文/水哥

過去兩年里人工智能顯然成了計算機科學領域的落地大戶，尤其是在消費級市場，越來越多的AI產品為大眾用戶所體驗和認知，寫稿機器人就是一個最招人熱議的話題。

說起讓AI寫稿，一開始大多數小編是拒絕的，但是越來越多的寫稿機器人投入一線運作的事實讓媒體工作者不得不承認這一領域正在發(fā)生的變化。比如國外的雅虎、福布斯、紐約時報等早早啟用了機器寫稿，國內的AI寫稿雖然姍姍來遲但落地迅速，其寫稿速度、稿件質量絲毫不遜色于前者。

AI的新聞生產并不依賴現(xiàn)場采集取材成稿，而主要通過數據挖掘、邏輯分析、模板框架的組合優(yōu)化生成。從機器寫稿的表現(xiàn)來看，盡管目前AI尚不具備人工編輯的深度和個性化寫作，但是機器的學習能力很強，AlphaGo的迭代速度大家有目共睹，由此延伸出的問題是，未來寫稿AI的能力進化會上升到什么程度？寫稿機器人會否徹底取代人工編輯？

● 是什么讓寫稿機器人大行其道？

眾所周知，人工神經網絡和深度學習是當下人工智能技術的研究前沿，而目前的產品落地也主要聚焦二者。大多數寫稿機器主要采用NLP（自然語言處理）技術與深度學習，前者擅長文本處理和語言邏輯，后者則是機器學習的主要實現(xiàn)工具。

現(xiàn)代人工智能往往由早期專家系統(tǒng)過渡而來，但其實質早已天差地別。專家系統(tǒng)在上世紀80年代曾一度風靡，它能夠依據知識庫經規(guī)則計算推演解決專業(yè)領域的問題，因而極度依賴邏輯編程語言Prolog，其本身并不具備學習能力。寫稿機器的NLP借鑒了專家系統(tǒng)的算法，在自然語言的結構生成、摘要構建、文本推薦和文檔規(guī)劃方面效果明顯，然而，若沒有深度學習的加持，寫稿AI的智商將被拉低數個檔位。

深度學習的一個優(yōu)點是非監(jiān)督式學習或半監(jiān)督式學習，它可以從更多的無標簽數據中提取特征，相對于手工輸入特征的監(jiān)督式學習，其算法更高效，應用也更廣泛。事實上深度學習兼用了非監(jiān)和監(jiān)督式學習，前者是自下而上的學習，后者用于自上而下的調整。

深度學習的另一個優(yōu)點是它的“深度”構建了神經網絡的多隱層，就像人腦神經結構那般，不同的神經元處理不同的任務，神經元之間有邏輯，有層次，有分工，從信息輸入到信號抽象，抽象的程度從低級傳導向高級。深度學習的中間網絡有賴于此，沒有足夠的“深度”就不能完成足夠復雜的任務。這就解釋了為什么近幾年深度學習興起之后AI的智商成指數級增長，以至于寫稿機器人有能力體面地工作在大眾的眼皮底下。

● 還有什么是寫稿機器人不能做的？

寫稿機器人目前主要專注的領域多為財經、體育和一般的新聞報道，而且稿件文檔結構簡單，注重數據表現(xiàn)和客觀的文本摘要。由此我們可以輕易發(fā)現(xiàn)其弱點：缺乏主觀分析和深度的邏輯思維。

由此我們重新捋一遍寫稿機器的優(yōu)缺點。AI寫稿在速度上占優(yōu)，擅長撰寫簡訊，比較適合層次低、重復性高的編輯勞動；缺點是不具備人工記者、編輯的主觀能動，難以完成富有創(chuàng)造性的工作。

我們知道信息學里有一種熵值，它反映信息的不確定程度。自然語言作為信息的載體都有一個平均熵值，特別是中文在所有自然語言中的熵值還是名列前茅的。從寫稿機器人當前的撰稿局限來看，AI的算法與算力仍有較大空間尚未被拓展，對于稍稍復雜的寫作比如行業(yè)分析、小說、腳本之類仍然難以勝任。

機器與人工作者的差異仍然在于人工智能的歷史疑問——“我們能否創(chuàng)造一個像人一樣思考的機器”。人工智能科學家關于該問題的糾結由來已久，歷史上該領域為此甚至分裂成“簡約”與“蕪雜”兩個學派。

機器與人天然有別。人腦的信息輸入源于感官，經人體神經系統(tǒng)傳導至大腦，機器智能的發(fā)展多參照于此。但是人腦具備更加復雜的意識機制，包括激素影響情緒的產生，極其擅長非線性演繹的想象力和跳躍性思維等等，這也是機器難以企及的地方。

● 寫稿機器人的未來進化

我們領教了AlphaGo的進化速度，在寫稿機器人身上是否也會得到同樣體現(xiàn)？以人類可以預見的未來而言，AI的進化空間非常之大，但與人腦所具有的高層次智能相比，仍然相去甚遠。舉例來說，2012年Google Brain項目所使用的深度神經網絡內部共計10億個節(jié)點，而人類大腦中的神經元則多達150億之巨，其間互相連接的節(jié)點突觸更是瀚若星辰。

人工智能發(fā)展歷經多次起落，歷史上的每次低潮都與算法的缺陷與算力的瓶頸有關，尤其是后者影響更甚。盡管如今的分布式計算解決了一些算力上的問題，但是并行計算仍不可或缺。算法可以改進，算力只能依賴周期提升，也就是說，未來人工智能發(fā)展瓶頸將逐漸消除算法上的障礙，而集中體現(xiàn)在算力局限上。可喜的是，GPU在AI領域的定制化異構計算同樣進步很快，這為算力的持續(xù)上行給出了可靠預期。

在算力有所保障的前提下，算法將迅速作為，人工神經網絡的復興和深度學習的崛起就是最好的例證。如今互聯(lián)網發(fā)展和開源社區(qū)協(xié)作加強，開發(fā)者數量劇增，這些良好的條件讓人工智能的發(fā)展進程大為加速，關于AI未來發(fā)展佳況，或將產生媲美于計算機領域的摩爾定律。

文/水哥 高級工程師，科技專欄作者，中國計算機學會會員。IT評論、業(yè)界分析，不一而足。