這次考試源於艾倫人工智慧研究所舉辦的一次競賽。該競賽邀請世界各地的程序員開發一個能夠參加美國普通八年級科學考試的程序。競賽優勝者哈依姆·林哈爾特開發的程序得到的分數，是本次考試的最高分——59%的正確率。哈依姆將多項機器學習技術和大型科學信息資料庫結合在一起，向計算機系統輸入了上千的問題及對應答案，以便計算機系統能學會生成正確答案。雖然人工智慧在識別圖片和語音等任務上取得與人類水平相近的成果，但是，我們依然無法建造出像人一樣思考的機器和能真正對話的A.I.，甚至沒法建造出能通過初中考試的系統。科學考試題要求學生在面對多個概念的複雜問題時，通過若干個步驟來解決問題，測試者必須把多個事實組合在一起，才能獲得正解。對現在的人工智慧來說，科學考試比問答節目難度更大。

無論是以壓倒性優勢打敗世界圍棋冠軍職業九段選手李世石的AlphaGo，還是Facebook家的圍棋A.I.——「黑暗森林」，都是在深度學習這一演算法上開展的。

答案並不重要，過程至關緊要。到頭來，這彷彿是一個關於生命的終極比喻。生為人類，我們都知道生命盡頭只有一個統一答案。但是，如何度過這一生才是問題的關鍵。

「不是。對於喜歡學習的人，我給他答案，他會拿去逆向推導整個過程，搞清楚題目。」

記錄下的數據將用於建造一個互連神經元模型。通過將分子感測器與光學方法整合起來，檢測神經活動，可能可以實現追蹤一個大腦區域內神經元的大部分神經動態，由此得到一個巨大的數據集，將幫助人類詳細認識視覺皮層某個區域中神經元的行為。研究人員希望使用這個大規模數據集解開神經網路的複雜難題。他們的目標是將獲得的新知識應用到機器學習演算法上，使他們可以使用少得多的樣本就能開發出模型。九*九*藏*書

以上種種，都向我們展現了人工智慧研究領域的美好前景。一旦人類寫出更高效的機器學習演算法，人工智慧將勢不可擋，而人工智慧威脅論也將不單單是對未來世界的憂心。

然而看起來很厲害的Watson同學，卻拒絕參加美國普通八年級（相當於中國的初二水平）的科學考試。

相比人工神經網路信息單向的工作方式，大腦則完全不同。人類大腦由許多神經元構成，這些小單元可以通過巨大的電脈衝網路互相發送信息，這些信息調控所有由大腦控制的身體功能，包括理解場景和肢體運動等。大腦神經元高度相連，每一步處理過程都可能產生反饋。但到目前為止，科學家還未能完全理解神經元的工作機制。

也就是說，如果能更好地理解神經元的工作機制，提高對大腦計算原理的認識，將原理運用到人工智慧的自主學習上，就可能實現人工智慧機器在不需要監督的環境下通過少量樣本進行學習。這正是人工智慧的標誌。

我的三觀瞬間搖晃起來。從小到大受到的正統教育在不遠處虛弱地咳個不停。很難全盤否定面前這個年輕人的話，尤其他設計的程序聽起來還很酷。

為了更好地理解生物神經網路和反饋迴路，科學家Sandra Kuhlman將使用雙光子鈣成像顯微鏡技術，來記錄上萬個小鼠神經元處理視覺信息時所產生的信號。科學家首先在小鼠腦內加入鈣染料或者能感受鈣離子濃度變化的蛋白；利用神經細胞被激活，細胞鈣水平發生變化的原理，根據鈣水平來判斷神經元的激活狀態。當一個神經細胞被激活時，隨著熒光爆發就能實時觀察神經細胞及其發生的反應。

要知道，這個程序一旦實現，不僅可以幫助學習，更是人機互聯的一個巨大突破。這款程序如果要成功，必須完成計算機的代碼嫁接、計算機的自學，以及自我運行。其中計算機的自主學習尤為關鍵。目前看來，通過輸入題目答案使計算機幫助解題並不read.99csw.com可行。沒有學習能力的計算機即便輸入海量題目，即便擁有足夠強大的計算能力，即便不考慮便攜性和操作性，也無法應對日益變化的題型和考試內容，甚至無法很好地理解題目內容。只有通過讓計算機擁有自主學習能力從而掌握學科知識，考試要求，並對相應題型大致歸類，才可能實現幫助解題的目的。

比如，作弊機發明者。

深度學習是機器學習領域中的一種演算法。它能模擬人腦神經元的工作方式，建造機器神經網路。具有深度學習能力的計算機網路能夠收集、處理並分析龐大的數據，最終通過自主學習來實現圖像和語音識別等智能行為。2012年，Google大腦團隊開發出的人工神經網路利用深度學習演算法，通過觀看一周YouTube視頻自主學會了識別哪些是關於貓的視頻。雖然該演算法基於人工神經科學研究，並應用於許多複雜的數學模型，但是，深度學習演算法仍是比人腦簡單得多的軟體。有人會將深度學習比喻為卡通大腦，但隨著技術不斷發展，這個比喻是否成立將越來越變得可疑。

龍宇清還告訴我關於他所說的答題程序，並不是他一個人的創想。此刻，許多心懷夢想的極客正在世界各個角落為如何編寫這個程序而冥思苦想著。

說到機器學習，就不可能繞開「深度學習」這四個字。

但事情似乎並不完全是那個樣子。人工智慧似乎會在意想不到的時候展現他蠢萌的一面。就以Watson為例吧。

「這不是在抄襲嗎？」

人工智慧已經超過人類了嗎？這個問題突然變得複雜起來。想象那一天真的到來，人工智慧完全超越了人類，地球上的碳基生命將何去何從？在最樂觀的那條時間線上，品質和智能都超越人類的A.I.，願意無私地幫助人類更美好地生存下去，那麼，那時的人類是否還需要智能？

「國內目前其實有一些網站和AP九_九_藏_書P是以幫助學生解題為目的而建的，但他們的工作原理只是僱人人工在線答題，不是通過演算法讓機器回答。」龍宇清透露。

如今，Watson已經被運用到超過三十五個國家十七個產業領域。例如，在醫療保健方面，它可以作為一種線上工具協助醫療專家進行疾病的診斷。醫生可以輸入一系列的癥狀和病史，基於Watson的診斷反饋，來做出最終的診斷並制訂相關的治療計劃。在其他領域，Watson也大顯身手，不負眾望，滿足了人類對它這樣一個人工智慧的一般期望。

和任何人類創造的科技一樣，新科技是否作惡，取決於最終怎樣應用。如果僅在回答作業，而不是考試時使用，龍宇清正在編寫的程序無疑對學習者和教育者來說都具有正面意義。

「是的。」他笑著回答道。

紅藍帽子謎題的破解，是深度學習成功學會通信協議的第一個案例。這是向人工智慧之間的溝通和協作跨出的第一步。從長遠來看，這會給人工智慧增加更多擴展性，並允許它們解決以前無法解決的問題。

如果說2015年10月AlphaGo打敗歐洲圍棋冠軍樊麾時，人類還心存僥倖，那麼隨著今年3月AlphaGo以4：1的懸殊比分戰勝世界圍棋冠軍李世石，人類的信心則已嚴重受挫。

簡而言之，沒有學習能力的計算機，無法幫助人類學習。

所以你看，等到將來的某天，像龍宇清這樣的極客真的編寫出通過自主學習幫人答題的程序，真的創造出所謂的作弊機，你也許會發現——

假如願意，還可以在那個等號後面加上更多的頭銜。

「給他答案，他就不必勉強學習，用節約下來的時間去做他喜歡的事情，整個社會都會變得更有效率。」

對於這個問題，有些人似乎已經比其他人更早地考慮到了。那個試圖發明作弊機的龍宇清就是其中一個。

從這點來看，也多少可以猜測出Watsonread.99csw.com為什麼會拒絕參加這個明明可以讓它一試身手的比賽。按照比賽組織方的說法：「如果大型公司參加比賽，也許會拿到更高的分數。但是群體智慧也很強大。這次比賽的很多參与者都極具天賦。大多數比賽中的獲獎模型也都是非常適合測試數據集的。所以，即使是同一個領域內的公司也不一定具有顯著優勢。」換而言之，即使Watson來，也未必能在這場八年級科學考試中拿到多高的分數。

龍宇清，劍橋大學輟學生。這個答案也許太粗暴。如果這是一個方程式，如果在「龍宇清」這個名字後面畫一個等號，那等號的另一邊還可以是青年創業家、London Dreamcatchers Day最年輕演講嘉賓、斯坦福數學競賽銅牌（SMT）、哈佛MIT數學競賽第七名，以及迪拜家族和英國Highmoor家族的私人家教。這些頭銜之間應該用連等號，還是加號，或者乘號——不同的運算符合將決定最後得到的那個數值，一個可以被量化的龍宇清。但是不著急，他足夠年輕，衝勁十足。腦子裡有無數想法。

近期，谷歌的DeepMind團隊開發的一款教會自己打十幾款經典街機遊戲的軟體，使用分散式深度遞歸網路（DDRON）解開了著名的紅藍帽子謎題：一百名囚犯依次排隊，每人戴一頂藍帽子或者紅帽子，每人都可以看到前面所有人的帽子，但看不到自己以及後面的帽子。從隊尾開始，獄警要問每個囚犯自己帽子的顏色。在排隊前，囚犯們獲准可以一起商量，設計出一套回答問題的方案。為了破題，DeepMind的這款軟體把每個囚犯塑造成一個獨立的智能代理，每個個體都知道自己能看見的帽子顏色，各自決定怎麼告訴別人，然後再使用共同的信息得出答案。一開始，所有代理都沒有獲得任何實現設定的通信協議，但每個代理都能夠學會解決基於通信的協作任務。因此，為成功地通信，首先必須自動開發出他們自己的通信協議並在相互間達成https://read.99csw.com一致。最後，成功解決問題。

「那對不想學習的人呢？」

用手機掃一下某道學習題，就能立即得出這道問題的答案——龍宇清致力於編寫這樣一個程序，用來幫助學生學習。直接給答案不就是等同於幫助抄襲嗎？面對我的質疑，龍宇清給出了「社會效率說」。

IBM的人工智慧問答機器Wason由90台IBM伺服器和360個計算機晶元驅動組成，是一個有10台普通冰箱那麼大的計算機系統。在2011年美國的智力競賽節目《危險邊緣》中，Wason成功打敗了其他兩位史上最成功的選手。2012年，Watson進入醫學院，按照當時《紐約時報》的說法，Watson在克利夫蘭醫學院開始了它的醫學生涯。

那麼問題來了。現階段，計算機學習能力進展到哪一步了？

我花了一秒鐘想象這個場景，「呃，這不是和淘寶上的客服一樣嗎？」

但是IBM也有他們的說法。他們說Watson的焦點已經不在這樣的比賽，而是轉向真實世界的應用，比如Watson現如今在臨床醫學以及其他各個領域上應用，的確在很好地幫助人類走進更美好的未來。焦點不在考試，這話無論對於人工智慧還是對於人類，都同樣有效。

除了深度學習的演算法，其他計算機演算法也是基於類似動物神經元，可相互分享數據並作出計算的演算法。今天的神經網路實質上還是使用二十世紀八十年代初期的演算法。學習識別一個物體，計算機可能首先需要成千上萬張帶有標籤的樣本，還需要進行監督式的教導，而人類只需要少量樣本且可能不需要監督。

我們是在APEX創新者大會的一場講座上認識的。那個講座的主題恰好是「學習的革命」。演講者在台上展望未來遠程學習的同時，我們在下面熱烈交流著如何在互聯網上幫助學生解答問題。如果以作業一定要獨立思考完成為原則，那麼你可以將他正試圖編寫的程序叫作「作弊程序」，也可以簡單粗暴地將幫助學生回答問題的手機，稱為作弊機。