符号AI有两个主要问题。一是非常耗费人力和时间，二是只有在规则和定义非常清楚的领域才能有用：比如数学或国际象棋。使用符号AI做机器翻译效果极差，因为语言虽有规则，但复杂多变，并且还有很多例外。但对于数学和国际象棋来说，符号AI工作得很好，而符号AI的支持者也认为，没有什么比数学和国际象棋更能代表“通用智能”。

1961年一部纪录片的节选，强调人工智能研究长期以来的观点：如果可以编程计算机模拟高阶认知任务（比如数学或象棋），就能沿着这种方法最终会开发出类似于意识的东西。来源：Roberto Pieraccini/YouTube/NYT

但符号AI系统能做的事情是有限的。20世纪80年代，CMU的一位机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一岁儿童做的事情几乎不可能，比如拿起一个球或识别一只猫。到20世纪90年代，尽管在国际象棋上取得了很大的进步，我们仍然离通用人工智能很是遥远。

关于AI还有一个不同的看法，这种观点认为计算机将从底层（数据）而不是从顶层（规则）学习。这个概念可追溯到20世纪40年代初，当时研究人员发现灵活自如智能的最佳模型就是人类大脑本身。说到底，大脑只是由神经元组成的，神经元之间可以相互通电（或不通电）。单个神经元并不重要，重要的是神经元的整体连接。这种简单的结构为大脑提供了很多优势，能够适应环境。大脑可以在信息很差或缺失的情况下工作；可以承受重大的损害，也不会完全失去控制；可以以非常有效的方式存储大量的知识；可以清楚区分不同的模式，同时又保留足够的混乱以处理歧义。

你可以用电子元件模拟这种结构，1943年的实验表明，简单的人工神经元网络可以执行基本的逻辑运算。这些电子元件至少在理论上，可以学习我们人类做事的方式。在生活中，我们会通过各种试错改变神经元对之间的突触连接的强弱。人工神经网络也可以做到类似的事情，通过不断试错，改变人工神经元之间的数字关系。人工神经网络不需要使用固定的规则预编程，它可以改变自身以反映所吸收的数据中的模式。

这种对人工智能的看法可以说是演化论而不是创造论。如果你想要一个灵活的机制，能够适应环境，你最开始就不想灌输它固定的规则。你可以从非常基本的能力——感官知觉和运动控制开始，希望更高的技能有机地出现。人类不是通过背诵字典和语法书学习理解语言，所以为什么要让计算机这样做呢？

谷歌大脑是第一个对上述想法进行商用投资的机构。Dean、Corrado和吴恩达（兼职）开始合作，立即就取得了进展。他们从最近的理论大纲以及自20世纪80年代和90年代的想法中吸取灵感，并利用谷歌无与伦比的数据储备和庞大的计算基础设施。他们将大量“标记”数据输入网络，计算机的输出不断改进，愈发接近现实。

“动物演化出眼睛是一个巨大的发展，”Dean有一天告诉我。我们像往常一样坐在会议室里，Dean在白板上画了一条繁复弯曲的时间线，表现Google Brain以及这个团队与神经网络的历史关系。“现在计算机也有眼睛了。我们可以以此为基础让计算机理解照片。机器人将得到彻底地改变。机器人将能够在一个未知的环境中，处理许多不同的问题上。”他们在机器人身上开发的这些能力可能看起来很原始，但其意义却是深远的。

2.多伦多大学教授Hinton成为谷歌的实习生

Geoffrey Hinton在谷歌多伦多办公室。他的想法为谷歌神经网络机器翻译方法奠定了基础。来源：Brian Finke for The New York Times

Dean表示，Google Brain成立后一年左右，开发具有一岁儿童智力的机器的实验取得了巨大的进展。谷歌的语音识别团队将其旧系统的一部分改为神经网络，并且效果得到很大提升，甚至取得了近20年中最好的成果。谷歌物体识别系统的能力也提高了一个数量级。这不是因为Google Brain团队成员在短短一年间产生了一系列超棒的新想法，而是因为谷歌终于投入了资源——计算机和越来越多的人力。

Google Brain成立的第二年，Geoffrey Hinton加入了，而吴恩达则离开（现在是百度首席科学家，领导1300人规模的AI团队）。Hinton当时只想离开多伦多大学在谷歌待三个月，所以由于各种原因，谷歌不得不被聘他为实习生。在实习生培训过程中，辅导人员会说“输入你的LDAP（及用户登录码）”，Hinton会举手问：“什么是LDAP？”在场所有二十几岁的年轻人，只知道人工智能的皮毛，都在想“那个老家伙是谁？为什么他连LDAP都不懂？”

Hinton说，直到有一天，有人在午餐时对他说“Hinton教授！我选修了你的课！你在这里做什么？”自此以后，再也没有人质疑Hinton作为实习生的存在。

几个月后，Hinton和他的两个学生在ImageNet大型图像识别竞赛中取得了惊人的成果，让计算机不仅识别出猴子，而且区分蜘蛛猴和吼猴，以及各种各样不同品种的猫。谷歌很快就向Hinton和他的学生提出了Offer。他们也都接受了。“我以为他们对我们的知识产权感兴趣，”Hinton说：“结果他们对我们这几个人感兴趣。”

Hinton出身于一个古老的英国家族。他的曾祖父George Boole在符号逻辑方面的基础工作为计算机专业打下基础；Hinton的另一个曾祖父是著名的外科医生，Hinton的父亲是一个热爱冒险家的昆虫学家，Hinton父亲的表哥在Los Alamos研究所工作，等等等等。Hinton先后在剑桥大学和爱丁堡大学学习，然后在卡内基梅隆大学读博士，最后到了多伦多大学，现在Hinton大部分时间都在多伦多大学。（Hinton的工作长期以来一直受到加拿大政府的慷慨支持。）我在Hinton的办公室访问了他。Hinton说话睿智诡异，比如“计算机会比美国人更早理解讽刺”。

Hinton从上世纪60年代末在剑桥大学读本科开始，一直致力于研究神经网络，也被认为是该领域的先驱。很长时间以来，每当Hinton说起机器学习，人们都用不屑的眼神看着他。神经网络一度被视为学术死路，主要是由于感知机（Perceptron）这个当时得到过度吹捧的概念。感知机是康奈尔心理学家Frank Rosenblatt在20世纪50年代末开发的一个人工神经网络。当时《纽约时报》报道，感知机项目自助者美国海军期望它“能够走路、说话、会看、会写，会生产（reproduce）自己，意识到自己的存在”。结果这些感知机基本都没实现。马文·明斯基（Marvin Minsky）在1954年普林斯顿的论文中以神经网络为研究主题，但他对Rosenblatt关于神经范式所做的夸张说法已经厌倦了。（明斯基也在争取国防部的研究资金。）后来，明斯基与MIT的同事合作出版了一本书，证明有一些非常简单的问题是感知器永远不能解决的。

明斯基当时对感知机的批评只涉及只有一个“层”的网络，也就是在输入和输出之间只有一层神经网络——后来明斯基阐述了与当代深度学习非常相似的想法。但是，当时Hinton就已经知道，如果使用很多层神经网络，就可以执行复杂的任务。简单说，神经网络就是一台机器，能够从数据中发现模式并以此进行分类或预测。有一层神经网络，你可以找到简单的模式；有多层神经网络，就可以找出模式中的模式。以图像识别为例，执行图像识别的神经网络主要使用“卷积神经网络”（这在1998年的一篇开创性论文中阐述的概念，该论文的主要作者、法国人Yann LeCun跟着Hinton在多伦多大学做了博士后，现任Facebook人工智能实验室负责人），网络的第一层学习识别图像非常基本的视觉效果“边缘”，也就是