217 人工智能與大數(shù)據(jù)

　　聽到列克星敦的建議，陳楓并沒有馬上回答。但他已經(jīng)默默將楊懷宇的價值上調(diào)了好幾個檔次。

　　留下這個人并不困難。畢竟現(xiàn)在整個馬薩島都在陳楓的控制下。只要他發(fā)話，任何人都不可能跑得出去。

　　但留下人只是第一步，還要想辦法讓他自愿為自己工作才能獲得收益。

　　尤其是對這種動腦子搞研究的人，外人根本看不出他是不是在劃水。如果再玩?zhèn)€“身在曹營心在漢”，那不但沒什么收益，搞不好還會壞事。

　　所以陳楓一時之間也想不到什么好辦法，只能先拖著。一直拖到胡德回來，再看看她有沒有好辦法。

　　想到這里，陳楓就不再糾結(jié)這個問題，而是向列克星敦問起了人工智能方面的研究進展。

　　提到這個話題，列克星敦馬上吐槽道：“進展是有一點，但還是太慢了。我們現(xiàn)在的所謂‘人工智能’實在是太笨了，很多事情都做不了。我看還不如叫‘人工智障’更貼切?！?p>　　聽到“人工智障”這個吐槽，陳楓忍不住笑了起來。

　　雖然在對外宣傳的時候，陳楓一直聲稱自己的“忠誠僚機”系統(tǒng)能夠自主作戰(zhàn)。但實際上根本不是這么回事。

　　目前的“忠誠僚機”實際上不比蟑螂更聰明。它甚至還無法準確地辨認目標和聽懂命令。一旦脫離了艦?zāi)锏恼瓶?，它們就只會朝著眼前的移動目標一通亂射。

　　列克星敦這段時間已經(jīng)對此進行過上億次的模擬測試。因此也目睹過“忠誠僚機系統(tǒng)”數(shù)以萬計的犯錯方式。

　　所以沒有誰會比列克星敦更清楚這些小東西的奇葩程度。吐槽一句“人工智障”實在是相當(dāng)有涵養(yǎng)的說法了。

　　不過笑歸笑，但幫下屬解決實際困難是領(lǐng)導(dǎo)者的職責(zé)。所以陳楓還是問道：“那么你需要什么？是更大型的計算機？還是助手？”

　　列克星敦搖搖頭：“助手不需要。計算機的性能也足夠了。”

　　說著她挽起陳楓的手臂，領(lǐng)著他和楊懷宇一起走到一排集裝箱房前。推開其中一間的房門之后，映入眼簾的是一排排書柜一樣的計算機組。

　　這里是列克星敦的數(shù)據(jù)中心。

　　一整排集裝箱房里都裝滿了服務(wù)器，存儲并處理著從馬薩島各地傳輸過來的數(shù)據(jù)。這些服務(wù)器中安裝的是陳楓用系統(tǒng)仿制的CPU和專用AI芯片。

　　整個數(shù)據(jù)中心需要配備一個獨立的小型燃料電池發(fā)電站，并且有一條專用的暗渠抽取海水進行冷卻。

　　列克星敦拍了拍矗立的刀片機陣列，說道：“這個數(shù)據(jù)中心的運算能力對我們來說目前已經(jīng)足夠了。但它現(xiàn)在根本沒有滿負荷運轉(zhuǎn)。因為我們沒有足夠的數(shù)據(jù)來‘喂養(yǎng)’它。”

　　正如列克星敦所言。陳楓現(xiàn)在所掌握的只是很初級的人工智能技術(shù)。它是根據(jù)“深度學(xué)習(xí)”原理運行的。

　　“深度學(xué)習(xí)”原理是建立在“模式識別”技術(shù)基礎(chǔ)上的。

　　小學(xué)數(shù)學(xué)課上，大家都做過一類叫“找規(guī)律”的題目。比如列出一串?dāng)?shù)字“1，3，5，7……”，然后讓學(xué)生去猜測后面的數(shù)字是什么。

　　這種“看現(xiàn)象找規(guī)律”的題目，就是在做“模式識別”。

　　計算機最初并不知道什么是規(guī)律，只是在胡亂猜測。這種猜測當(dāng)然絕大多數(shù)都是錯誤的。

　　但每一次“找規(guī)律”之后，都會由人類或某種游戲規(guī)則作為“老師”來判斷對錯。計算機會記住那些正確的規(guī)律，然后嘗試在下一次題目中套用。如果不能套用，就繼續(xù)猜答案。

　　這種方法就是“試錯法”。通過不斷嘗試新做法、排除錯誤猜測，最后留下最接近正確答案的那一個“規(guī)律”或者“模型”。這就是“模式識別”。

　　它不僅是AI學(xué)習(xí)的基礎(chǔ)，也是人類探索新領(lǐng)域的常見做法。

　　而所謂“深度學(xué)習(xí)”，就是在識別出現(xiàn)象的淺層“模式”之后，再把“模式”作為現(xiàn)象來歸納更深一層的“模式中的模式”。

　　以此類推，就會有“模式中的模式中的模式”，以及“模式中的模式中模式中的模式”……

　　識別的“模式”的層次越多，學(xué)習(xí)的“深度”就越深。這樣人工智能程序才能從更加復(fù)雜的現(xiàn)象中總結(jié)出規(guī)律來。

　　但是學(xué)習(xí)網(wǎng)絡(luò)的深度每增加一層，它所需要的原始數(shù)據(jù)就會以指數(shù)級別暴增。

　　假如一層學(xué)習(xí)只需要一百個樣本。那么兩層的學(xué)習(xí)就需要一萬個樣本，三層的學(xué)習(xí)需要一百萬個，四層的學(xué)習(xí)就需要一億個樣本……

　　如果學(xué)習(xí)的深度達到十層，需要的樣本數(shù)量將是……一萬億億個。相當(dāng)于世界上每個人都要給它提供一百億個樣本數(shù)據(jù)。

　　而隨著樣本數(shù)量的增加，深度學(xué)習(xí)對計算能力的需求也急劇增加。所以計算能力和樣本數(shù)據(jù)多少是人工智能發(fā)展的兩個主要制約因素。

　　所以當(dāng)陳楓問列克星敦需要什么時，她毫不猶豫地回答“需要更多的數(shù)據(jù)”。

　　“我們的數(shù)據(jù)還不夠嗎？”陳楓有些吃驚，“我們每天都記錄了幾萬人的工作和活動數(shù)據(jù)。這些還不夠嗎？”

　　陳楓所說的“幾萬人”是指他目前直接掌握的勞工、軍隊、和學(xué)生的數(shù)量。

　　他要求所有在他這里工作學(xué)習(xí)的人都必須佩戴有記錄和上傳功能的智能設(shè)備。而他給工人提供的工程機械，和給士兵提供的所有武器裝備，都具備同樣的記錄和上傳功能。

　　這些人的所見所聞、所做所說都會被傳輸?shù)竭@個數(shù)據(jù)中心。

　　數(shù)據(jù)中心的處理器會分析這些數(shù)據(jù)，從中學(xué)習(xí)人類是如何識別物體、如何聽懂語言、如何規(guī)劃路線、如何駕駛車輛、如何使用武器、如何相互配合等等。

　　事實上在陳楓的心目中，這些人無論表面上干的是什么活，其實都同時兼了另一份工作——AI訓(xùn)練師。

　　陳楓最關(guān)心的并不是工人們本身工作產(chǎn)生的價值，而是他們將要訓(xùn)練出來的、未來將取代他們工作的智能機器人的價值。

　　無論他們工作如何努力，他們在這些簡單勞動中創(chuàng)造的價值都不可能超過未來海量的AI工人大軍。

　　這才是占領(lǐng)馬薩島給陳楓帶來的最大收益——島上一百多萬居民帶來的人口紅利。

　　然而列克星敦卻斬釘截鐵地說：“不夠。這還遠遠、遠遠、遠遠不夠。按照我的研究計劃，收集數(shù)據(jù)的速度至少要增加一萬倍。”

　　聽到這話，陳楓頓時哭笑不得：“列克星敦啊，我從哪里找來那么多數(shù)據(jù)給你？難道你要我先去占領(lǐng)全世界？”

　　一百萬人乘以一萬倍，可不就需要一百億人來提供嗎？剛好是這個世界的人口總數(shù)。