《精灵宝可梦：GO》很受欢迎 但并非真正的AR游戏

在《精灵宝可梦：GO》(Pokémon Go)掀起的各种热潮中，投资机构Signia Venture Partners的联合创始人桑尼·迪隆(Sunny Dhillon)有着不同的观点：“别再把《精灵宝可梦：GO》和增强现实联系在一起了。”没错，这款游戏的流行让我们看到了消费者们对AR游戏的饥渴，但是，与现实世界进行互动的技术现在还没有准备好呢。

迪隆指出，真正的增强现实“需要计算机视觉以及对真实世界环境进行动态绘图。”相比之下，《精灵宝可梦：GO》所展现出来的特性只是依靠谷歌地图上固定的经纬度而已。据迪隆介绍，如果这款游戏使用了真实的增强现实技术，那么内部的实时深度绘图与目标识别将会使游戏角色可以与现实世界进行互动，确保它们不会在不协调的场景中出现。

真正的AR仍然还只是传说，不过，“无监督式学习”让增强现实发挥作用的关键——受人工智能驱动的图像识别——变为可能。这让设备可以像人类一样评估图像和视频的同时还能理解其中的意义，并且实时进行。

现有人工智能的局限性

想要理解“无监督式学习”的意义，首先要了解现在的情况。类似谷歌、IBM以及Facebook这样的龙头企业一直非常用心开发人工智能技术以及改进图像识别，但他们也遇到了瓶颈。这个领域的研究目前大多集中在深度学习技术上，创造出包含数以百计的计算层的模拟网络。

深度学习带来了强大的运算能力，但它存在着两个重要缺陷。首先，当系统达到1000层的时候，运算能力趋于平稳不再增加，并且由于规模无法进一步提升而开始扯后腿。

其次，这种模式的学习过程需要数百小时的人工指引——我们将此称为“监督式学习”。计算机科学家不断纠正错误的答案，最终让系统从错误中吸取教训。在数据集非常详细的情况下，这种学习模式是有效的——就像在智力竞答节目中回答问题，或者玩桌面游戏一样——但是这种学习模式不适合应用在充满变数的环境中，比如真实世界。

“具有人性”的人工智能

在与“自然”进行对话的时候，“人性”是一个非常重要的关键词。深度学习在AR应用中遭遇了失败，因为它是一个人工仿造的系统，无法理解自然发生的环境

生物体在完成这项任务的时候当然不会有任何问题。为了确保计算机可以准确地理解某个环境，它需要一个更为接近自然进化过程的学习过程。根据最新的脑研究，无监督式学习是最适合的方式。

无监督式学习与深度学习不同，它不需要要人为干涉。它不再有固定的数据集，也不追求所获得的答案正确率要高于错误率——“深度学习像是盖一栋建筑物，无监督式学习却不是”——采用无监督式学习的系统根据相似和不相似的因素，从它所“看到”的每一幅画面中，积累下数以千计的特征标记。这些标记包括色彩、性状、实体周围的空间、以及所有这些的混合。

这个系统可以完全理解什么样的东西看起来像是一栋建筑物(甚至可以明白这栋建筑是什么样的特殊地标)，而不是简单地回答某栋建筑究竟是不是一栋建筑物。因为自我学习系统可以编写标记——这是一项相当简单但需要反复进行的任务——而不是处理“事实”，它在运行时所需要的运算层较少，并且可以无限扩增——就像人类的大脑一样。

真正由人工智能驱动的增强现实可以做什么

游戏配备了由更加完整的人工智能所驱动的AR之后，可以将虚拟角色的行动与游戏玩法完全地整合入自然环境中。但是，提升游戏的可玩性还只是冰山一角而已。

这是一项强大的技术，转化力无穷。比如，用户很快就可以更好地利用自己手机和设备上所拍摄的数以千计的相片。想象一下，一个嵌入式的人工智能助手可以自动为你整理图像和视频，在几毫秒的时间内进行极为细致的搜索，根据相片的主题主旨进行分享推荐。数以百万计已被遗忘的相片将重新得到新生，视觉搜索的潜能也将被释放。

在无监督式学习模式下诞生的图像识别，可以让无人驾驶汽车的安全性以指数的方式增长。通过清晰完美地鉴定道路障碍物，汽车将可以识别出行人，并且识别出现有地图上没有标识的道路并绕行。

在医学领域，手术治疗中的医生可以获得实时的信息，并将其与数以百计相似的手术资料进行比较——根据从世界各地收集到的解决方法来指引医生。

这项技术的应用几乎是无止境的。

迪隆认为，当技术可以与现实世界完美无瑕地结合起来的时候，就是AR掀起热潮的时候。《精灵宝可梦：GO》和真正的增强现实相比还有一段距离，不过这项技术很快就能投入使用。让虚拟的皮卡丘躲在真实的树后面的这类创新同样是由“无监督式学习”带来的，这种突破性的学习模式将会从根本上改变人工智能观察世界的方式。