这是一个AI“上镜率”爆表的年代，无论什么似乎都能AI一番。

在“人尽皆知”的表象之下，又有多少普通人了解“人工智能”的基础和走向呢？例如几个常见的讨论主题：人工智能将会以何种速度发展？人工智能会让我下岗吗？人工智能是否会让人类走向毁灭？

这些大而宽广、目标深远的问题，显然不是普通人能够准确给出答案的。

但Terrence J. Sejnowski（特伦斯·谢诺夫斯基），对这些问题绝对有话语权。以他目前几个主要的头衔为例：美国索尔克（Salk）生物研究所计算神经生物学实验室主任、NIPS（目前人工智能的顶级会议）基金会主席、奥巴马政府“BRAIN”计划顾问委员会委员、美国五院院士等等。

除了头衔之外，Terrence对于人工智能的发展也颇有贡献，他和AI领域“四驾马车”之一、“深度学习之父”称号的卡内基梅隆大学教授杰弗里·辛顿（Geoffrey Hinton），在30多年前就早早地证明了简单的“神经网络可以完成一些复杂的任务”，这一成就开启了神经网络的快速发展。即便后来遭遇了人工智能的“寒冰期”中，他也从未放弃在人工智能方面努力。

作为最了解人工智能历史、趋势，最早开启人工智能浪潮的人之一，Terrence前不久刚出版了自己的第四本书——《深度学习革命》。书中内容横跨了深度学习的过去、现在和未来，整体时间跨度长达60年。

用Terrence自己的话来说：

我真的需要分享一下我对于人工智能的见解，但（这本书）绝对不是为了说教，我只是想纠正大部分人的错误认识，并且将人工智能30年发展历史进程中，那些重要的时刻、想法分享出来。并且以我个人的角度对未来做出一定的预测。

可以说是圈外人了解人工智能发展历史、理解人工智能发展趋势、并且最终形成自我预测能力的上佳材料。

虎嗅也就本次发布的书籍及内容，对特伦斯·谢诺夫斯基专门进行了一次采访，内容涵盖其对于人工智能的深度理解、趋势预测等精彩内容，以下是我们深度整理、编辑之后的版本。

人工智能崛起依赖的是生物技术？

通常来说，人们都将人工智能看做一串串代码组成的软件，但在拥有哈佛大学医学院神经生物学、普林斯顿大学生物学双博士后学位的Terrence看来，人工智能更像是人类创造的一个新的“物种”。

其中一个重要原因，是人工智能技术发展过程中，对于生物的参考。

Terrence从上世纪80年代就开始与神经网络打交道：“最早我只是一位物理学博士，虽然早早开始研究神经网络模型，但最初的研究并不顺利，因为不借助生物学的力量，我就只能够用方程式去猜测人类大脑的运转方式。屡屡失败之后，我就去了哈佛大学读神经生物学博士后，那之后我才意识到了人的大脑究竟是有多么复杂。”

于是乎，Terrence开始尝试另外一种方法：将人类学习时，生物微观结构中的变化，转化成一个又一个方程式，融入到神经网络模型当中。

一个波兹曼机例子（其中包括3个隐藏单元和4个可见单元）

到了1985年，Terrence和Hinton取得了里程碑式的成绩，在《认知科学》杂志之发表了一篇题为《一种“波兹曼机”的学习算法（A Learning Algorithm for Boltzmann Machines）》的论文。他们所开创的“波兹曼机”是神经网络中的一种，同时也是最早能够学习内部表达，并能表达和解决复杂的组合优化问题的神经网络。

学术界从那时起才坚定了神经网络的潜在价值，并且开始不断在这个方向上努力。

Terrence在采访中总结30多年来神经网络的进展时，特别提到了“强化学习”：“它参考了人类自我学习成长的模式。更具体地说，是模仿了人类神经元网络中多巴胺的刺激作用。”

有人这样概括“强化学习算法”——就是在训练的过程中，不断的去尝试，错了就扣分，对了就奖励，由此训练得到在各个状态环境当中最好的决策。

让绝大多数普通人第一次了解到人工智能、在围棋上打败人类最强棋手的AlphaGo，最核心的算法就是“强化学习”。所以在对决过程中，计算机不再需要去计算所有的结果，而是可以像人一样、甚至更高效地去不断做决策，最终获得胜利。

这一成就在Terrence看来，还不算是最令人激动的，因为“强化学习”中需要人类扮演引导的角色，除了为神经网络树立目标之外，人们还需要不断修正神经网络的参数。相比之下，人工智能目前另外一个热门的方向是“无监督学习”，后者最大的特点就是尝试让计算机自己对数据进行总结归纳，并且进行学习。