大数据-人工智能的核心算法，看完只能惊叹！

在硅谷进行了30年人工智能研究的皮埃罗认为，时至今日，人工智能领域的主流技术，在本质上仍然是图灵机的架构，经过几十年的发展，其最大的变化是硬件速度与性能的提升，在算法逻辑上并没有根本性的革新与改变——将更多的高性能处理器连结起来，给了神经网络更大的空间来模拟大脑的思维。而不断降低的硬件价格和不断提升的硬件性能，也让暴力计算成为了最近比较流行的猫脸识别、AlphaGo等人工智能成果的基本算法。

尽管人们都在竭力吹捧人工智能，但在我看来，机器的“智能”程度甚至不及大多数的动物。最近，一项有关神经网络的实验被誉为举足轻重的成就——一台计算机经过120万张图片的训练最终成功地识别出了视频中的猫（至少好几次）。那么你知道老鼠学习认识猫需要多长时间吗？而且你要知道计算机采用的是目前可能最快的通信技术，而老鼠大脑中的神经元却依然沿用着老旧的化学信号方法。

神经网络最早的应用之一就是识别数字。60年过去了，我存款时，还经常遇到银行的ATM机无法识别支票上的金额的情况，但人却不费吹灰之力就能做到。雷·库兹韦尔因为发明了“光学字符识别”（OCR）技术获得盛赞（言过其实），这项技术可以追溯到20世纪50年代a。即使购买最昂贵的OCR软件，并将它用于最简单的场景——识别书籍或杂志上排版最为规则的页面，这些软件也可能会犯下一些人绝对不会犯的错误。然而，更有意思的是，你将页面稍微折一个角，再让软件试着识别：人仍然可以顺利地读取文本，但是市场上那些最先进的OCR软件可能会因此“发疯”。

出于同样的原因，目前能够读取潦草的手写字体的机器尚不存在，尽管20世纪90年代带有手写识别功能的设备就已经面世（GO公司的PenPoint，苹果公司的Newton）。大多数人甚至不知道他们的平板电脑或智能手机也具备这样的功能：因为错误百出，鲜有人问津这个功能。然而，人类（甚至不那么聪明的人）通常却可以不费吹灰之力甚至毫不费力地阅读其他人的手写体。

我们的四周经常充斥着机器人胜任各种人类工作的报道，只是大部分的成果都徒劳无功。2013年4月，美国国家航空航天局（NASA）行星科学家克里斯·麦凯（ChrisMcKay）在与我的交谈中，对目前正在进行的无人火星探测任务评价道：“好奇号在200天的探测中完成的任务，一个人类专业研究者只需要一个下午就可以完成。”而好奇号已经是人类有史以来制造的最为先进的机器人探险家了。

现在“深度学习”人工智能领域的研究内容很简单，就是罗列大量的数字进行运算。这是一种很聪明的大数据集的处理方法，由此可以为数据集分类。但这种方法无需通过颠覆性模式创新来实现，只要提高计算能力即可。

人类大脑每小时大约消耗20瓦能量。我估计以AlphaGo1920块处理器以及280块图形处理器的配置，每小时的耗能可以达到440千瓦的水平（这其中还不包括训练过程中消耗掉的能量）。但除了下围棋，AlphaGo还能做些什么？答案是什么事都做不了。而人类除了打游戏之外，还能完成做饭、洗车等无数的事情。AlphaGo消耗440千瓦能量只能完成一件事，而人类只消耗20瓦能量则能做无限多的事情。如果一个人使用比你多20000倍的资源，却仅仅做了一件事，你到底该怎样定义这类人？所以说AlphaGo所做的事情只能被称为“愚蠢”而非“智能”。如果设定人和AlphaGo都只能消耗20瓦能量，试想一下谁会赢。如果机器需要消耗440千瓦才能下围棋，那么完成其他那些围棋大师只靠自身大脑就能完成的事情，譬如开车、做饭、公园慢跑、阅读新闻、与朋友聊文学等，将耗费多少能量？假如机器达到与人类水平相当的能力，需要的机器数量会非常惊人，耗费能量的数量级可能会超过各国能耗之和——15万亿瓦，我们也许得搭上地球上几乎所有的材料，才能制造出这么多的机器。

来源：网络