推薦序

從科學(xué)思考到科學(xué)思維

吳軍
計算機科學(xué)家，《智能時代》作者

我非常榮幸能有機會為圖靈獎獲得者楊立昆博士的新書《科學(xué)之路：人、機器與未來》撰寫序言。

楊立昆博士因為在深度學(xué)習(xí)方面的杰出貢獻獲得了2018年度的圖靈獎，他的大名在中國的計算機科學(xué)界和企業(yè)界幾乎是家喻戶曉。他的這本結(jié)合了自傳和科普的新書非常值得一讀，無論是學(xué)術(shù)界，工業(yè)界的人士，還是普通讀者，讀了之后都會獲益良多。

在《科學(xué)之路》一書的自傳部分，楊立昆博士介紹了自己求學(xué)和科研的經(jīng)歷。他的求學(xué)經(jīng)歷和對教育的理解在當下對中國家長非常具有啟發(fā)意義。楊立昆是法國人。在法國，如果要想成為任何一個領(lǐng)域的精英，通常要進入招生人數(shù)非常少的高等�？茖W(xué)院（grandes écoles，也被稱為大學(xué)校），比如做科學(xué)家和工程師就需要進入巴黎高師或者巴黎綜合理工這樣的精英學(xué)校學(xué)習(xí)。而為了考入這些錄取率極低的學(xué)校，又要花兩年左右的時間先學(xué)習(xí)大學(xué)預(yù)修課程備考。我想如果一個中國家長在法國，會讓孩子去走這條路。但是楊立昆卻走了一條與眾不同的求學(xué)道路，他高中畢業(yè)后就直接進入了一所名氣不算太大的大學(xué)巴黎電子工程學(xué)院（ESIEE）學(xué)習(xí)。楊立昆做出這樣的決定有兩個原因。其一，這所大學(xué)不需要參加預(yù)科課程的學(xué)習(xí)和考試就能直接申請；其二，在這所學(xué)校他可以獲得更多的學(xué)習(xí)自主權(quán)。楊立昆講，他用自己的經(jīng)歷證明了通過激烈的考試競爭進入名校，不是科學(xué)成功的窄門。

楊立昆在人工智能領(lǐng)域的研究生涯，可以追述到他在大學(xué)時廣泛地閱讀課程之外的經(jīng)典科學(xué)著作。在他讀書的年代，人工智能是一個熱門但是發(fā)展并不成熟的研究領(lǐng)域。楊立昆對此有非常大的興趣，并且閱讀了包括喬姆斯基等人在內(nèi)的很多科學(xué)家的論著，特別是前蘇聯(lián)偉大的數(shù)學(xué)家、公理化概率論的奠基人柯爾莫哥洛夫等人的著作，這為楊立昆打下了堅實的數(shù)學(xué)基礎(chǔ)和計算機科學(xué)理論基礎(chǔ)。從大學(xué)開始，楊立昆就沉溺于人工神經(jīng)網(wǎng)絡(luò)的研究，并且敏銳地注意到這個研究領(lǐng)域一個新的技術(shù)方向神經(jīng)網(wǎng)絡(luò)的反向訓(xùn)練。后來他進入到當時的巴黎皮埃爾-瑪麗-居里大學(xué)（今天的索邦大學(xué)）攻讀博士學(xué)位，并且反向訓(xùn)練上取得了卓越的成績。他的成果很快就有了法國一家公司買單，而且讓他得以進入當時學(xué)術(shù)氛圍非常自由的貝爾實驗室工作。楊立昆用自己的經(jīng)歷告訴我們，接受教育重要的是獲得知識本身，而不是獲得名校的光環(huán)。在以后的學(xué)術(shù)生涯中，楊立昆一直保持這種特立獨行的做法，特別是在全世界都不看好人工神經(jīng)網(wǎng)絡(luò)這個研究領(lǐng)域的時候，投身到這項研究當中。

楊立昆進入貝爾實驗室時，正趕上那個曾經(jīng)的世界科學(xué)殿堂后的輝煌時期，但是很快這個龐大的實驗室就解體了。所幸的是，楊立昆得以在紐約大學(xué)擔任了教職。不過，當時正趕上人工神經(jīng)網(wǎng)絡(luò)研究的低谷，雖然楊立昆堅信這項技術(shù)會在圖像識別大放光彩，并且設(shè)計出一個簡單的人臉識別系統(tǒng)，但是他的成果并沒有引起太多科學(xué)家的重視。在從2003到2013大約十年的時間里，楊立昆和他曾經(jīng)的領(lǐng)路人辛頓等人一直在默默地從事著各種人工神經(jīng)網(wǎng)絡(luò)算法特別是卷積網(wǎng)絡(luò)算法的研究。他們的成果當時并不引人矚目，但是正是這些研究成果，奠定了今天深度學(xué)習(xí)算法的基礎(chǔ)。2013年之后，隨著并行計算的進步和數(shù)據(jù)量的增加，以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)突然在很多應(yīng)用領(lǐng)域顯示出巨大前景并且在一個又一個應(yīng)用中，比如人臉識別，語音識別，機器翻譯，計算機博弈，取得驕人的成績，楊立昆等人的工作一下子被全世界所矚目，并且讓他和辛頓，本杰歐一到獲得了計算機科學(xué)領(lǐng)域的獎圖靈獎。

如果要總結(jié)楊立昆的成功經(jīng)驗，可以用這樣四句話來概括：
1. 求學(xué)是為了知識本身，而不是文憑；
2. 廣泛地閱讀高水平的專業(yè)著作，培養(yǎng)科學(xué)的品味；
3. 特立獨行，做自己感興趣的事情，即便那件事在短時間里不被人看好；
4. 長期的堅持。

《科學(xué)之路》一書的第二部分講述了基于深度學(xué)習(xí)的人工智能的原理。雖然楊立昆博士使用了一些公式，但這部分內(nèi)容依然通俗易懂。

楊立昆博士用幾個例子講述了今天人工智能的本質(zhì)，就是數(shù)學(xué)公式 計算能力 大量的數(shù)據(jù)。

首先，我們要將模式識別等問題轉(zhuǎn)化成數(shù)學(xué)公式。今天計算機的智能從實現(xiàn)的方式上講完全不等同于人的智能。但是，從結(jié)果上講，和人的智能等價。你可以認為這是兩種道路殊途同歸。楊立昆博士用了一些典型的模式識別的例子告訴我們?nèi)斯ぶ悄苁侨绾螌崿F(xiàn)的，讀著朋友即便對里面的公式細節(jié)不感興趣，也能體會到人工智能和人的智能之間的不同。不過，計算機在獲得智能的方法上，有一點和人是相同的，那就是從觀察到的現(xiàn)象中總結(jié)出規(guī)律，然后用規(guī)律再來預(yù)測現(xiàn)象。楊立昆在書中舉了伽利略研究速度的例子，他通過觀察找到了物體運動的規(guī)律并且將它變成了數(shù)學(xué)公式，然后再把這個公式應(yīng)用于計算各種運動物體的速度。機器學(xué)習(xí)也是如此，只不過機器學(xué)習(xí)的公式不那么直觀。

接下來，就需要獲取數(shù)據(jù)，供計算機進行學(xué)習(xí)。在任何人工智能的應(yīng)用領(lǐng)域，原始的數(shù)據(jù)，比如圖像本身是無法直接提供給學(xué)習(xí)，這中間要進行一個轉(zhuǎn)化。這個轉(zhuǎn)化的過程被稱為特征提取，簡單地講，就是講真實世界的目標對象轉(zhuǎn)化中計算機能夠讀懂的數(shù)據(jù)。楊立昆博士用模式識別的例子說明了特征提取是如何進行的。當然，如果讀者朋友不想關(guān)心具體的步驟，至少需要明白一點，那就是計算機學(xué)習(xí)需要大量的數(shù)據(jù)。

當數(shù)據(jù)量大了之后，就需要數(shù)學(xué)模型足夠復(fù)雜才能反映出大量數(shù)據(jù)之中所包含的各個細節(jié)。雖然奧卡姆剃刀原理通常很有效，但是在機器學(xué)習(xí)領(lǐng)域并非如此。事實上，過去基于人工神經(jīng)網(wǎng)絡(luò)的機器智能水平之所以不高，就是因為那個網(wǎng)絡(luò)過于簡單。因此，楊立昆等人提出了更為龐大而復(fù)雜的深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)。于是這就有遇到了第三個問題，計算能力的問題。楊立昆博士對這部分內(nèi)容沒有做太多的論述，畢竟這部分工作主要是由Google，F(xiàn)acebook和亞馬遜等公司工程師完成的，而非是科學(xué)家關(guān)注的重點。

《科學(xué)之路》一書的第三部分講述今天人工智能的各種應(yīng)用，從語音和圖像識別、自然語言對話系統(tǒng)，到無人駕駛汽車和醫(yī)學(xué)影像識別。這些名詞大家都不陌生，但是如果想了解其中的細節(jié)，楊立昆博士的講述既權(quán)威，又直白。

《科學(xué)之路》一書的第四部分，也是后一個部分講述今天人工智能的局限性，這包括技術(shù)上的不足之處，以及人工智能所帶來的社會風險。這部分內(nèi)容是各種介紹人工智能的書籍常常忽略的。楊立昆博士提醒我們所有技術(shù)革命都有其陰暗面，但是他堅信這些問題都能夠得到解決。他在書的后還談了一些有趣的話題，比如機器人是否該擁有權(quán)利，又該遵守什么樣的法律。

總的來講，這是一本全面介紹人工智能技術(shù)，兼顧科普和專業(yè)論著特點的宏篇大作。其中有價值的部分是楊立昆博士作為深度學(xué)習(xí)算法的發(fā)明人之一，講述他如何思考機器智能的問題，如何將這種現(xiàn)實世界里的具體問題，轉(zhuǎn)化為計算機能夠處理的問題。從這個角度上講，它又是一本教科書，教大家如何思考科學(xué)問題。我相信通過閱讀這本書，各個層次，不同背景的讀者朋友都會有巨大的收獲！