用好算法，迈向智能社会（开卷知新）(2)

　　深度学习算法最为大众所知的案例，就是围棋“人机大战”。深度学习算法战胜围棋高手的前提，是大量的“自我训练”。从技术上说，其输入信号包括人类围棋顶尖高手的3000万步围棋走法。隐藏层达12个，每一层包含数百万个人工神经元，用来建模棋盘及棋法。“决策网络”负责走棋策略，“价值网络”负责评估态势并预测环境，最后由输出层做出决策判断。隐藏层利用经验数据及自我对弈数据来训练神经网络，这一训练的目的是确定神经元之间的连接权重（参数）。不少人会问：它怎么找到每一步棋的最优解？答案是“经验”。算法从经验中学习，基于部分经验数据提出一个初始特征，进而得出一个输出结果。然后，利用其他经验数据或自我对弈结果，校验输出结果，不断调整完善，以找到更合适的参数。在这一过程中，计算机持续通过简单的概念来学习、构建更复杂的概念，通过组合低层特征形成更加抽象的高层特征。与传统的学习方法相比，深度学习预设了更多参数、对应模型更大，因此训练难度更大，所需要的算例数据也更多。这也是深度学习依赖于大数据的缘由。所以，不少观众感叹：“这盘棋的每一步，也许深度学习算法都已经练过许多次了！”

　　深度学习算法推动人工智能实现从“不可用”到“可以用”的重大突破。如今，深度学习已经是一个标准化的从大量数据中总结经验、挖掘结构的万能工具，在科学技术、工商管理、医疗健康等领域发挥重要作用。可以说，深度学习已经成为通过计算机算法拓展人类认知能力的一项基础技术。

　　夯实数理基础，促进算法健康、有序、繁荣发展

　　未来，算法将帮助我们解决更多生产生活中的问题。如果说现实世界由原子分子构成，那么数字世界的基本元素则是数据。要想让数字技术有效赋能现实世界，提升生产力，就要对现实场景进行数字化描述并制定解决方案。这既需要用科学家的严谨思维建立模型，也需要用工程师的务实手段解决问题，算法正是数学理论和工程实践相结合、批量化解决问题的高效手段。比如人脸识别技术，应用的就是计算机视觉算法。这一算法顾名思义，首先要获得物体的数字图像，然后利用计算机规则理解、分析图像并得到结论。除了人脸识别，计算机视觉算法也被应用于图像检索、视频监测、智能驾驶，等等。在其他领域，算法也大有用武之地。在量子计算中，算法为量子力学提供全新的计算视角；在气象领域，算法可以帮助预测气象灾害；在医疗领域，分布式微剂量CT通过低成本的CT终端采集数据，再经由云端强大的计算集群自动调度算法实现成像和智能阅片，有助于解决偏远地区看病难问题。

　　目前，算法的不断进步主要基于大数据。我国在人工智能领域拥有数据量庞大的优势，有助于机器学习发展。与此同时，提高算法创新能力必须重视基础研究，重视数学的独特作用和价值。数学不仅为算法创新提供模型和工具，也为算法的发展提供思想源泉。算法应用场景也会对数学理论提出新的问题与挑战。发展新的数学理论和工具来解决相关算法问题，将成为应用数学的重要方向。另外，算法在带来便捷的同时，也出现了信息茧房、算法歧视等问题，需要规划和预判技术逻辑和伦理逻辑，在应用中兼顾社会价值、伦理道德，践行科技向善理念，从而实现更好的算法治理。