如今，这样的桥段在人工智能领域真实上演。它，就是深度学习。

“左右互搏术”与深度学习中的一种对抗训练原理相仿，即有两个角色——生成器和判别器。生成器类似于左手，扮演攻方；判别器类似于右手，扮演守方。

判别器的目的是正确区分真实数据和生成数据，从而最大化判别准确率；生成器则是尽可能逼近真实数据的潜在分布。二者需要不断提高各自的判别能力和生成能力来取胜，从而实现目标优化。

今天，让我们打开这个“神秘魔盒”。

深度学习的概念，最早是由杰弗里·辛顿在2006年提出的。这是一门用于学习和利用“深度”人工神经网络的机器学习技术。作为人工智能领域中最热的研究方向，深度学习迅速受到学术界和工业界的关注。

目前，深度学习已得到广泛应用。如在博弈领域，AlphaGo通过深度学习，以4∶1的比分战胜韩国棋手李世石，成为第一个击败人类职业围棋选手的电脑程序；在医学影像识别中，以深度学习为核心技术的X光、核磁、CT、超声等医疗影像多模态大数据的分析技术，可提取二维或三维医疗影像中隐含的疾病特征；在图像处理中，最成功的领域是计算机视觉，如图像风格迁移、图像修复、图像上色、人脸图像编辑以及视频生成等。

一种特殊的机器学习方法

今天的人工智能，其实是把现实生活中的问题量化成了可计算的问题，然后用计算机算出来。数学模型则架起了中间的桥梁。

现实生活中，很多问题都可以通过建模解决。比如计算远程火炮弹道问题，计算日食、月食出现的时间和地点等。我们只要把相应公式用计算机语言写一遍，再代入参数，就能计算出来。

然而，更多问题的解决方法是不确定的。即使我们找到了相应的数学模型，也不知道应该代入什么参数。比如语音识别、人脸识别和机器翻译等。因此，我们需要让计算机通过自主学习，从大量数据中得到相应参数。这个过程，就是机器学习。

机器学习旨在发现数据存在和利用的模式，并用它们进行学习及做出预测。机器学习的过程，就是用计算机算法不断地优化模型，让它越来越接近真实情况的过程。它与人类学习的道理如出一辙。

考察人的学习通常方式是考试，如果分数不及格，就需要进一步学习。机器学习也要这样来衡量，它的目标用专业术语来说，就是“期望值最大化”。

机器学习的效果取决于两个方面：一方面是学习的深度。机器学习并不能“一口吃成个胖子”，它的训练算法需要迭代执行。这如同人在学习时要通过复习来“温故而知新”一样。机器学习迭代的次数越多，即学习得越深入，得到的数学模型效果越好。另一方面是数据的质与量。正如我们做大量优质习题，成绩就会提高。机器学习也是如此，训练数据量越大，学习效果就会越好。

根据数学模型的特点，机器学习有两种方法：一种是利用已知模型进行训练；另一种是在模型未知的情况下，设计一些简单通用的模型结构，然后使用大量的数据进行训练，训练成什么样就是什么样。这便是我们常听到的人工智能“黑箱”问题，即使训练有效，也不清楚里面是什么。

深度学习就是后一种机器学习的方法。人工智能涵盖的领域十分广泛，深度学习只是其中的一个分支，属于机器学习的范畴。人工智能需要有“独立思考”能力与机器学习技术的支持，深度学习便是帮助机器实现“独立思考”的一种方式。

深度学习迎来革命性突破

人工神经网络，简称神经网络，是一种模仿动物中枢神经系统结构和功能的数学模型，是用大量简单处理单元经广泛连接而组成的人工网络。它其实是一个特殊的分类器，用于对函数进行估计等。

神经网络为许多问题的研究提供了新思路，特别是迅速发展的深度学习，能发现高维数据中的复杂结构，取得比传统机器学习更好的效果。

20世纪50年代，人类第一次设计出计算机能运行的神经网络算法。此时的神经网络，虽然给了人们很多遐想空间，却解决不了实际问题，因此被打入“冷宫”。

到了20世纪80年代末期，人们提出反向传播算法，可让一个神经网络模型从大量样本中学习统计规律，从而对未知事件做出预测。随后，支持向量机等各种各样的机器学习方法被相继提出。不过，这些模型的结构均为浅层学习方法，处理复杂问题的能力受到一定制约。因此，神经网络再进“冷宫”。

2006年，加拿大教授辛顿和他的学生提出深度学习神经网络的“快速学习”算法，使深度学习迎来了革命性突破。深度学习通过学习一种深层非线性网络结构，展现出了从少数样本中集中学习数据及本质特征的强大能力。

从此，神经网络学会了反复分类以及识别物体的方法，并展现出乎意料的精准度。

计算能力成为推动深度学习的利器

人工神经网络在被提出的50年间，都没能很好地解决智能问题。究其原因，除了算法本身不完善外，还在于计算机绝对速度不够快，而且单位计算能力的能耗太高，无法通过大量服务器搭建并行计算系统，来达成深度人工神经网络。

那么，靠什么加以突破？答案就是摩尔定律。

摩尔定律是英特尔联合创始人戈登·摩尔在1965年提出的一项观察结论，即计算机的总体处理能力大约每2年就会翻一番。经历近50年的历史检验，摩尔定律展现出惊人的准确性。摩尔定律带来的结果是，在过去的半个多世纪里，计算机处理器性能增长了上亿倍，耗电量却降到了百分之一。

从能量角度看，摩尔定律反映出了人类在单位能耗下，所能完成信息处理能力的大幅提升。而这正是实现人工智能的基础所在。

从某种意义上说，不仅是深度学习技术，今天的人工智能都是靠算力成就的。

人工智能的崛起，有3个技术要素：一是它解决了可计算问题，即在算法上的突破；二是它积累了大量数据，形成了可学习的原材料；三是摩尔定律所推测的，处理能力得到持续提高。

算力是推动深度学习的利器。计算能力越强，同样时间内积累的经验就越多、迭代速度也越快，深度学习的性能也就越高。

不断进化的深度学习之道

1997年，“深蓝”在国际象棋比赛中战胜加里·卡斯帕罗夫；2016年，AlphaGo在围棋比赛中战胜李世石。

虽然这两种人工智能系统都学会了下棋，但教授它们的方式以及它们如何比赛，则大相径庭。

“深蓝”的核心评估函数对给定盘面进行数字“排序”，而且函数是手工设计的。这种比赛风格，实际上是一种“蛮力”。“深蓝”将其评估函数应用到许多备选的未来状态，对每个棋手预先搜索七八步，以2亿次/秒的速度进行局面评估。

AlphaGo的学习方法则迥然不同。它通过一种双管齐下的深度学习方法“学习”，用“价值网络”评估局面，用“策略网络”选择走棋。

深度学习神经网络的训练，一部分通过使用人类高手对弈数据集的监督学习进行（总出棋数约为3000万步），另一部分通过对自我对弈非监督强化学习进行（模拟成千上万场随机比赛）。它不使用预测搜索，走棋是单个“围棋局面”整体评估的结果。

2017年5月，在中国乌镇围棋峰会上，AlphaGo的升级版AlphaGo Zero，与世界排名第一的围棋冠军柯洁对战，结果以3∶0的总比分完胜。

令人震惊的是，AlphaGo Zero一开始并没接触过人类棋谱。它使用了新的强化学习方法，从单一神经网络开始，通过神经网络强大的搜索算法，进行自我对弈训练。随着自我对弈次数的增加，神经网络逐渐调整，提升预测下一步的能力，最终成为具备超强棋力的“选手”。更为厉害的是，随着训练的深入，AlphaGo Zero还独立发现了游戏规则，走出了新策略，为围棋这项古老游戏带来了新见解。

目前，深度学习在许多领域取得了技术性突破，并展示了极佳效果。然而，它仍存在一些局限：理论研究缺乏、无监督学习能力弱、缺少逻辑推理和记忆能力等。

深度学习对未来社会发展具有重要意义，需要不断深入研究，从多方向多角度更全面地开发深度学习的潜在价值。面对复杂的战场，以深度学习为代表的人工智能技术也已逐步渗透到军事领域，深刻影响着人类战争。