ai(ai設(shè)計(jì)教程自學(xué)網(wǎng))

來源ai：世界科學(xué)

概要：社交媒體擁有數(shù)以億計(jì)的用戶，他們每年發(fā)布數(shù)以千億計(jì)的微博和帖子，這將社會科學(xué)推向ai了大數(shù)據(jù)時(shí)代。

人工智能“知道”星系應(yīng)該是什么樣的，它把一張模糊的圖像（左）變成了一張清晰的圖像（右）

AI可以通過你的智能手機(jī)與你對話，可以在無人駕駛汽車?yán)锷下沸旭?，心懷疑慮的未來主義者擔(dān)心AI的飛速發(fā)展將有可能導(dǎo)致大規(guī)模失業(yè)，但對于科學(xué)家來說，AI前景是光明的：它將加速科學(xué)發(fā)現(xiàn)的進(jìn)程。

算法如何分析大眾情緒

社交媒體擁有數(shù)以億計(jì)的用戶，他們每年發(fā)布數(shù)以千億計(jì)的微博和帖子，這將社會科學(xué)推向了大數(shù)據(jù)時(shí)代。心理學(xué)家馬丁?塞利格曼（Martin Seligman）認(rèn)識到：社交媒體提供了一個(gè)前所未有的機(jī)會——利用人工智能從大眾溝通中提取意義。在賓夕法尼亞大學(xué)積極心理學(xué)研究中心，塞利格曼和20多位心理學(xué)家、醫(yī)生和計(jì)算機(jī)科學(xué)家投身于世界福祉項(xiàng)目，利用機(jī)器學(xué)習(xí)和自然語言處理技術(shù)大量篩選數(shù)據(jù)，以期衡量公眾的情緒和身體健康狀況。從傳統(tǒng)上來講，這些都是通過調(diào)查完成的。但塞利格曼說：“社交媒體數(shù)據(jù)并不引人矚目，非常廉價(jià)，而且所獲數(shù)據(jù)的數(shù)量級也更大?！鄙缃幻襟w上的數(shù)據(jù)是凌亂的，但是人工智能可以提供一種揭示其中模式的高效方法。在最近的一項(xiàng)研究中，塞利格曼及同事研究了29000名用戶在臉譜網(wǎng)上更新的內(nèi)容，他們對于是否患有抑郁癥進(jìn)行了自ai我評估。研究人員利用其中28000名用戶的數(shù)據(jù)資料，通過機(jī)器學(xué)習(xí)算法，發(fā)現(xiàn)用戶用詞和抑郁程度存在關(guān)聯(lián)。這樣一來，僅僅根據(jù)更新內(nèi)容，這種算法就可以成功地判定出其余用戶的抑郁程度。

在另一項(xiàng)研究中，研究小組分析了1.48億篇微博以預(yù)測一個(gè)縣城中的心臟病致死率。結(jié)果證明，跟憤怒和消極關(guān)系有關(guān)的話語成為危險(xiǎn)指標(biāo)。相較于根據(jù)吸煙、糖尿病等10個(gè)主要危險(xiǎn)指標(biāo)進(jìn)行的預(yù)測，通過社交媒體進(jìn)行的預(yù)測與實(shí)際死亡率更加接近。除此之外，研究人員還利用社交媒體來預(yù)測人的性格、收入和政治思想意識，并研究醫(yī)院護(hù)理、神秘經(jīng)歷和刻板印象等情況。通過推特的數(shù)據(jù)，研究人員甚至創(chuàng)建了一張地圖，用不同顏色描繪了美國每個(gè)縣居民的幸福感、抑郁度、信任度和五種人格特質(zhì)。德克薩斯大學(xué)奧斯汀分校的社會心理學(xué)家詹姆斯?潘尼貝克（James Pennebaker）說：“語言分析與心理學(xué)的聯(lián)系正在發(fā)生一場革命?！迸四嶝惪俗⒅氐牟皇莾?nèi)容，而是風(fēng)格。例如，他發(fā)現(xiàn)：可以根據(jù)大學(xué)招生考試的文章中所使用的功能詞來預(yù)測成績。冠詞和介詞的使用體現(xiàn)了分析思維能力，可以預(yù)測其成績會較高；代詞和副詞的使用體現(xiàn)了敘事思維能力，可以預(yù)測其成績會較低。此外，潘尼貝克發(fā)現(xiàn)的證據(jù)表明：1728年的劇本《雙重背叛》（Double Falsehood）中的大部分內(nèi)容可能是由威廉?莎士比亞撰寫的，根據(jù)認(rèn)知復(fù)雜性和罕見詞等因素，機(jī)器學(xué)習(xí)算法認(rèn)定該劇本與莎士比亞的其他作品一致。潘尼貝克稱：“現(xiàn)在，我們可以分析一個(gè)人曾經(jīng)撰寫和發(fā)布過的所有內(nèi)容，并且逐漸分析你和他人的談話方式。結(jié)果就是，我們可以越來越詳細(xì)地描繪出大家到底是什么樣的人?！?/p>

通過基因組搜尋自閉癥的根源

對于遺傳學(xué)家來說，自閉癥是一個(gè)棘手的問題，而遺傳模式表明自閉癥具有很強(qiáng)的遺傳因素。但是，對自閉癥有影響的數(shù)十種已知基因的變體，只能解釋所有病例的大約20％。要想找到可影響自閉癥的其他變體，就需要在25 000個(gè)其他人類基因及其周圍DNA的相關(guān)數(shù)據(jù)中尋找線索——這是人類研究者難以招架的任務(wù)。因此，普林斯頓大學(xué)的計(jì)算生物學(xué)家奧爾加?特洛伊安斯卡亞（Olga Troyanskaya）和紐約市西蒙斯基金會引入了人工智能工具。

紐約基因組中心創(chuàng)始人、洛克菲勒大學(xué)醫(yī)學(xué)科學(xué)家羅伯特?達(dá)內(nèi)爾（Robert Darnell）解釋說：“我們所能做的，就是像生物學(xué)家一樣揭示自閉癥等疾病是由什么引起的。在某個(gè)方面，當(dāng)一個(gè)科學(xué)家提出10個(gè)問題時(shí)，機(jī)器卻有能力提出1萬億個(gè)問題，機(jī)器將改變整個(gè)游戲規(guī)則?！?/p>

特洛伊安斯卡亞整合了數(shù)百個(gè)數(shù)據(jù)集，這些數(shù)據(jù)集包含了哪些基因在特定的人類細(xì)胞中表現(xiàn)出活性、蛋白質(zhì)之間是如何發(fā)生相互作用、轉(zhuǎn)錄因子結(jié)合位點(diǎn)以及其他關(guān)鍵基因組特征所在之處的描述。然后，特洛伊安斯卡亞及其研究小組利用機(jī)器學(xué)習(xí)創(chuàng)建了一份基因相互作用的圖譜，并將少數(shù)已經(jīng)熟知的自閉癥風(fēng)險(xiǎn)基因與數(shù)千個(gè)其他未知基因進(jìn)行對比，試圖尋找其中的類似之處。2016年，他們在《自然-神經(jīng)科學(xué)》上發(fā)文說：對比表明，另外2500個(gè)基因可能跟自閉癥有關(guān)。

然而，就像最近遺傳學(xué)家才認(rèn)識到的那樣——基因并不是單獨(dú)起作用的，基因的行為是由附近數(shù)百萬個(gè)非編碼堿基決定的，而非編碼堿基與DNA結(jié)合蛋白以及跟其他因子發(fā)生相互作用。與尋找這些基因相比，識別哪些非編碼變體可能會影響到附近的自閉癥基因是個(gè)更加困難的問題。在普林斯頓大學(xué)特洛伊安斯克亞的實(shí)驗(yàn)室里，有位名叫周健（Jian Zhou）的研究生正在利用人工智能解決這個(gè)問題。

為了訓(xùn)練這個(gè)深度學(xué)習(xí)系統(tǒng)，周健為這個(gè)系統(tǒng)引入了DNA元素百科全書和人類表觀基因組學(xué)收集的數(shù)據(jù)，這兩個(gè)項(xiàng)目記錄了數(shù)萬個(gè)非編碼DNA位點(diǎn)是如何影響附近基因的。在評估非編碼DNA未知片段上潛在的活動(dòng)時(shí)，該系統(tǒng)實(shí)際上學(xué)會了如何確定應(yīng)尋找的特征。2015年10月，當(dāng)周健和特洛伊安斯克亞在《自然-方法學(xué)》上描述他們這個(gè)被稱為DeepSEA的計(jì)劃時(shí)，加州大學(xué)爾灣分校的計(jì)算機(jī)科學(xué)家謝曉輝（Xiaohui Xie）將其稱為“把深度學(xué)習(xí)應(yīng)用到基因組學(xué)的里程碑”。目前，普林斯頓大學(xué)的研究團(tuán)隊(duì)正在利用DeepSEA計(jì)劃對自閉癥患者的基因組進(jìn)行分析，希望能夠?qū)Ψ蔷幋a堿基帶來的影響進(jìn)行排序。

同樣，謝曉輝也正在利用人工智能處理基因組，但他關(guān)注的范圍不僅僅是自閉癥，他更希望根據(jù)突變的危害程度對其進(jìn)行分類。但是，謝曉輝警告說：在基因組學(xué)中，深度學(xué)習(xí)系統(tǒng)只有在受過訓(xùn)練的領(lǐng)域才能像數(shù)據(jù)集那樣有效。他說：“在我看來，當(dāng)前人們會質(zhì)疑這種系統(tǒng)在分析基因組方面的可靠性。但是將來越來越多的人會接受深度學(xué)習(xí)。”

能夠理解太空的機(jī)器

2017年4月，天體物理學(xué)家凱文?沙文斯基（Kevin Schawinski）在推特上發(fā)布了4個(gè)星系的模糊圖片，并隨圖附上了一個(gè)請求，希望同行的天文學(xué)家能夠幫助他進(jìn)行分類。同行們意見一致：這些圖像看起來像橢圓和螺旋結(jié)構(gòu)，屬于熟悉的星系類型。

但一些天文學(xué)家仍心存疑慮，因?yàn)樯澄乃够怯蓄^腦的，所以他們直截了當(dāng)?shù)貑柕溃哼@些是真正的星系嗎？它們是利用相關(guān)物理學(xué)原理在電腦上模擬出來的模擬星系嗎？沙文斯基回答說：其實(shí)兩者都不是。在瑞士蘇黎世聯(lián)邦理工學(xué)院，沙文斯基、計(jì)算機(jī)科學(xué)家張策（Ce Zhang）及其合作人員，在一個(gè)神經(jīng)網(wǎng)絡(luò)中模擬了這些星系，該神經(jīng)網(wǎng)絡(luò)對物理學(xué)原理一無所知，似乎只是幫助我們理解在深層次觀察中，星系看起來應(yīng)該是什么樣的。

沙文斯基只不過是想利用在推特上發(fā)布的帖子來看看神經(jīng)網(wǎng)絡(luò)創(chuàng)造的星系在多大程度上是可信的，但是他更遠(yuǎn)大的目標(biāo)是開創(chuàng)一項(xiàng)技術(shù)，能夠像電影中那樣將模糊的觀測圖像奇跡般地清晰化——神經(jīng)網(wǎng)絡(luò)能夠使模糊的星系圖像看起來更加清晰，就好像是用較為高級的望遠(yuǎn)鏡拍攝的。這樣，天文學(xué)家們就能夠從大量的觀察中得到更為精確的細(xì)節(jié)畫面。沙文斯基說：“在巡天工程中，我們花費(fèi)了數(shù)億甚至是數(shù)十億美元的資金。從某種程度上說，一旦有了這項(xiàng)技術(shù)我們即刻就能提取更多的信息?！?/p>

沙文斯基在推特網(wǎng)上發(fā)布的星系圖像是生成對抗性網(wǎng)絡(luò)的作品，該網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)模型，包括兩個(gè)互相對抗的神經(jīng)網(wǎng)絡(luò)，其中一個(gè)網(wǎng)絡(luò)是可以創(chuàng)造圖像的生成器，另一個(gè)是可以挑出瑕疵、去除偽造成分的鑒別器，它可以形成優(yōu)化的生成器。沙文斯基的研究小組拍攝了數(shù)千張真實(shí)的星系圖像，然后人為分解它們。接著，研究人員訓(xùn)練生成器拼接圖像，使它們具有鑒別器的功能。最終，神經(jīng)網(wǎng)絡(luò)會勝過其他技術(shù)，成為消除星系圖像雜亂成分最好的技術(shù)。

伊利諾伊州巴達(dá)維亞地區(qū)費(fèi)米國家加速器實(shí)驗(yàn)室的天體物理學(xué)家布萊恩?諾德（Brian Nord）說：沙文斯基的方法是機(jī)器學(xué)習(xí)在天文學(xué)領(lǐng)域一個(gè)特別前衛(wèi)的例子，但并非絕無僅有。2017年1月，在美國天文學(xué)會的一次會議上，諾德提出了一種機(jī)器學(xué)習(xí)策略，用來搜尋強(qiáng)效引力透鏡——遙遠(yuǎn)星系的圖像在通往地球的過程中經(jīng)過扭曲的時(shí)空時(shí)，會在太空中形成罕見的光弧。這些引力透鏡可用于測量宇宙間天體的距離，并發(fā)現(xiàn)肉眼看不見的質(zhì)量密度。

強(qiáng)效引力透鏡的視覺效果十分獨(dú)特，但難以利用簡單的數(shù)學(xué)規(guī)則描述——利用傳統(tǒng)的計(jì)算機(jī)很難分辨出來，但是對于人類來講卻相對容易分辨。諾德和其他科學(xué)家意識到，利用數(shù)千個(gè)透鏡對神經(jīng)網(wǎng)絡(luò)進(jìn)行培訓(xùn)之后，神經(jīng)網(wǎng)絡(luò)就可以獲得類似人類的直覺。諾德稱：“實(shí)際上，在接下來的幾個(gè)月里，我們撰寫了十幾篇論文，都是研究應(yīng)用機(jī)器學(xué)習(xí)搜尋強(qiáng)效引力透鏡的，這是一件激動(dòng)人心的事情?！?/p>

在整個(gè)天文學(xué)領(lǐng)域，這只是冰山一角。天文學(xué)家越來越認(rèn)識到，人工智能提供了一個(gè)強(qiáng)有力的工具，可以利用PB級數(shù)據(jù)發(fā)現(xiàn)有趣的天體并對其進(jìn)行分類。沙文斯基稱：“人人都在驚呼：‘天哪，我們擁有的數(shù)據(jù)太多啦！’我認(rèn)為，在大數(shù)據(jù)時(shí)代利用人工智能，終將會有真正的發(fā)現(xiàn)?！?/p>

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)化學(xué)合成的藝術(shù)

有機(jī)化學(xué)家善于反向思維。類似于烹飪大師先從看到成品菜肴開始，然后再研究如何烹制……許多化學(xué)家都是從他們想要制造的分子的最終結(jié)構(gòu)開始思考如何組裝它。德國明斯特大學(xué)的研究生馬爾文?塞格勒（Marwin Segler）說：“要想知道如何合成分子，你所需要的只是合適的成分和方法。”目前，塞格勒和其他研究人員正在將人工智能引進(jìn)他們的分子實(shí)驗(yàn)室。

研究人員希望人工智能能夠幫助他們應(yīng)對分子制造過程中的一個(gè)關(guān)鍵挑戰(zhàn)：從數(shù)百個(gè)潛在的構(gòu)建材料和數(shù)千個(gè)相關(guān)的化學(xué)規(guī)則中做出最合適的選擇。幾十年來，一些化學(xué)家利用已知的化學(xué)反應(yīng)煞費(fèi)苦心地為計(jì)算機(jī)編程，希望創(chuàng)建一個(gè)能夠快速計(jì)算出最靈敏的分子合成法的系統(tǒng)。然而，塞格勒說：“化學(xué)可能是非常微妙的，很難以二進(jìn)制的方式寫下所有的規(guī)則?！?/p>

因此，塞格勒、明斯特大學(xué)計(jì)算機(jī)科學(xué)家邁克?普羅伊斯（Mike Preuss）和塞格勒的顧問馬克?沃勒（Mark Waller）將目光轉(zhuǎn)向了人工智能。他們沒有利用化學(xué)反應(yīng)的嚴(yán)格規(guī)則進(jìn)行編程，而是設(shè)計(jì)了一個(gè)深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)程序。通過數(shù)以百萬計(jì)的化學(xué)反應(yīng)實(shí)例，該程序能夠自行學(xué)習(xí)反應(yīng)是如何進(jìn)行的。塞格勒稱：“你提供的數(shù)據(jù)越多，效果就越好。”隨著時(shí)間的推移，這個(gè)神經(jīng)網(wǎng)絡(luò)學(xué)會了如何預(yù)測化學(xué)合成過程中目標(biāo)分子的最佳反應(yīng)。它從零開始，最終拿出了自己的分子制造方案。

這3位研究人員測試了40種不同的目標(biāo)分子，并與傳統(tǒng)的分子設(shè)計(jì)程序進(jìn)行對比。根據(jù)2017年研究人員在一次會議上的報(bào)告，在兩個(gè)小時(shí)的計(jì)算時(shí)間內(nèi)，傳統(tǒng)程序完成了22.5%目標(biāo)分子的合成方案；而人工智能程序則完成了95%的合成方案。塞格勒不久將要前往倫敦的一家制藥公司工作，他希望通過這個(gè)方法改進(jìn)醫(yī)藥的生產(chǎn)過程。

加州帕洛阿爾托市斯坦福大學(xué)的有機(jī)化學(xué)家保羅?溫德（Paul Wender）認(rèn)為，現(xiàn)在判斷塞格勒的方法是否有效，還為時(shí)尚早。然而，溫德也正在將人工智能應(yīng)用到有機(jī)化學(xué)合成，他認(rèn)為：不僅在合成已知分子方面，而且在尋找制造新分子的方法方面，人工智能都可能會產(chǎn)生深遠(yuǎn)影響。塞格勒接著說，人工智能不會很快取代有機(jī)化學(xué)家，因?yàn)榛瘜W(xué)家們所做的遠(yuǎn)遠(yuǎn)不只是預(yù)測反應(yīng)將會如何進(jìn)行。就化學(xué)來說，人工智能就像GPS定位系統(tǒng)，它可能適于尋找合成的路線途徑，但它本身卻不能自行設(shè)計(jì)和執(zhí)行整個(gè)合成過程。

當(dāng)然，人工智能開發(fā)人員也已經(jīng)著眼于完成其他任務(wù)了。