几千年来,人们对人工智能情有独钟。在古代神话中,古希腊神赫菲斯托斯通过娴熟的技法,使用锤子制造了巨型青铜机器人,名为塔罗斯,目的是保护克里特岛的欧罗巴免受海盗侵害。1817年,玛丽·雪莱撰写《科学怪人》之时也在深入思考人工智能的相关问题。1927年,经典的未来主义电影《大都会》推出名为玛丽亚的机器人,它的使命本是照顾孩子,但最终让城市陷入了混乱。
神话和科幻小说激发了人们的想象力,让人们考虑人工智能可能带来的灾难,哲学家们仍在努力定义人类智慧的本质。17世纪初,托马斯·霍布斯有一句名言—推理就是计算(Reason is nothing but reckoning)。他得出结论:人只不过是记忆之和,或许人类的记忆可能通过编码变成机器智能。
20世纪60年代,哲学家休伯特·德雷福斯批评了机器智能的这一观点,并就此写了几本书,其中最著名的作品是于1972年首次出版的What Computers Can’t Do: A Critique of Artificial Reason,他的主要论点是,人类的本能永远无法用正式的规则来捕捉。
电影《终结者》暗示着创建像天网这样的智能网络也许很容易,但是也可能由于简单的二进制计算错误而导致人类毁灭。硅谷名人一直在争论人工智能是人类最大的成就还是会使人类灭绝的最终原因。
神话、科幻小说和哲学使人工智能这一主题引人入胜。但当我们开始研究人工智能机器的工作方式时,很难确定这是惊艳之举还是乏善可陈。一方面,人工智能的一些功能是卓尔不群的,比如,乘坐自动驾驶汽车是一种非常惊艳的体验。另一方面,现代人工智能大多专注于解决分类问题。智能机器能够对数以百万的照片、视频或音频文件进行分类。但这不是那种能促使你建造地下掩体或者开始粉碎机器人的技术。
当然,人工智能具有无限潜力,但是我们倾向于根据事物的表现而不是潜力来进行判断。到目前为止,人工智能表现良好。近年来由于可以使用大规模的数据集,机器获得了足够的输入,最终对人类和人类生活的世界有了更深入的“认知”。机器能够识别人类无法识别或者根本想不到的数据模式,即使在识别数据模式这一维度,人工智能性能水平与人类智能之间仍然存在巨大差距。
来自人工智能的威胁与源自人性的威胁也存在巨大差距,人工智能带来了实际的和伦理上的挑战。第一轮挑战主要不是关于创造众生的伦理方面的影响,而是关于彼此之间的责任。不要把人工智能想象成电影《终结者》中毁灭人类的存在,它更像1981年的小众经典电影《纽约大逃亡》中所呈现的。这部电影上映时,16岁至24岁男性的失业率高达84%。影片中把纽约想象成一个无情的、无法无天的城市丛林,不得不被改建成监狱。在流氓机器人造成生存威胁之前,人类和人工智能彼此之间的道德义务将会困扰我们很久。
人工智能带来的第一个挑战必然是如何援助那些失业的人,因为他们掌握的技能将会被自动化淘汰。如何安置成千上万被人工智能替代的卡车司机、出租车司机、零售工人、机器操作员和会计师?他们不可能都转行去当程序员、瑜伽教练、私人教练、YouTuber和艺术家。
自动化带来的社会经济挑战很可能会掩盖“机器胜过人类”这一担忧。我们担忧的不应该是超级计算机控制机器人军队来对抗人类,而应该担忧自动化汉堡机取代你侄子在快餐店中工作,毕竟,他可能依赖这份工作来支付大学学费。
当你在思考人工智能可能造成的影响时,就应该意识到这些挑战。但是本书并不涉及如何应对社会经济挑战,只讨论机会,具体来说,只涉及商业机会。为了找到最佳商机,你应该对人工智能这一工具有一个全面了解。
细想下来,顶级企业并没有因为率先进入市场而成功。苹果公司并不是第一个制造音乐播放器的公司,谷歌也不是第一个搜索引擎。这些公司能够成功,是因为它们了解工具和技术的适用范围,并知道如何将它们应用于当前和未来的业务中。
这本书就是一本带你成功应用人工智能的书。你将对人工智能行业中的各种技术有一个高屋建瓴的认识。在本书中,你将了解将这些技术应用于商业的案例。一旦你弄懂了这些工具,就将占据先机,具备为新业务或现有业务制定长期战略的能力。
商业机会太多,不能一一列举,这还不包括有待发现的机会。我希望读者能够理解技术的适用范围并能将它们应用于自身的组织中,甚至能创造新的商业机会。
本书分为四个部分。第一部分概述人工智能。第二部分对概述进行扩展,并加深读者对机器学习的理解。第三部分涉及神经网络,即计算机通过使用多层相互连接的人工神经元层来模拟人脑的结构和功能。最后,第四部分介绍了一些使用人工智能来辅助商业的常用工具。近年来由于计算机存储、处理技术的可用性不断提高,成本不断下降,以及可以获得海量数据,人工智能领域变得备受关注。
在第一部分,你将了解推动第一批智能机器的设计的早期理论。这些理论大多是从理解人类智能开始的。智能意味着什么?是将符号与概念相联系的能力吗?是我们的创造力吗?
你会看到早期计算机科学家在尝试创建第一代智能程序时所付出的努力。最初,许多计算机科学家专注于符号推理。他们认为,如果能够让计算机识别人类符号,这将有助于它们更好地了解人类世界。因此,他们构建了用于识别字母表中的字母、数字和不同图形(如停车标志、问号)的智能系统。
这些早期想法至今仍影响人工智能的发展。符号推理方法演变成了后来的专家系统,专家系统通过运行数不清的if-then判断语句进行思考和决策。例如,如果看到A,则发出“ah”的声音,如果看到停止标志,就停下来。每一个决策点都必须缜密地事先编程到计算机中。
20世纪90年代,专家系统是人工智能的主要形式。公司使用专家系统进行医疗诊断,批准或拒绝贷款申请,选择股票,等等。计算机是通过长长的if-then语句来实现这些功能的。用于贷款的专家系统会运行预定义好的判断列表,例如:“如果有信用记录,是否有逾期付款?”“如果有逾期付款,在过去一年有几次逾期记录?”“如果过去一年拖欠还款超过十次,则拒绝这项贷款申请。”
可想而知,所运行的判断列表会很长,需要人们去思考所有可能的判断规则。这是一项非常复杂的任务,最终会导致组合爆炸—有太多的可能性,人类很难考虑到所有不同的组合。
当程序员遇到这些限制时,他们开始重新审视机器学习思想。机器学习早在20世纪50年代早期就已存在,它被用于编写可击败人类玩家的西洋跳棋比赛程序。跳棋程序很有创新性,机器可以执行自己的策略并从错误中学习。即使是这些早期的计算机也足够先进,能学会如何击败人类玩家。
机器学习是基于编程指令和仅模拟了人类思考和决策过程的if-then语句的一次巨大飞跃。本书的第二部分深入讲解机器学习,揭示它如何改变传统软件的开发规则。
使用机器学习技术完成某项任务,无须对机器进行显式编程,机器可以直接利用大量数据集并构建自己的决策逻辑。机器学习技术可以从数据中学习并构建模型—可以生成解释数据之间关系的规则,并根据这些规则得出结论,做出决策和预测。
通过机器学习,你可以给智能机器提供制造汽车所需的所有数据以及制造好的汽车原型,智能机器通过全面学习数据,开始理解什么是汽车,它知道汽车需要轮子、门和挡风玻璃。也许有数千种不同类型的汽车,但是智能机器会创建一个模型来识别所有汽车。
为了使机器能够创建模型,程序员开发了许多高级机器学习算法。机器学习算法是一种数学函数,可使机器识别输入和输出之间的关系。程序员的工作已经从编写明确的指令转变为创造和选择正确的算法。
为了将机器学习提升到更高的水平,计算机科学家提出了人工神经网络的概念,这就是本书第三部分的主题。人工神经网络将大脑的结构和功能作为模板,它包含一个相互连接的人工“神经元”网络,每个神经元都包含一个机器学习算法。这些神经元依据其他神经元的输入、与其他神经元的连接强度、决定性神经元的算法和内部偏差来做出决策。
人工神经网络的灵感来自生物神经元在人脑中的工作方式。人类会通过增加神经细胞之间的连接强度来进行学习和记忆。
现代人工神经网络可以形成由数十亿个神经元组成的机器学习系统。这么复杂的神经网络具备从海量数据集中挖掘出隐藏模式的能力。通过将数据输入神经网络,神经网络系统将创建模型来更好地识别更多的模式。例如,可以将数百万幅狗图像输入神经网络中,并使其进行自我学习、建模,让系统具备识别狗的能力。这种模式可能与人类识别狗的模式不尽相同。它可能无法通过观察狗的形状、颜色、耳朵和鼻子来识别狗,而是通过识别狗图像中不同点的统计模式来获得对狗的认知。从某种意义上说,神经网络形成了自己的一套独特的认知狗的方式。这种认知方式可以让神经网络系统做到即使从未见过狗,也能够学会正确识别狗。
你应该想象得到,神经网络的预测能力具有广泛的实际应用价值和巨大的商业潜力。在金融行业,神经网络可以用于发现市场趋势,指导人们进行交易。在制药行业,神经网络可用于发现现有药物的特征,并将其与新化合物进行比较。在零售行业,神经网络能够帮助从业者挖掘出客户购买商品的模式,预测顾客下一次的购买意向。
许多大公司已经将神经网络用于语音识别、转录和个人数字助理。例如,如果你订阅了Netflix,则系统会根据你过去观看的内容为你推荐电影和节目。亚马逊使用神经网络进行有针对性的产品推荐,并为其个人数字助理(如Alexa)提供技术支持。
但享受神经网络的价值并不需要你付出巨大努力,想想你所在组织的数据,并从中挖掘出潜在的价值。如果你可以快速发现有价值的模式,那么人工智能可能对你的组织有用。
如果你不熟悉人工智能,最好通读本书,第一部分机器学习的基础知识可以让你更好地理解后面更复杂的主题。如果你已经熟悉人工智能,可直接从第二部分开始阅读。
当你阅读本书时,请记住本书的目的是让你思考在你的业务或者专业领域中可能存在的问题以及面临的挑战,这些是可以运用人工智能和机器学习技术来解决的。想想你有哪些数据,思考你能够从数据中提取出什么有价值的信息,用于面对特别的挑战,回答或解决特定的问题。毕竟,如果没有人类提出问题,思考可能的机会,人工智能和机器学习将毫无用处,它们价值的发挥是人类的创造力与工具的完美结合。
Acknowledgements
致 谢
首先感谢所有让我有机会与其优秀团队合作的组织,包括Home Depot、Cox Automotive、Cardlytics、Genentech和美国芝加哥大学的CDIS(Center for Data Intensive Science)。
也感谢美国芝加哥大学的学生给我提供了很好的反馈,他们所提问题的答案汇聚为这本书的部分内容。我在 LinkedIn Learning上的在线课程可以作为这本书的伴读材料。LinkedIn是我合作过的最好的组织之一,在其高技能员工的帮助下,创建这些课程既好玩又有趣。特别感谢Steve Weiss、Yash Patel和Scott Erickson策划、编辑和拍摄这些课程。
如果没有大家的帮助,这本书是不可能完成的。Joe Kraynak 在编辑这本书方面做得非常出色。John Haney创作了所有奇思妙想的插图。Shehroz Khan提供了出色的技术反馈和优秀的指导。我还要感谢Pearson出版社的编辑们,包括Kim Spenceley、Chris Zahn和Karen Davis。
特别感谢我的妻子Jelena,她一直是我的第一个(也是最严厉的)编辑。她坐在儿子空手道道场的角落里耐心地阅读我的初稿。最后,感谢我的儿子Leo给了我灵感。我会继续写下去。我最大的愿望是有一天我会因为是Leo Rose的爸爸而感到骄傲。