AI 未來式——三大 AI+ 應用技術趨勢全解讀

          AI+時代，未來將會如何被改變？

當你犯懶不想打掃衛生時

一臺掃地機器人就能讓你的住所保持潔凈

當你周末在家想要輕松娛樂時

一聲“小愛同學”就可以喚醒智能音箱

當你想出國旅行卻不會外語時

一個語音翻譯軟件幫你暢游世界

當你想要出門辦事卻不會開車時

一輛自動駕駛汽車可以帶你順利出行

人工智能（AI）近年來的發展可以說包羅萬象，幾乎涵蓋了所有與機器智能化相關的內容。無論是機器人、冰箱、汽車還是軟件應用，只要你想讓它們變得像人一樣聰明，這都屬于人工智能的研究與應用范疇。而在日常生活中， AI幾乎充斥著我們觸手可及的每個角落。

人們常常將人工智能、機器學習與深度學習交錯使用以代指普遍意義上的AI，但這三者之間其實是“包含于”的關系：深度學習包含于機器學習包含于人工智能。

由于深度學習的先進性，在本文的語境中，當我們在論述人工智能的時候，我們更多的是在探討深度學習技術在人工智能領域的應用與落地。

深度學習在不斷開拓未來 AI 應用邊界的同時，也并沒有完全掩蓋傳統 AI 的光芒：樹型探索、尋找最短路徑、邏輯推理......許多自 20 世紀 60 年代以來已知的方法，如今由于科技在不斷進步，已經獲得了非凡的效率，在自動駕駛、虛擬助手、醫學影像與醫學等領域大放異彩。

圖靈獎得主、Facebook 人工智能首席科學家楊立昆（Yann LeCun）在他的新書《科學之路：人，機器與未來》具體闡述了人工智能革命的起始極其對人類社會產生的影響。

由于潛在市場的規模，人工智能的 4 個主要應用類別吸引了大型工業集團的興趣，它們是醫藥、自動駕駛汽車、虛擬助手以及家用和工業機器人。但也有許多研究人員認為，只有取得重大概念的突破，這些應用才能得到進一步推廣。

這里重大的概念突破指的是：這些智能機器人只有在學習了規劃復雜動作的世界模型，只有能夠像動物和人類一樣有效地學習，只有積累起足夠的世界知識以產生某些常識，變革才會成為可能。

01

AI+自動駕駛，創造出行新場景

雖然已經取得了不俗的成績，但我們還是要注意:盡管汽車的輔助駕駛系統在2019年得到了極大的發展，但全自主模型仍在實驗當中，大多數時候仍需要有人坐在副駕駛進行監視。

在高峰時間沒有人為干預的情況下，在紐約、巴黎、羅馬或加爾各答的街道上實現全自動駕駛的汽車，如果不依靠自我監督學習和預測模型，也許根本是不可能的。我們可能需要先弄清楚人類自身是如何在短短 20 個小時內學會駕駛的。

我認為自動駕駛系統將經歷三個階段:第一個階段，系統的很大一部分功能由人工編程，深度學習僅被用于感知; 第二個階段，深度學習的重要性逐步提升，并占據重要地位;第三個階段，機器具備足夠的常識，駕駛技術比人類更可靠。

一家名叫MobilEye的以色列公司推出的系統是第一批市場的輔助駕駛功能系統之一，后來該公司被英特爾收購。2015 年，MobilEye 為埃隆·馬斯克的電動汽車公司特斯拉提供了基于卷積網絡的、幾乎全自動的高速公路駕駛視覺系統，將這個系統配備在了特斯拉 Model—S 2015 年的車型上。

自 2014年以來，字母表公司(Alphabet，谷歌的母公司)的子公司Waymo一直在舊金山進行自動駕駛汽車實驗。公司的董事會成員皆是谷歌員工。2018年，亞利桑那州開始向所有人開放自動駕駛出租車。這個地方確實很適合開展此項目:道路寬闊、人流量少、氣候宜人。Waymo 采用了混合系統，配備了一系列復雜的傳感器(雷達、激光雷達和照相機)，以及基于卷積網絡的視覺識別和規劃的傳統方法，人工編程的駕駛規則，精確顯示限速標志、人行橫道、交通信號燈的詳細地圖……這些技術的結合使汽車能夠精準定位自己、識別移動的物體并發現不可預見的事件，例如道路施工。當汽車駛入十字路口并且有優先通過權時，它可以做出正確的反應。但仍需要有人坐在副駕駛(這個座位不再被稱為“死亡之座”)上進行監督，確保這一切的安全開行。

激光雷達可以繪制詳細的關于汽車周圍環境的三維地圖。它會生成一個 360 度的圖像，在每個方向上都給出在該精確軸線上與最接近物體的距離。這樣，障礙物檢測系統的工作就容易多了。但是，高性能的激光雷達設備十分昂貴、脆弱、難以維護并且對天氣條件敏感。它們可以被用來裝備一個出租車隊，卻無法被安裝到所有人的汽車上。

當條件良好時，自動駕駛汽車是比較可靠的，我們可以通過一組數據說明這一點:2014 —2018年，加利福尼亞州僅發生了 59 起自動駕駛撞車事故（當地要求自動駕駛汽車制造商報告道路上發生的事故，包括輕微事故）。

當然，我們需要區分半自動駕駛和自動駕駛。在半自動駕駛的過程中，駕駛員雖然不做任何事情，但他實際上在持續地監督系統；而自動駕駛是指系統可以在沒有駕駛員監督的情況下駕駛汽車。

無須人工操作的自動駕駛紀元將會始于行駛在安靜郊區的、掛滿傳感器的車隊。而私家車在巴黎、羅馬或孟買的街頭實現自動駕駛之前，相關技術仍需慢慢地進步。

02

AI+虛擬助手

2013 年由斯派克·瓊茲(Spike Jonze)執導的科幻電影《她》 (Her)描述了一個男人與他的虛擬助手之間可能的互動，男主角泰奧愛上了這個擁有斯嘉麗·約翰遜(Scarlett Johansson)的聲音、名為薩曼莎的計算機實體。這是少有的以逼真方式處理人工智能的電影之一。其場景皆屬于未來派，但心理層面是合乎邏輯的。人類傾向于依附物體、動物和周圍的人。

但我們仍需面對現實，真正的機器人仍停留在科幻小說中。在理想情況下，虛擬助手能被賦予接近于人類的智力，并具有良好的常識，可以在日常生活中幫助我們，人們便無須花費大量時間處理電話、電子郵件或在互聯網上解決行政問題、聯系手機服務、安排日程或過濾消息。一個聰明的助手應該能回答任何問題，在專業會議中給我們提供幫助，提醒我們上次會面的結論，但至少到現在為止，這一切都是不可能的。

每個虛擬助手的內部都結合了多個應用程序。聽到“亞歷克薩(Alexa)”，黑色的圓形智能音箱就會亮起。一個節能小程序使與之連接的揚聲器始終保持待機狀態，并且僅會檢測喚醒它的單詞。只有這樣，我們才能與虛擬助手交流。在它的麥克風后面，接收到的聲音信號被數字化。

Alexa 具有遠程語音識別系統。轉換成數字信號的語音將被傳輸到亞馬遜的服務器，服務器將識別單詞，將單詞轉錄為文本。要想識別不同種類的語言，需要使用不同的、經過相應語言環境訓練的神經網絡。

需要澄清一點，與虛擬助手連接的揚聲器是否會監視房屋內的生活？

是，也不是！

說是，是因為虛擬助手處于“連續收聽”模式，以便檢測到喚醒它的單詞“Alexa”“OK Google”(谷歌的語音助手) 或“Hey Portal”(臉書的語音助手)等，只有這些單詞才能使它將某些內容傳輸到中央服務器。而一旦記錄了一個句子，它就會將其發送到服務器，進而可能會識別并產生答復。如果虛擬助手在被“喚醒” 后記錄了家庭暴力現場的尖叫聲，那么服務器將不執行任何操作。針對這一點，從技術的角度上看，服務器其實是可以有所行動的，但從倫理的角度上看，它不可能采取任何行動。對于極為重視聲譽的公司，例如亞馬遜、谷歌或臉書，我們是可以放心的。但是，如果這是一個由隱蔽在某處、身份不明的極客編寫的黑客程序，那就必須要當心了。

03

AI+生物醫學與醫學影像

深度學習應用最廣泛的科學領域就是是生物醫學，例如研究蛋白質折疊——這些由氨基酸組成的大分子是構成所有生物細胞的基礎，它們是由基因合成的，DNA(脫氧核糖核酸)中的字母序列被轉化為形成蛋白質的氨基酸序列。

而蛋白質會折疊成特定的形狀，這樣就能夠與其他蛋白質相互作用并執行功能，例如使肌肉收縮......它們折疊的形狀決定了它們的功能。為了找到新的藥物或新的治療方法來阻止兩種蛋白質黏附在一起，或者相反的再促進它們結合在一起，我們必須能夠找到那些支配蛋白質折疊的生化機制，例如DeepMind公司的AlphaFold系統。

在醫學影像領域，深度學習技術過濾了那些可以被輕易判斷的就診案例，從而降低了診斷成本，提升了診斷的效率。而這一技術支柱便是楊立昆博士的主要研究成果——卷積網絡的應用。

卷積網絡通常用于X光片、磁共振成像、CT(電子計算機斷層 掃描)檢查，也用于腫瘤、風濕病或關節置換的檢測。

對于傳統的X光片，例如有兩個圖像的乳房X光片，由于我們在兩個軸上都進行X光照射，因此經過訓練的卷積網絡會觀察圖像中每一個細小的區域，當它觀察到可疑的像素點時就會做出反應。這是使用卷積網絡進行語義分割的直接應用。

為了對此類系統進行訓練，需要收集大量由放射科醫生繪制出腫瘤輪廓的大量乳房X光片。這些照片會被分成一定大小的窗口，從而產生數百個小圖像。將圖像逐一輸入一個卷積網絡中，并告知網絡窗口中心是否存在腫瘤。由此，它便學會了根據腫瘤的存在與否對窗口進行分類。

當投入實際應用時，卷積網絡會遍歷整個X光片，并將每個窗 口的中心像素標記為“有腫瘤”或“沒有腫瘤”。它在該過程結束時 會生成一種圖像，將腫瘤染色并給出檢測的可信度。

如果沒有檢測到任何東西，那么答案很簡單:“沒問題”。大多數乳房 X 射線照片就是這種情況。如有任何可疑之處，X光照片就會被發送給放射科醫生，以進行更加細致的研究。

卷積網絡過濾器過濾了那些可以被輕易判斷的案例，從而降低了診斷成本，提升了診斷的效率。專業人員也因此有了更多的時間，可以專注應對那些較難判斷的案例，這樣就減少了因工作量過大而導致的勞累和注意力不集中的風險。要知道，放射科醫生要在暗室里的屏幕前工作很長時間，而他們所檢查的大多數都是正常圖片。

04

AI+ Everything

除了自動駕駛、虛擬助手和醫學影像之外， 深度學習在許多其他科學領域中也發揮著舉足輕重的作用，括天體物理學(星系的分類和系外行星的發現)、粒子物理學[分析日內瓦 CERN(歐洲核子研究組織)粒子加速器上碰撞產生的粒子射流]、材料科學(具有新特性的超材料的設計)、社會科學(對社會互動的大規模分析)、神經科學(了解大腦中的感知機制)......

不難想象，在不遠的將來，“AI+一切”將不止是一個過過嘴癮的噱頭，而是真真切切、正在進行中的現實。人工智能時代，你需要的不是擔憂和焦慮，而是成為更好的學習者，抓住每一分資源和機會，讓自己成為更有價值的人。

本文摘編自中信集團8月新書《科學之路：人、機器與未來》