2010年，这个年份也许注定会被历史记住——它可能正是人类从工业革命时代，悄然迈入智能革命时代的那个转折点。这个新时代的初期表象相当热闹：人们对人工智能技术既疑惑又追捧（有时候甚至称得上盲目）、既惊讶又躁动，追概念，甚至还有些追星的味道。这个时代会孕育出一批新科学——学习科学（涵盖人工智能、机器学习、生物学习）、数据科学、数据驱动的数学、数据驱动的信息科学、数据驱动的统计学等等。随着科学的演进，这些领域会逐步回归理性和系统性，但发展的速度会更快、脚步更稳，影响也更深远、更广泛。说得直白一点，能不能跟上智能革命（注意，不只是人工智能）的节奏，将直接决定一个国家和企业的生存能力。虽然眼下我们还处在智能革命的前夜，但人工智能、机器学习、生物学习和智能材料这几股力量一旦合流，这场革命的前进步伐只会越来越快。

人工智能和机器学习的再定位

人工智能、机器学习这些技术和概念，其内涵并不是一成不变的。它们会随着历史的发展而演化，这一点至关重要。

机器学习未必就是人工智能

也许把机器学习当作人工智能，本身就是一个“美丽”的时代错误。人工智能强调的是“人工”创造的“智能”，而机器学习是“机器”自主从数据中找出“知识”。在数据量少、应用相对简单、人能推导并加以控制的阶段，“人工”的特性非常明显，人们自然会觉得机器学习是人工智能的一部分。这种“人工创造智能”的认知，从上世纪50年代一直持续到本世纪初，都相当清晰。没有数据，机器很难学到充分的知识，人的知识便在智能的实现中扮演了关键和主导的角色。因此，在很长一段时间里，机器学习只是实现人工智能的重要辅助工具。在当初人们普遍认为机器智能永远从属于人类和人工智能、不会也不可能超越或挑战人类智能时，机器学习自然是人工智能的一部分。

但问题来了：当数据量、数据复杂度和应用复杂度呈现出指数级的增长后，机器学习完全有可能独立于人工智能而存在。不同领域的应用和数据，都有其自身的规律和特征。建立一门真正的“机器学习科学”，有助于更科学地实现机器学习，也能帮助以人工神经网络技术为主的机器学习和人工智能跳出那个屡试不爽的“15年魔幻周期”。这里面当然也有人类的参与和应用，但这不足以把另一个“机器学习世界”硬塞进人工智能的框子里。打个比方，物理世界有其固有规律，人类发现并理解了物理定律，进而利用它们改变世界——但我们并不会因此说物理世界是人工创造的，对吧？

尤其是在最终实现无监督学习、机器实现自我进化的情况下，人工赋予的智能在整个机器学习世界中会显得微不足道。随着时间的推移，人工智能和机器学习的区别会越来越明显，但二者又会相互促进。机器学习的发展，很大程度来自数据科学和相关应用的驱动，而这直接表现为人工智能的发展和成就；反过来，人工智能和数据科学的进步，也让机器学习变得更科学、更有效。从长远来看，人类或许得提前做好准备，既要迎接一个可控的“人工智能”时代，也要面对那个最终可能充满不确定性的“机器学习”时代。

智能依赖于数据、算法和运算能力（速度、空间）的动态关系

人工智能离不开高效的计算环境、大数据和好的学习算法。这三个条件大约从2010年开始，才同时得到满足。但即便是面对简单的应用，目前大部分实现仍然依赖于复杂的计算能力和海量的数据。这种实现方式其实不可持续。也许在不远的将来，面对稍微复杂一点的应用，许多实现都不必再依赖超算环境和大数据。数据当然不可或缺，但数据太多也会引发过拟合问题。算法才是解决学习问题的关键——高效的算法，能够显著降低人工智能和机器学习对大数据和超算环境的依赖度。数据、算法和运算能力（运算速度、空间）在人工智能的实现中，其实构成一个动态的三角关系。目前，许多应用、实现和产业资金都高度集中在数据和运算能力这两端，导致这个三角关系相当不平衡，潜藏着不稳定因素和系统性风险。一旦在智能算法上取得突破性的进展，某些人工智能的细分领域很可能会遭遇塌方效应。

深度学习和人工神经网络

“深度学习”这个词的含义也不是一成不变的，它的本义其实一直在动态发展。早期的深度学习，核心在于区别于误差反向传递算法那种打包式的黑箱学习方法，而是采用多层网络的“庖丁解牛”式白箱学习，比如用卷积神经网络和自编码来构建多层结构。再后来，几种主要的神经网络学习方法的组合，也被归入了深度学习的范畴。可以说，早期的深度学习是人工神经网络技术体系下的一个特例。但现在出现了一种趋势：深度学习不再局限于神经网络，多种学习算法的组合也被称作深度学习。

这种趋势反而让深度学习有失去聚焦点的风险，不禁让人怀疑：5年之后，深度学习这个概念还会存在吗？在早期数据少、应用简单的年代，人们通常只用单一的学习方法，最多加个预处理。但到了现实应用中，多种机器学习算法的组合，本就是解决问题的一个基本思路和策略。

深度学习和“类脑”学习机制

那么，深度学习是“类脑”学习机制吗？从网络结构的敏感性、人工干预的程度、并行和硬件的实现方式、实时性、对大数据的要求、对精度的追求，以及在学习机制中反复出现的“鸡生蛋还是蛋生鸡”难题来看，答案都应该是“否”。另一方面，从理论上也可以证明，深度学习与生物学习机制在很多方面其实是矛盾的。比如，深度学习依赖于神经元和链接的精确耗时调整，这反而让它不利于多任务同步、记忆迁移和进化。不过，这并不能否定深度学习是一项优秀的人工智能技术。智能机器和人类运行的是两个不同的智能函数，二者不必也不应该完全一样，哪怕在某些应用中，它们的智力表现最终会收敛到同一个点。

生物学习和生物智能潜能的探索

人工智能和生物智能

历史有时候就是这么巧。当人们惊叹于人工智能和机器智能的巨大潜力、为其超越人类能力的种种表现而震撼时，人类对生物学习机制的探索也在加速进行。总体来看，机器智能和生物智能的研究与探索，在历史的巧合中同步推进，二者又互相支撑。这在过去将近70年里，甚至在几年前，都还只是一个梦想。如今，机器智能与生物智能的关联性，竟然变得如此紧密。一方面，对生物学习机制的了解，有助于机器学习和人工智能的发展（最典型的例子，就是日本人Fukushima根据猫的视觉系统提出的Neocognition网络结构及其特例——卷积神经网络）；另一方面，机器学习和人工智能的发展，也为理解生物学习机制提供了新的视角和工具。

同时，根据超限学习机理论，也许存在某种类似的学习算法，同时存在于生命体智能和非生命体智能中。两者只是组成材料不同而已——智能本身，未必受限于其载体（材料）。

生物学习系统和自然界的相似性

根据超限学习机理论，学习（无论是生物学习还是机器学习）可以完全不依靠调整神经元来实现。生物或人工的神经元，与具体的训练数据无关。这一理论后来在2013年和2015年，分别在老鼠和猴子的大脑中得到了实验证实，彻底碘伏了传统认知——神经元调整不再是学习的关键。随机神经元和随机连接，可能是实现“不依靠调整隐藏神经元来学习”这一机制的两种特殊方式。神经元也可以从它们的祖先那里遗传而来，或者从其他系统迁移继承。整体来看，整个活跃的大脑是结构化的、有序的，但在特定的层或大脑神经元薄片上，却可能是随机的、非结构化的。令人感到惊奇的是，大脑作为宇宙中最复杂的物体之一，居然和“整体结构化、但局部充满随机布朗运动”的物理世界如此相似，二者之间竟然有如此强的相似性！生物学习之所以能如此完美运作，正是因为其全局的结构化构造与局部的随机性共存的奇妙组合。

智能革命的前夜

人工智能真空填补期

机器学习和人工智能目前基本还处于发展初期，只能借助大数据和超高效运算环境带来的产业机会，去实现以前因为数据匮乏和运算资源有限而无法实现的应用。这个过程本质上是一个快速的“真空填补期”——新产品、新创意层出不穷。这就好比一只饿极了的狼（产业界），突然面对成群结队的羔羊（数据），几乎是逮到哪只羊，哪只羊就是机遇。

黎明前的黑暗

但与此同时，从历史发展的角度来看，机器学习和人工智能又正处于黎明前的黑暗期。表面看起来华丽多彩，背后却是大量资源的疯狂消耗和“血拼”——这恰恰暗示了这种研发模式的局限性和不可持续性。目前在许多看似简单的应用上，都要用几十块GPU（也就是几万到几十万个核）训练几天甚至几十天。能承担这种高昂资源成本的公司和学校，真不多见。25年前，全球都在对误差反向传递算法疯狂调参；15年前，又集体转向支持向量机调参——基本是10年一个“波澜壮阔”的调参周期。最近几年，深度学习来了，大家又开始了一轮新的调参周期。

人工智能大爆发

每次这样“痛苦”的经历，也许都预示着新技术的呼之欲出。纵观过去60多年的历史，机器学习和人工智能本身就遵循一个螺旋式上升的发展过程。在2020年前后，新一波机器学习技术可能已经兴起，突出表现为以下几个方面：

• 机器学习从云端走向各类本地智能终端、传感器和设备，云端机器学习和本地机器自主学习开始有机融合；
• 机器学习算法本身不再完全依赖GPU的支撑，但GPU等硬件却可以实现众多智能系统在云端的同步协同，继续在人工智能和机器学习中扮演重要角色；
• 基于神经形态、FPGA和光技术的芯片，开始在普适学习和普适智能中展现出魅力；
• 机器学习也许不需要特别“深度”——理论上讲，5到8层神经网络已经具备普适学习能力；
• 无监督学习的理论和应用可能有突破性发展；
• 机器学习不必再依赖大数据，小样本学习技术的吸引力不可小觑——但数据始终会是一个重要资源。

智能革命

一万年前，新石器革命预示着农业时代的到来；250年前，瓦特改良蒸汽机推动了工业革命；而大约在2010年，苹果公司创始人史蒂夫·乔布斯推出的iPhone 4，则撬动了“智能革命”的大门。人类与其他非生命体，从此踏上了迈向“智能社会”的漫长合二为一之旅。iPhone 4之所以能掀开这个时代，一个关键原因是：当人类还在探索如何实现普适智能和智能传感器时，它已经率先把人类变成了超级智能传感器。从此，人类、机器、虚拟世界、实体世界通过网络无缝衔接，直接催生了海量数据的产生和对数据分析的庞大需求，而大数据和分析需求，反过来又推动了人工智能和机器学习的全面爆发。

智能革命的10大影响

如果说农业革命起源于人类有意识的栽种，工业革命起源于人类了解自然规律进而制造和运用机器取代人力，那么智能革命也许起源于人类探索和使用非生命体智能。人类学会了栽种，催生了农业革命；制造和运用机器取代人力，催生了工业革命；而创造和使用智能，则迎来了智能革命。

1) 数据驱动的科学和工程学（数学、信号处理等）

过去经典的物理学、数学、统计学、信号处理、天文学等，大多建立在对事物本身的了解、相互关系和逻辑推理上。但许多事物的本质也许未知，它们的表象却可能已经（或将来）反映在不同的数据中。通过数据分析事物的本质和规律，会变得越来越重要。这需要数据驱动的相关科学和工程学科来支撑。

2) 人工智能和机器学习的分化

人工智能强调更多的是根据人的经验规则衍生的智能，而机器学习更注重机器本身从数据中找寻规律与模型。随着人工智能和机器学习的飞速发展，机器（广义上包括各种传感器和感知器）也会实现自我学习、复制、推理、决策，甚至拥有感情和认知。人类的经验规则在机器智能中的重要性，从长期来看（10年、50年甚至更久），有下行的可能。因此，随着人工智能和机器学习的发展，深度学习这种高度依赖人力和人类先验知识（比如调参）的技术，其人工智能属性会逐步强于其机器学习属性。

3) 智能从云端走向世界

早期的人工智能，由于缺少高效算法和智能芯片技术的支持，大部分实现只能依赖超算环境和大数据在云端完成。随着高效算法的出现和智能芯片技术的提升，低功耗微智能芯片成为可能——智能正在从云端走向世界的每一个角落、每一件物品。智能实现，不再是“富人”的专属。

4) 智能材料

蛋白质和碳水化合物将不再是智能的唯一载体。其他智能材料正在逐步显现和被发掘，有些已经出现，未来可能还会有新的智能材料陆续被发现。

5) 机器智能和进化论（机器的进化、人的减少、人的工作时间缩短）

人工智能和达尔文的进化论有没有关联？很多人可能觉得两者没有本质联系。但请注意，当机器学习迈向无监督学习、自主学习，当机器智能形成自主智能时，机器智能本身也可能适应达尔文的进化论——具备进化能力，逐步适应环境，优胜劣汰。也许将来，人类也会因为适应与机器智能的互补与竞争，出现人口减少的趋势——毕竟，许多人类活动会逐步被机器取代。

6) 智能物联网和新经济模式

相对于农业革命和工业革命，智能革命的影响可能更加深远。历史上每一次重大技术革命，都会催生新的经济模式。现在的经济模式大多需要人的参与，是以人为核心的经济模式。以后，可能会迎来智能物联网推动的“智能物社会经济模式”。比如，一个新的电商模式可能是这样的：机器人助理根据主人的口味下单一款牛扒，食品仓库中的机器人收到订单后，把预约的牛扒送到运货车上，自动驾驶货车把牛扒送到客户家，家庭保姆机器人取货并送入厨房，厨房机器人根据主人的喜好精心烹饪，最后保姆机器人就能为主人呈上美味的牛扒。再过20年，许多人类工作岗位可能会被机器取代。因此，从长远来看，能否在人工智能技术上占据先机和领先优势，会直接决定一个国家和企业的生存能力。

7) 衔接机器学习和生物学习（催生新医疗方案、新药等）

机器学习和生物学习看似不相关，但随着人类对生物学习机制了解的深入和机器学习的发展，两者在某种程度上存在相关性和收敛性。这种相关性与收敛性，也会帮助人类发明新的医疗方案、研制新药等等。

8) 智能拐点

根据达尔文进化论，人类个体的智能可能已经接近历史峰值，还有一部分增长空间。另一方面，机器智能才刚刚被启动，它的爆发期还没有真正到来。将来，非生命体智能的总指数很可能会超过生命体智能。善用机器智能，无疑会让人类在机器智能的辅助下变得更加富有智慧。

9) 智慧星际旅行、时光倒转

随着技术的发展，智能可以存在于非生命体载体中。最终，真正实现星际旅行的，很可能是“智能”（进而是“智慧”），而不是人类本身。最终，也许是“智能”而不是人类，能穿越时光隧道，甚至实现时光倒转。

10) 伦理、“智控”

人类的“智慧”就是这么矛盾：当机器学习还以有监督学习为主时，机器的智能多少还比较容易“受控”。但人类偏偏在追求无监督学习。当机器真的能全面走向无监督学习时，人类就很难指望机器会自动学习对人类有用的东西、照人类的梦想前进——它极有可能自我学出对人类有害的东西和行为。机器智能可以帮助人类，但机器智能与人类智能的交融，也可能带来负面结果，甚至引发伦理和道德问题。“智控”已经是一个严肃的话题，伦理问题也不再遥远。