學家把生物學和技術連接在一起、試圖將人類和機器結合在一起的最新實驗。
人工神經網絡
一個機器是否能表現出與人等價或無法區分的智能，標準之一是看這部機器能否自主地學習。
在過去，人工智能程序使用所謂的“監督式學習”。比如，在經過數小時的音頻數據輸入以及學習與音頻對應的文字後，人工智能軟件可以學會識別語音。也就是說，通過對機器輸入原始數據和對應的“期望輸出”，機器可以進行一一對應地學習。
現在，研究人員正在努力使人工智能在沒有被告訴“期望輸出”的情況下進行學習。這項技術被稱為“無監督式學習”，換句話說，就是隻給機器輸入原始數據，至於該輸出什麼，就讓人工智能自己看著辦。
機器的這種學習能力，來源於一種近年來迅速發展的技術——人工神經網絡。
在人工神經網絡中，會先由程序來部署出一組虛擬的神經元。然後在這些神經元的連接中，用稱為“權重”的數值對其賦值。
這裡的權重，類似神經元之間的連接強度，決定了每一個模擬神經元的響應，即輸出的數值是 0 還是 1。
然後，程序員開始訓練該神經網絡的識別能力，他們會讓這個神經網絡從大量的含有某物體的數字化圖像中尋找該物體。
如果神經網絡不能準確地識別某種特殊圖形，說明某些輸入的權重設置不合適，程序就會對它進行調整，一直調整到神經網絡能穩定地識別出具有特徵性的樣本（如語音或圖像）為止。
深度學習
研究人員已經在人工智能中使用神經網絡的一個研究分支中取得了進展，這一分支就是深度學習。深度學習軟件的目標是模擬大腦皮層中與思考相關區域的神經元的功能。
像大腦的複雜結構一樣，深度學習的網絡結構也很複雜。它在輸入和輸出之間有很多層，每一層都使用上一層的輸出信息作為輸入。每一層中，信號通過一個人工神經元傳遞，神經元通過訓練，“學習”到參數。
這項技術在語音和圖像識別上已取得巨大的進展。
2016 年 6 月，由斯坦福大學計算機科學領域的吳恩達（Andrew Ng）和谷歌研究員傑夫 • 迪恩（Jeff Dean）領導的研究小組創建了一個目前最大的神經網絡系統，擁有超過 10 億個連接。
實驗中用了 1.6 萬個計算機處理器來訓練多層的虛擬神經元。研究小組向這個系統展示了從 1000 萬個隨機挑選的視頻中抽出的圖像。系統通過強大的深度學習，可以在沒有人給它們事先定義或標記的情況下，辨別出一些物體，比如貓。
也就是說，人從未在訓練中告訴系統什麼是貓，是系統面對成千上萬張圖像，逐步篩選出貓的共同特徵，自主創造了“貓”這個概念。
圖像識別技術的進步之大讓一些人工智能專家感到震驚。系統能夠將這些圖像中的物體和主題進行正確地分類，效果比之前的分類方法提升 70%。
人工智能的下一步將是把人工神經網絡在物理芯片上體現出來，這是一項非常有前景的技術。研究人員最近還製造了一個和人腦功能一樣的人工突觸，它能調節電流並將更多的信息存儲到每個連接中。
光學突觸：類腦的人工智能的開始
自從計算機時代以來，科學家一直尋求各種方法複製人類的大腦，通過電子開關和存儲器來替代神經元和我們的神經系統。
在過去的 10 年中，神經形態（類腦）計算研究已經開發出了模擬腦功能的軟件和電子硬件。
然而，和我們的生物系統相比，今天的計算機效率要低 100 萬倍以上。計算機模擬 5 秒鐘的大腦活動需要運行 500 秒鐘，並且需要 1.4 兆瓦的能量，而人類大腦僅需要消耗很少的卡路里。
但是現在，不同於電子，光和光纖在實現類腦計算機方面顯出了希望。光纖技術利用玻璃（或塑料）絲進行數據傳輸，每一根玻璃絲都能傳遞搭載在光波上的信息。
2015 年，英國南安普頓大學和新加坡南洋理工大學的科學家團隊一起證明，採用特殊的光敏玻璃（硫系玻璃）製成的纖維，加上作為信息載體的光脈衝，可以再現大腦中的神經網絡和突觸的功能。
硫系玻璃是一種含有一種或多種硫屬元素（硫、硒和碲）的玻璃。在這種光學突觸中，玻璃的特性變化就如同大腦電化學活動的變化。
當被光刺激時，玻璃微纖維可以改變特性，也就是說，用這種纖維做成的光學軸突可以被控制。
利用這種特性，可以模擬一個神經元的衝動。比如，光照時光纖玻璃會變得不透明，影響光纖裡的光脈衝傳輸。根據具體的波長、持續時間和強度，光控效果可以是暫時的，也可以是永久的。
由此，這些微纖維發出的光脈衝能夠模擬真實的突觸，從一個神經元向另一個神經元傳輸電信號。
該研究為類腦計算系統鋪平了道路。類腦計算系統可利用“光子神經元”超快的信號傳輸速度，並且比對應的生物和電子神經元具有更低的能耗。此外，更重要的是，它們有學習和演變的能力。
塞薩爾 • 索奇（Cesare Soci）教授說：“這項工作意味著‘認知’光子設備和網絡可以被有效地用於開發模仿大腦功能的決策系統。”
以光速進行運算
研究人員為了開發出一個能夠使用這些“光子突觸”處理信息的人工智能機器的原型，需要研製一個可以將這些微纖維整合成人工突觸網絡中的物理結構。這已被普林斯頓大學的研究人員在 2016 年研製成功了。
他們開發了世界上第一個使用光來模仿神經元功能的光子神經網絡芯片。該芯片可以完成數學方程運算，比典型的中央處理器快2000 倍。
第一個原始的類神經計算機誕生了！光學計算和超快處理速度將是未來機器學習工具的驅動力。
這些驚人的突破也將文章開始時提出的問題一步步逼近到我們面前。而正如圖靈測試的失敗案例所示，目前在很多方面，人工智能還沒有展現人類的智能。
正文節選自第29期《少年時·“攻佔”人類大腦》一書。未經小多童書（ID：xiaoduoui）授權不得轉載。
從科幻到現實
人工智能學研究的領域包括計算機科學和神經科學。在這裡，科學家通過設計程序，讓機器以人類的方式智能地運作。簡單地說，人工智能是一種能思考、理解、推想的機器。
我們通過科幻小說認識了人工智能。這種故事經常發生在所謂的“奇點”，一個人工智能遠遠超過人類能力、機器人經常反抗人類的時代。
年紀大一點的讀者可能還記得，《2001 太空漫遊》中那個名叫哈爾（HAL）的智能計算機，或者《終結者》中那個來自機器統治的未來世界的機器人。
當然，人工智能並不全是超人機器。最初級的人工智能，可以是現在調節家裡溫度的智能程序，還有現在已經實現的最初級的人類的腦 - 機接口。比如，研究人員使用腦電極來緩解帕金森病的症狀，或者把人工智能算法應用於磁共振腦部掃描以便對阿爾茨海默氏症進行早期檢測。
讓我們來看一看人工智能的實際發展情況，以及科學家把生物學和技術連接在一起、試圖將人類和機器結合在一起的最新實驗。
人工神經網絡
一個機器是否能表現出與人等價或無法區分的智能，標準之一是看這部機器能否自主地學習。
在過去，人工智能程序使用所謂的“監督式學習”。比如，在經過數小時的音頻數據輸入以及學習與音頻對應的文字後，人工智能軟件可以學會識別語音。也就是說，通過對機器輸入原始數據和對應的“期望輸出”，機器可以進行一一對應地學習。
現在，研究人員正在努力使人工智能在沒有被告訴“期望輸出”的情況下進行學習。這項技術被稱為“無監督式學習”，換句話說，就是隻給機器輸入原始數據，至於該輸出什麼，就讓人工智能自己看著辦。
機器的這種學習能力，來源於一種近年來迅速發展的技術——人工神經網絡。
在人工神經網絡中，會先由程序來部署出一組虛擬的神經元。然後在這些神經元的連接中，用稱為“權重”的數值對其賦值。
這裡的權重，類似神經元之間的連接強度，決定了每一個模擬神經元的響應，即輸出的數值是 0 還是 1。
然後，程序員開始訓練該神經網絡的識別能力，他們會讓這個神經網絡從大量的含有某物體的數字化圖像中尋找該物體。
如果神經網絡不能準確地識別某種特殊圖形，說明某些輸入的權重設置不合適，程序就會對它進行調整，一直調整到神經網絡能穩定地識別出具有特徵性的樣本（如語音或圖像）為止。
深度學習
研究人員已經在人工智能中使用神經網絡的一個研究分支中取得了進展，這一分支就是深度學習。深度學習軟件的目標是模擬大腦皮層中與思考相關區域的神經元的功能。
像大腦的複雜結構一樣，深度學習的網絡結構也很複雜。它在輸入和輸出之間有很多層，每一層都使用上一層的輸出信息作為輸入。每一層中，信號通過一個人工神經元傳遞，神經元通過訓練，“學習”到參數。
這項技術在語音和圖像識別上已取得巨大的進展。
2016 年 6 月，由斯坦福大學計算機科學領域的吳恩達（Andrew Ng）和谷歌研究員傑夫 • 迪恩（Jeff Dean）領導的研究小組創建了一個目前最大的神經網絡系統，擁有超過 10 億個連接。
實驗中用了 1.6 萬個計算機處理器來訓練多層的虛擬神經元。研究小組向這個系統展示了從 1000 萬個隨機挑選的視頻中抽出的圖像。系統通過強大的深度學習，可以在沒有人給它們事先定義或標記的情況下，辨別出一些物體，比如貓。
也就是說，人從未在訓練中告訴系統什麼是貓，是系統面對成千上萬張圖像，逐步篩選出貓的共同特徵，自主創造了“貓”這個概念。
圖像識別技術的進步之大讓一些人工智能專家感到震驚。系統能夠將這些圖像中的物體和主題進行正確地分類，效果比之前的分類方法提升 70%。
人工智能的下一步將是把人工神經網絡在物理芯片上體現出來，這是一項非常有前景的技術。研究人員最近還製造了一個和人腦功能一樣的人工突觸，它能調節電流並將更多的信息存儲到每個連接中。
光學突觸：類腦的人工智能的開始
自從計算機時代以來，科學家一直尋求各種方法複製人類的大腦，通過電子開關和存儲器來替代神經元和我們的神經系統。
在過去的 10 年中，神經形態（類腦）計算研究已經開發出了模擬腦功能的軟件和電子硬件。
然而，和我們的生物系統相比，今天的計算機效率要低 100 萬倍以上。計算機模擬 5 秒鐘的大腦活動需要運行 500 秒鐘，並且需要 1.4 兆瓦的能量，而人類大腦僅需要消耗很少的卡路里。
但是現在，不同於電子，光和光纖在實現類腦計算機方面顯出了希望。光纖技術利用玻璃（或塑料）絲進行數據傳輸，每一根玻璃絲都能傳遞搭載在光波上的信息。
2015 年，英國南安普頓大學和新加坡南洋理工大學的科學家團隊一起證明，採用特殊的光敏玻璃（硫系玻璃）製成的纖維，加上作為信息載體的光脈衝，可以再現大腦中的神經網絡和突觸的功能。
硫系玻璃是一種含有一種或多種硫屬元素（硫、硒和碲）的玻璃。在這種光學突觸中，玻璃的特性變化就如同大腦電化學活動的變化。
當被光刺激時，玻璃微纖維可以改變特性，也就是說，用這種纖維做成的光學軸突可以被控制。
利用這種特性，可以模擬一個神經元的衝動。比如，光照時光纖玻璃會變得不透明，影響光纖裡的光脈衝傳輸。根據具體的波長、持續時間和強度，光控效果可以是暫時的，也可以是永久的。
由此，這些微纖維發出的光脈衝能夠模擬真實的突觸，從一個神經元向另一個神經元傳輸電信號。
該研究為類腦計算系統鋪平了道路。類腦計算系統可利用“光子神經元”超快的信號傳輸速度，並且比對應的生物和電子神經元具有更低的能耗。此外，更重要的是，它們有學習和演變的能力。
塞薩爾 • 索奇（Cesare Soci）教授說：“這項工作意味著‘認知’光子設備和網絡可以被有效地用於開發模仿大腦功能的決策系統。”
以光速進行運算
研究人員為了開發出一個能夠使用這些“光子突觸”處理信息的人工智能機器的原型，需要研製一個可以將這些微纖維整合成人工突觸網絡中的物理結構。這已被普林斯頓大學的研究人員在 2016 年研製成功了。
他們開發了世界上第一個使用光來模仿神經元功能的光子神經網絡芯片。該芯片可以完成數學方程運算，比典型的中央處理器快2000 倍。
第一個原始的類神經計算機誕生了！光學計算和超快處理速度將是未來機器學習工具的驅動力。
這些驚人的突破也將文章開始時提出的問題一步步逼近到我們面前。而正如圖靈測試的失敗案例所示，目前在很多方面，人工智能還沒有展現人類的智能。
這個失敗的原因正是因為我們實際上還沒有弄清楚什麼是智能。
人工智能對人類是好是壞，現在還很難知道。但是，毫無疑問，結果將異乎尋常！
正文節選自第29期《少年時·“攻佔”人類大腦》一書。未經小多童書（ID：xiaoduoui）授權不得轉載。
從科幻到現實
人工智能學研究的領域包括計算機科學和神經科學。在這裡，科學家通過設計程序，讓機器以人類的方式智能地運作。簡單地說，人工智能是一種能思考、理解、推想的機器。
我們通過科幻小說認識了人工智能。這種故事經常發生在所謂的“奇點”，一個人工智能遠遠超過人類能力、機器人經常反抗人類的時代。
年紀大一點的讀者可能還記得，《2001 太空漫遊》中那個名叫哈爾（HAL）的智能計算機，或者《終結者》中那個來自機器統治的未來世界的機器人。
當然，人工智能並不全是超人機器。最初級的人工智能，可以是現在調節家裡溫度的智能程序，還有現在已經實現的最初級的人類的腦 - 機接口。比如，研究人員使用腦電極來緩解帕金森病的症狀，或者把人工智能算法應用於磁共振腦部掃描以便對阿爾茨海默氏症進行早期檢測。
讓我們來看一看人工智能的實際發展情況，以及科學家把生物學和技術連接在一起、試圖將人類和機器結合在一起的最新實驗。
人工神經網絡
一個機器是否能表現出與人等價或無法區分的智能，標準之一是看這部機器能否自主地學習。
在過去，人工智能程序使用所謂的“監督式學習”。比如，在經過數小時的音頻數據輸入以及學習與音頻對應的文字後，人工智能軟件可以學會識別語音。也就是說，通過對機器輸入原始數據和對應的“期望輸出”，機器可以進行一一對應地學習。
現在，研究人員正在努力使人工智能在沒有被告訴“期望輸出”的情況下進行學習。這項技術被稱為“無監督式學習”，換句話說，就是隻給機器輸入原始數據，至於該輸出什麼，就讓人工智能自己看著辦。
機器的這種學習能力，來源於一種近年來迅速發展的技術——人工神經網絡。
在人工神經網絡中，會先由程序來部署出一組虛擬的神經元。然後在這些神經元的連接中，用稱為“權重”的數值對其賦值。
這裡的權重，類似神經元之間的連接強度，決定了每一個模擬神經元的響應，即輸出的數值是 0 還是 1。
然後，程序員開始訓練該神經網絡的識別能力，他們會讓這個神經網絡從大量的含有某物體的數字化圖像中尋找該物體。
如果神經網絡不能準確地識別某種特殊圖形，說明某些輸入的權重設置不合適，程序就會對它進行調整，一直調整到神經網絡能穩定地識別出具有特徵性的樣本（如語音或圖像）為止。
深度學習
研究人員已經在人工智能中使用神經網絡的一個研究分支中取得了進展，這一分支就是深度學習。深度學習軟件的目標是模擬大腦皮層中與思考相關區域的神經元的功能。
像大腦的複雜結構一樣，深度學習的網絡結構也很複雜。它在輸入和輸出之間有很多層，每一層都使用上一層的輸出信息作為輸入。每一層中，信號通過一個人工神經元傳遞，神經元通過訓練，“學習”到參數。
這項技術在語音和圖像識別上已取得巨大的進展。
2016 年 6 月，由斯坦福大學計算機科學領域的吳恩達（Andrew Ng）和谷歌研究員傑夫 • 迪恩（Jeff Dean）領導的研究小組創建了一個目前最大的神經網絡系統，擁有超過 10 億個連接。
實驗中用了 1.6 萬個計算機處理器來訓練多層的虛擬神經元。研究小組向這個系統展示了從 1000 萬個隨機挑選的視頻中抽出的圖像。系統通過強大的深度學習，可以在沒有人給它們事先定義或標記的情況下，辨別出一些物體，比如貓。
也就是說，人從未在訓練中告訴系統什麼是貓，是系統面對成千上萬張圖像，逐步篩選出貓的共同特徵，自主創造了“貓”這個概念。
圖像識別技術的進步之大讓一些人工智能專家感到震驚。系統能夠將這些圖像中的物體和主題進行正確地分類，效果比之前的分類方法提升 70%。
人工智能的下一步將是把人工神經網絡在物理芯片上體現出來，這是一項非常有前景的技術。研究人員最近還製造了一個和人腦功能一樣的人工突觸，它能調節電流並將更多的信息存儲到每個連接中。
光學突觸：類腦的人工智能的開始
自從計算機時代以來，科學家一直尋求各種方法複製人類的大腦，通過電子開關和存儲器來替代神經元和我們的神經系統。
在過去的 10 年中，神經形態（類腦）計算研究已經開發出了模擬腦功能的軟件和電子硬件。
然而，和我們的生物系統相比，今天的計算機效率要低 100 萬倍以上。計算機模擬 5 秒鐘的大腦活動需要運行 500 秒鐘，並且需要 1.4 兆瓦的能量，而人類大腦僅需要消耗很少的卡路里。
但是現在，不同於電子，光和光纖在實現類腦計算機方面顯出了希望。光纖技術利用玻璃（或塑料）絲進行數據傳輸，每一根玻璃絲都能傳遞搭載在光波上的信息。
2015 年，英國南安普頓大學和新加坡南洋理工大學的科學家團隊一起證明，採用特殊的光敏玻璃（硫系玻璃）製成的纖維，加上作為信息載體的光脈衝，可以再現大腦中的神經網絡和突觸的功能。
硫系玻璃是一種含有一種或多種硫屬元素（硫、硒和碲）的玻璃。在這種光學突觸中，玻璃的特性變化就如同大腦電化學活動的變化。
當被光刺激時，玻璃微纖維可以改變特性，也就是說，用這種纖維做成的光學軸突可以被控制。
利用這種特性，可以模擬一個神經元的衝動。比如，光照時光纖玻璃會變得不透明，影響光纖裡的光脈衝傳輸。根據具體的波長、持續時間和強度，光控效果可以是暫時的，也可以是永久的。
由此，這些微纖維發出的光脈衝能夠模擬真實的突觸，從一個神經元向另一個神經元傳輸電信號。
該研究為類腦計算系統鋪平了道路。類腦計算系統可利用“光子神經元”超快的信號傳輸速度，並且比對應的生物和電子神經元具有更低的能耗。此外，更重要的是，它們有學習和演變的能力。
塞薩爾 • 索奇（Cesare Soci）教授說：“這項工作意味著‘認知’光子設備和網絡可以被有效地用於開發模仿大腦功能的決策系統。”
以光速進行運算
研究人員為了開發出一個能夠使用這些“光子突觸”處理信息的人工智能機器的原型，需要研製一個可以將這些微纖維整合成人工突觸網絡中的物理結構。這已被普林斯頓大學的研究人員在 2016 年研製成功了。
他們開發了世界上第一個使用光來模仿神經元功能的光子神經網絡芯片。該芯片可以完成數學方程運算，比典型的中央處理器快2000 倍。
第一個原始的類神經計算機誕生了！光學計算和超快處理速度將是未來機器學習工具的驅動力。
這些驚人的突破也將文章開始時提出的問題一步步逼近到我們面前。而正如圖靈測試的失敗案例所示，目前在很多方面，人工智能還沒有展現人類的智能。
這個失敗的原因正是因為我們實際上還沒有弄清楚什麼是智能。
人工智能對人類是好是壞，現在還很難知道。但是，毫無疑問，結果將異乎尋常！