你觉得自己擅长《太空侵略者》《打砖块》和《乓》等经典街机游戏吗？再想想吧。
在一篇开创性论文中， 今日发表于《自然》杂志的由一支研究团队牵头撰写，
该团队由 DeepMind 联合创始人德米斯·哈萨比斯领衔。研究人员报告称，他们开发了一种深度神经网络，能够学会以专家水平玩这类游戏。
这项成就更令人瞩目之处在于，程序并未获得任何有关这些游戏的背景知识。它只能读取分数和屏幕上的像素。
它不知道挡板、球、激光器是什么，也不了解我们人类为了玩这些游戏所需要知道的其他任何事情。
但通过反复玩大量游戏，计算机先学会了怎么玩，随后又学会了如何玩得出色。
一台从零开始学习的机器
这是深度学习一系列突破中的最新成果。深度学习是当今人工智能（AI）领域最热门的话题之一。
事实上，DeepMind 并非首个在游戏领域取得此类成功的团队。二十年前，一个名为 TD-Gammon 的计算机程序也利用神经网络学会了玩双陆棋，水平超越人类。
但 TD-Gammon 在国际象棋、围棋或跳棋等类似游戏中，从未取得同样出色的成绩。
不过，再过几年，你很可能会在 Google 搜索结果中看到这类深度学习技术。受此类成果启发，Google 于去年年初以 据报道达 5 亿英镑的价格收购了 DeepMind。
许多其他科技公司也在这一领域大举投入。
被称为“中国版 Google”的百度成立了 深度学习研究院 ，并 聘请了 包括斯坦福大学教授 吴恩达在内的专家。
Facebook 成立了 人工智能研究实验室 ，由另一位深度学习专家 杨立昆领导。
而最近， Twitter 收购了 Madbits，这也是一家深度学习初创公司。
深度学习的秘诀是什么？
杰弗里·辛顿 是这一领域的先驱之一，也是在近期加入 Google 的人才。在上个月举行的 人工智能促进协会年会上，他在一场鼓舞人心的主题演讲中概述了近期取得这些突破的三个主要原因。
第一，海量中央处理器（CPU）。这不是你能在家训练的那种神经网络。训练这些网络的众多层需要数千个 CPU，因此需要强大的计算能力。
事实上，许多进展都利用了图形处理器（GPU）的原始算力；这些超高速芯片正是驱动街机游戏图形引擎的核心。
第二，海量数据。深度神经网络会玩街机游戏数百万次。
第三，一些巧妙的加速学习技巧，例如训练一组网络，而非单个网络。想想群体智慧。
深度学习能胜任什么？
尽管深度学习技术令人兴奋，但它能做什么仍有一些局限。
深度学习似乎擅长那些我们不假思索就能完成的低层次任务：识别图片中的猫、听懂电话中的语音，或像专家一样玩街机游戏。
这些都是我们已经“编译”进自身卓越神经网络的任务。
抛开炒作，深度学习是否也擅长高层次推理，则远没有那么明朗。这类任务包括证明困难的数学定理、优化复杂的供应链，或为一家航空公司的所有飞机安排时刻表。
深度学习的下一步是什么？
不久之后，深度学习一定会出现在你身边的浏览器或智能手机中。我们将看到诸如 超级智能的 Siri 之类的产品，它能预测你的下一个需求，从而让生活更轻松。
但我怀疑，几年后，当我们遭遇这项技术的局限时，深度学习最终会遭到反弹。尤其是如果更多深度学习初创公司以数亿美元的价格售出的话。要满足这些资金所带来的所有期待，将会很困难。
尽管如此，深度学习看来将成为人工智能拼图中的又一块。将它与其他部分拼在一起，许多人类所做的事情就会由计算机复制出来。
如果你想进一步了解人工智能的未来，我邀请你参加 2015 年 4 月 21 日在墨尔本举行的 Next Big Thing 峰会 。该峰会是为期两天的 CONNECT 会议的一部分，会议将在维多利亚州首府举行。
我将与 塞巴斯蒂安·特龙 和 罗德尼·布鲁克斯等人工智能专家一道，尝试预测这一切将把我们带向何方。
如果你怀旧了，想亲自试试这些游戏之一，可以前往 Google 图片并搜索“atari breakout”（或者点击这个 链接）。你将获得一个可在浏览器中游玩的雅达利经典游戏版本。
打砖块玩得熟练之后，你或许会想去 雅达利的街机网站看看。
本文与 The Conversation合作发表。阅读 原文。
本文的发表并不意味着世界经济论坛认同其中观点。
如需持续关注议程， 请订阅我们的每周通讯。
作者：托比·沃尔什，NICTA 优化研究组教授、研究组负责人
图片：2010 年 6 月 22 日，新加坡举行 Robocup 锦标赛期间，一名参赛者举起他的足球机器人让镜头拍摄。路透社 / 维韦克·普拉卡什。
