1.2.7　当今智能世界

21世纪以来，随着大数据、云计算、物联网技术的发展，人工智能技术不再局限于算法的研究，而是已经融合到复杂系统之中，进行更加广泛的商业化应用。同时，算法的研究也更加智能和深入，产生了具有自学习能力的深度学习算法。因此，本文将对复杂系统的前世今生做简要的介绍，并对人工智能热点之一的深度学习中主要的算法和成果进行总结。

1．复杂系统

亚里士多德曾经说过：“整体大于部分之和”。世界本身就是纷繁复杂的，从古至今，人们一直试图理解复杂系统，从而解开世界的奥秘。科学探索就是发现隐藏在复杂、混乱状况后面的规则与模式，把纷繁复杂的“复杂事物”变成相对简单、容易理解的“简单事物”。著名物理学家霍金说过：“我认为下一个世纪会是复杂性世纪。”他预言，21世纪科学家们将花费大量的时间和精力去研究复杂性理论，从而解决现实生活中的复杂系统问题。

20世纪复杂性研究思潮主要包括整体论阶段、信息论—控制论与系统论阶段和全新的阶段。

1）整体论阶段：20世纪30—40年代

整体论强调，复杂事物是由多个部分组成的整体，而整体大于部分之和。或者说，整体具有组成部分所没有的东西，把各组成部分机械堆积在一起并不是整体，不能产生该事物，也不能解释该事物的性质和行为。

整体论与还原论不同，还原论强调事物的整体行为，可以归结为组成部分（元素）行为的综合，而“强”整体论则认为，在系统的组成元素里没有系统的整体新性质，“弱”整体论认为复杂系统的整体特性是在它各部分的相互作用中产生的。

2）信息论—控制论与系统阶段：20世纪50—60年代

维纳以反馈控制、信息论、计算机及神经科学等多学科融合的方法，综合研究各类系统（人、动物与机器）的控制，信息交换和反馈调节，看重研究过程中的数学关系，并由此提出了控制论，这个复杂性研究带来了全新的视野。香农的信息论，用无序性（熵）的减少来解释系统组织化的复杂性。控制论，指明系统是怎样感知外部世界信号、识别目标、探测现状与目标之间的差异，以减少和消除差异的。

信息论—控制论—计算机，从机理的角度对复杂系统的性质提供了还原论的解释，研究了复杂系统向目标演变的内部成员的行为。系统论、人工智能和机器人研究获得了新的动力。

系统论的创立者是美籍奥地利生物学家贝塔朗菲（Ludwig von Bertalanffy, 1901—1972）。1945年，他在《关于一般系统论》书中指出，系统论是关于综合系统及其子系统的一般模式、原则和规律的理论体系，它强调整体性、统筹全局的最优性、整体与部分统一的综合性。

1950年，冯·诺依曼提出了具有自我复制能力的细胞自动机，它是研究具有繁衍（复制）能力的复杂系统行为的最初理论框架。

3）全新的阶段：复杂巨系统

20世纪70年代以来，科学迅猛发展，人们更执着于研究事物的复杂性。伴随着人工免疫系统（1986年）、人工生命（1987年）的研究，到1996年，西蒙把层级理论作为复杂系统理论的基础，复杂性与复杂系统的研究进入了一个新的阶段。

1990年，我国著名科学家、工程控制论开创者钱学森大力倡导“开放的复杂巨系统”研究；1992年提出了“综合集成研讨厅”的理论框架，采用“从定性到定量的综合集成技术”，把人的思维和思维成果、人的知识和智慧以及各种信息集合起来，构成“大成智慧工程”。复杂巨系统包括人脑系统、人体系统、我们生存的环境与生态系统、社会系统以及国际互联网系统（见图1-34）^[24]。

钱学森院士高瞻远瞩，早在1990年就提出把互联网系统纳入复杂系统研究。互联网系统是具有网络智能的、世界最复杂系统，它能把数以千亿的用户和复杂的社会系统结合在一起。

1994年，戴汝为院士的研究团队积极投入到复杂巨系统研究。戴汝为院士认为，复杂巨系统具有以下主要特性。

开放性：系统与外部以及子系统之间，都存在着能量、信息和物质的交换。复杂性不仅表现在系统本身，还突出体现在与动态环境的交互作用及不确定性。

多层次性：整个系统的层次很多，子系统或组件的组成模式也多种多样。

涌现性：组成系统的组件通常是分布式或时空交叠的，其功能各不相同。相互作用方式以及随时间的变化的不确定性，导致在整体上时而涌现出独特的、新的性质和作用模式。

巨大性：系统的子系统或基本单元的数目极其巨大，可能成千上万甚至数以亿计。

人-机结合：巨系统中，人表现为特殊的高级智能组件，能处理目前机器智能尚不能完成的功能。人机结合使得有可能把某个领域专家，甚至多个学科领域专家的知识、经验结合起来，融入巨系统。

2．深度学习

21世纪以来，深度学习技术更加受到人工智能研究人员的青睐。深度学习是机器学习的一种，它的核心与神经网络相关。如同机器学习一样，深度学习主要依赖于大量数据和数据标注。它是能够使计算机系统从经验和数据中得到提高的技术，具有强大的能力和灵活性，从而将大千世界表示为嵌套的层次概念体系。

在神经网络复兴和机器学习发展的基础上，深度学习技术^[34]发展得到了极大的推进。20世纪80年代到21世纪初，计算机硬件和分布式技术快速发展，杰弗里·辛顿（见图1-35）在2006年提出了深度学习概念，开发了深度信念网络（deep belief net，DBN）算法，并得以广泛地应用于并行处理器上。

该算法具有的快速学习训练方法取得了惊人的成果，打破了长期以来深度网络难以训练的僵局。从此，媒体开始追踪报道深度学习领域取得的各种成果。不过，深度信念网络仍存在一定的局限性，它需要在一个固定的维度进行。然而，不论是语音还是图像，并不是在一个固定的维度出现。

在处理图像方面，卷积神经网络技术起到了极大的作用。1984年，日本学者福岛邦彦创立了卷积网络理论，并构建了原型神经感知机。1998年，杨立昆成功建立了深度学习常用模型之一的卷积神经网络（convoluted neural network, CNN）。21世纪以来，研究者们将该方法应用于图像处理。2012年，NIPS会议上辛顿研究组发表了论文《深度卷积神经网络下ImageNet分类》（ImageNet Classification with Deep Convolutional Neural Networks），将图像中对象分类的错误率降低到了18%，并且在处理2000亿张图片的能力上远超于传统的计算机视觉技术。该论文的发布堪称深度学习神经网络领域的里程碑事件。此后，该技术受到了各大公司的关注。2013年，辛顿加入了谷歌公司，杨立昆也去了Facebook公司。

2011年开始，深度学习成为了科研机构、科技公司、工业界高度关注和发展的方向。图像识别、语音识别、机器翻译、情感分析、人机对抗等领域全面发展，其中最让世人关注的便是2017年深度学习网络程序AlphaGo毫无悬念地击败了围棋世界冠军柯洁。谷歌的DeepMind公司研发的AlphaGo采用了改进后的蒙特卡罗算法，并通过自我对弈增强自身学习效果（即“强化学习”，详见1.3.6节），它对15万场比赛进行学习。AlphaGo具有两个不同神经网络的“大脑”，它们相互合作进行下棋，它们都采用了多层神经网络，去过滤处理围棋棋盘的定位，通过13个完全连接的神经网络层进行分类和逻辑推理，最终产生对棋盘的局面判断。AlphaGo的成功象征着计算机技术已进入了人工智能的新信息技术时代，计算机的智能正在接近人类智能。此后，谷歌DeepMind首席执行官戴密斯·哈萨比斯宣布“要将阿尔法围棋（AlphaGo）和医疗、机器人等进行结合”，而不仅作为一个游戏工具，它所具备的自主学习的能力，能够将它所需的数据进行学习和移植。

我们可以看到人工智能技术的演进经历了漫长的发展时间，多次起起伏伏，最终仍能够一步步地呈螺旋状上升发展（见图1-36），如今人工智能技术的发展正处于稳定爬升期。人工智能技术在各领域的应用成果也层出不穷，下节将围绕人工智能技术在当今最新应用的几个方面进行介绍。