但不管人工智能是什么，過(guò)去幾年我們確實(shí)已經(jīng)在從機(jī)器視覺(jué)到玩游戲等眾多領(lǐng)域取得了很多進(jìn)展。人工智能正在從一項(xiàng)研究主題向早期的企業(yè)采用轉(zhuǎn)變。谷歌和 Facebook 等公司已經(jīng)在人工智能上投入了巨大的賭注，并且已經(jīng)在它們產(chǎn)品中應(yīng)用了這一技術(shù)。

 

　　但谷歌和 Facebook 只是開(kāi)始而已：在未來(lái)十年，我們將見(jiàn)證人工智能蔓延進(jìn)一個(gè)又一個(gè)的產(chǎn)品。我們將與 Bot 交流——它們不是照本宣科的機(jī)器人撥號(hào)程序（robo-dialer），我們甚至不能意識(shí)到它們不是人類。我們將依賴汽車(chē)進(jìn)行路線規(guī)劃，對(duì)道路危險(xiǎn)做出反應(yīng)。

 

　　可以毫不夸張地估計(jì)：在未來(lái)幾十年中，我們所接觸的每一種應(yīng)用程序都將整合進(jìn)一些人工智能功能，而如果使用應(yīng)用程序，我們將無(wú)法做任何事。

 

　　鑒于我們的未來(lái)將不可避免地與人工智能捆綁在一起，我們就必須要問(wèn)：我們現(xiàn)在發(fā)展得如何了？人工智能的現(xiàn)狀是怎樣的？我們將走向何方？

 

　　如今人工智能的能力和局限

 

　　對(duì)人工智能的描述圍繞著以下幾個(gè)中心：強(qiáng)度（有多智能）、廣度（解決的是范圍狹窄的問(wèn)題，還是廣義的問(wèn)題）、訓(xùn)練（如何學(xué)習(xí)）、能力（能解決什么問(wèn)題）和自主性（人工智能是輔助技術(shù)還是能夠只靠自己行動(dòng)）。這些每一個(gè)中心都有一個(gè)范圍，而且這個(gè)多維空間中的每一個(gè)點(diǎn)都代表著理解人工智能系統(tǒng)的目標(biāo)和能力的一種不同的方式。

 

　　在強(qiáng)度（strength）中心上，可以很容易看到過(guò)去 20 年的成果，并認(rèn)識(shí)到我們已經(jīng)造出了一些極其強(qiáng)大的程序。深藍(lán)（Deep Blue）在國(guó)際象棋中擊敗了 Garry Kasparov；沃森（Watson）擊敗了 Jeopardy 的常勝冠軍；AlphaGo 擊敗了可以說(shuō)是世界上最好的圍棋棋手李世石。

 

　　但所有這些成功都是有限的。深藍(lán)、沃森和 AlphaGo 都是高度專業(yè)化的、目的單一的機(jī)器，只能在一件事上做得很好。深藍(lán)和沃森不能下圍棋，AlphaGo 不能下國(guó)際象棋或參加 Jeopardy，甚至最基本的水平都不行。它們的智能范圍非常狹窄，也不能泛化。

 

　　沃森已經(jīng)在醫(yī)療診斷等應(yīng)用中取得了很多成果，但它基本上仍然只是一個(gè)必須為特定領(lǐng)域?qū)ｉT(mén)調(diào)制的問(wèn)答機(jī)器。深藍(lán)擁有大量關(guān)于國(guó)際象棋策略的專門(mén)知識(shí)和百科全書(shū)式的開(kāi)放知識(shí)。AlphaGo 是用更通用的架構(gòu)構(gòu)建的，但其代碼中仍然有很多人工編碼的知識(shí)。我不是輕視或低估他們的成就，但認(rèn)識(shí)到他們還沒(méi)有做成的事也是很重要的。

 

　　我們還沒(méi)能創(chuàng)造出可以解決多種多樣不同類型問(wèn)題的人工通用智能（artificial general intelligence）。我們還沒(méi)有聽(tīng)一兩年人類對(duì)話的錄音就能自己說(shuō)話的機(jī)器。盡管 AlphaGo 通過(guò)分析數(shù)千局比賽然后又進(jìn)行更多的自我對(duì)弈而“學(xué)會(huì)”了下圍棋，但這同樣的程序卻不能用來(lái)掌握國(guó)際象棋。

 

　　同樣的一般方法呢？也許可以吧。但我們目前最好的成就離真正的通用智能還很遠(yuǎn)——真正的通用智能能靈活地?zé)o監(jiān)督地學(xué)習(xí)，或能足夠靈活地選擇自己想要學(xué)習(xí)的內(nèi)容，不管那是玩棋盤(pán)游戲，還是設(shè)計(jì) PC 板。

 

　　邁向通用人工智能

 

　　我們?nèi)绾螐莫M窄的、特定領(lǐng)域的智能邁向更通用的智能呢？這里說(shuō)的“通用智能”并不一定意味著人類智能，但我們確實(shí)想要機(jī)器能在沒(méi)有編碼特定領(lǐng)域知識(shí)的情況下解決不同種類的問(wèn)題。我們希望機(jī)器能做出人類的判斷和決策。

 

　　這并不一定意味著機(jī)器將實(shí)現(xiàn)創(chuàng)造力、直覺(jué)或本能等沒(méi)有數(shù)字類比的概念。通用智能將具備處理多種類型的任務(wù)和適應(yīng)未曾預(yù)料的情形的能力。一個(gè)通用智能無(wú)疑可以實(shí)現(xiàn)“正義”和“公平”這樣的概念：我們已經(jīng)在談?wù)撊斯ぶ悄軐?duì)法律系統(tǒng)的影響了。

 

　　我們先以自動(dòng)駕駛汽車(chē)來(lái)證明我們所面臨的問(wèn)題。要實(shí)現(xiàn)自動(dòng)駕駛，汽車(chē)需要將模式識(shí)別和其它能力整合到一起，包括推理、規(guī)劃和記憶。它需要識(shí)別模式，這樣才能對(duì)障礙物和街道標(biāo)志做出反應(yīng)；它需要推理，這樣才能理解交通規(guī)則和解決像避開(kāi)障礙物等任務(wù)；它需要規(guī)劃以獲得從當(dāng)前位置到目標(biāo)位置的路徑，并同時(shí)考慮到交通狀況等其它模式。

 

　　它需要不斷重復(fù)做這些事，不斷更新它的解決方案。但是，即使一輛自動(dòng)駕駛汽車(chē)整合了所有這些人工智能，它也不具備我們所期望的通用智能應(yīng)該具備的靈活性。你不會(huì)期待一輛自動(dòng)駕駛汽車(chē)能和你交談或布置你的花園。將從一個(gè)領(lǐng)域?qū)W習(xí)到的知識(shí)應(yīng)用到另一個(gè)領(lǐng)域的遷移學(xué)習(xí)是非常困難的。

 

　　你也許可以重新加工其中許多軟件組件，但那只能指出缺少了什么：我們當(dāng)前的人工智能能為特定問(wèn)題提供范圍狹窄的解決方案，它們并不是通用的問(wèn)題解決者。你可以將范圍狹窄的人工智能疊加到一起（一輛車(chē)可以帶有能談?wù)撊ツ睦铩⑦M(jìn)行餐廳推薦和與你下棋讓你不會(huì)感覺(jué)無(wú)聊的 Bot），但狹窄人工智能的疊加永遠(yuǎn)不能得到一個(gè)通用人工智能。通用人工智能的關(guān)鍵不是有多少種能力，而是這些能力的整合。

 

　　盡管神經(jīng)網(wǎng)絡(luò)這樣的方法原本是為模擬人腦過(guò)程而開(kāi)發(fā)的，但許多人工智能計(jì)劃已經(jīng)放棄了模仿生物大腦的概念。我們不知道大腦的工作方式；神經(jīng)網(wǎng)絡(luò)計(jì)算是非常有用的，但它們并沒(méi)有模擬人類的思維。

 

　　在《Artificial Intelligence： A Modern Approach》一書(shū)中，Peter Norvig 和 Stuart Russell 寫(xiě)道：“當(dāng)萊特兄弟和其他人停止模仿鳥(niǎo)類并開(kāi)始學(xué)習(xí)空氣動(dòng)力學(xué)時(shí)，對(duì)‘人工飛行’的追求才獲得成功。”

 

　　類似地，要取得成功，人工智能不需要將重點(diǎn)放到模仿大腦的生物過(guò)程上，而應(yīng)該嘗試?yán)斫獯竽X所處理的問(wèn)題?？梢院侠淼毓烙?jì)，人類使用了任意數(shù)量的技術(shù)進(jìn)行學(xué)習(xí)，而不管生物學(xué)層面上可能會(huì)發(fā)生什么。這可能對(duì)通用人工智能來(lái)說(shuō)也是一樣：它將使用模式匹配（類似 AlphaGo），它將使用基于規(guī)則的系統(tǒng)（類似沃森），它將使用窮舉搜索樹(shù)（類似深藍(lán)）。

 

　　這些技術(shù)沒(méi)有一種能與人類智能直接對(duì)應(yīng)。人類比任何計(jì)算機(jī)都做得更好的是構(gòu)建他們的世界的模型，并根據(jù)這些模型采取行動(dòng)。

 

　　超越通用智能后的下一步是超智能（super-intelligence 或 hyper-intelligence）。目前我們還不清楚如何區(qū)分通用人工智能和超智能。我們期望超智能系統(tǒng)會(huì)具備創(chuàng)造力和直覺(jué)等性質(zhì)嗎？鑒于我們對(duì)人類的創(chuàng)造力還不甚理解，思考機(jī)器的創(chuàng)造力就更為困難了。

 

　　圍棋專家稱 AlphaGo 的一些落子是“創(chuàng)造性的”；但它們?cè)醋耘c其它所有落子完全一樣的過(guò)程和模式，而并非以一種新的視角看待這項(xiàng)游戲。同樣算法的重復(fù)應(yīng)用可能會(huì)產(chǎn)生讓人類感到驚訝或意外的結(jié)果，但僅僅的驚訝并不是我們所說(shuō)的“創(chuàng)造力”。

 

　　將超智能看作一個(gè)規(guī)模問(wèn)題會(huì)更容易一點(diǎn)。如果我們可以創(chuàng)造“通用智能”，可以很容易估計(jì)出它將很快就比人類強(qiáng)大成千上萬(wàn)倍?；蛘?，更準(zhǔn)確地說(shuō)，通用人工智能要么將顯著慢于人類思維，難以通過(guò)硬件或軟件加速；要么就將通過(guò)大規(guī)模并行和硬件改進(jìn)而獲得快速提速。

 

　　我們將從數(shù)千個(gè)內(nèi)核 GPU 擴(kuò)展到數(shù)千個(gè)芯片上的數(shù)以萬(wàn)億計(jì)的內(nèi)核，其數(shù)據(jù)流來(lái)自數(shù)十億的傳感器。在第一種情況中，當(dāng)加速變緩時(shí)，通用智能可能不會(huì)那么有趣（盡管它將成為研究者的一次偉大旅程）。在第二種情況中，其增速的斜坡將會(huì)非常陡峭、非?？?。

 

　　訓(xùn)練還是不訓(xùn)練

 

　　AlphaGo 的開(kāi)發(fā)者聲稱使用了遠(yuǎn)比深藍(lán)更通用的算法來(lái)訓(xùn)練人工智能：他們制作了一個(gè)只具備最少圍棋知識(shí)策略的系統(tǒng)，學(xué)習(xí)主要是通過(guò)觀察圍棋比賽獲得。這指明了下一個(gè)大方向：我們可以從機(jī)器基于標(biāo)注數(shù)據(jù)的監(jiān)督學(xué)習(xí)走向機(jī)器依靠自己組織和結(jié)構(gòu)化數(shù)據(jù)的無(wú)監(jiān)督學(xué)習(xí)嗎？

 

　　Yann LeCun 曾在 Facebook 的一篇帖子中說(shuō)到：“在我們想要得到真正的人工智能之前，我們必須解決無(wú)監(jiān)督學(xué)習(xí)的問(wèn)題。”

 

　　要對(duì)照片分類，一個(gè)人工智能系統(tǒng)首先會(huì)獲得數(shù)百萬(wàn)張已經(jīng)正確分類了的照片；在學(xué)習(xí)了這些分類之后，它還要使用一系列標(biāo)注了的照片進(jìn)行測(cè)試，看它們是否能夠正確標(biāo)注這個(gè)測(cè)試集。如果沒(méi)有標(biāo)注，機(jī)器又能做什么？如果沒(méi)有元數(shù)據(jù)告訴機(jī)器“這是鳥(niǎo)，這是飛機(jī)，這是花”，它還能發(fā)現(xiàn)照片中重要的內(nèi)容嗎？機(jī)器能像人和動(dòng)物一樣，只需觀察遠(yuǎn)遠(yuǎn)更少的數(shù)據(jù)就能發(fā)現(xiàn)模式嗎？

 

　　人類和動(dòng)物都可以從相對(duì)很少的數(shù)據(jù)中構(gòu)建模型和抽象：比如，我們不需要幾百萬(wàn)張圖像才能識(shí)別出一種新的鳥(niǎo)或在一座新城市找到我們的路。研究者正在研究的一個(gè)問(wèn)題是對(duì)視頻的未來(lái)畫(huà)面的預(yù)測(cè)，這將需要人工智能系統(tǒng)構(gòu)建對(duì)世界運(yùn)作方式的理解。

 

　　有可能開(kāi)發(fā)出能應(yīng)對(duì)全新環(huán)境的系統(tǒng)嗎？比如在冰面汽車(chē)會(huì)難以預(yù)料的打滑。人類可以解決這些問(wèn)題，盡管它們不一定很擅長(zhǎng)。無(wú)監(jiān)督學(xué)習(xí)指出，光是靠更好更快的硬件，或開(kāi)發(fā)者只是用當(dāng)前的庫(kù)進(jìn)行開(kāi)發(fā)，問(wèn)題將無(wú)法得到解決。

 

　　有一些學(xué)習(xí)方法處在監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的中間。在強(qiáng)化學(xué)習(xí)中，系統(tǒng)會(huì)被給予一些代表獎(jiǎng)勵(lì)（reward）的值。機(jī)器人可以穿過(guò)一片地面而不跌倒嗎？機(jī)器人可以不用地圖就駕駛汽車(chē)穿過(guò)市中心嗎？獎(jiǎng)勵(lì)可以被反饋給系統(tǒng)并最大化成功的概率。（OpenAI Gym 是一個(gè)很有潛力的強(qiáng)化學(xué)習(xí)框架）。

 

　　在一端，監(jiān)督學(xué)習(xí)意味著再現(xiàn)一組標(biāo)記，這在本質(zhì)上是模式識(shí)別，而且容易發(fā)生過(guò)擬合。在另一個(gè)極端，完全無(wú)監(jiān)督學(xué)習(xí)意味著學(xué)習(xí)歸納性地推理關(guān)于一個(gè)情形的情況，這還需要算法上的突破。半監(jiān)督學(xué)習(xí)（使用最少的標(biāo)注）或強(qiáng)化學(xué)習(xí)（通過(guò)連續(xù)決策）代表著這些極端之間的方法。我們將看到它們能達(dá)到哪種程度。

 

　　智能的意義

 

　　我們所說(shuō)的“智能”是一個(gè)根本性的問(wèn)題。在 Radar 2014 年的一篇文章中，Beau Cronin 出色地總結(jié)了許多人工智能的定義。我們對(duì)人工智能的期待嚴(yán)重依賴于我們希望用人工智能做什么。對(duì)人工智能的討論幾乎總是開(kāi)始于圖靈測(cè)試。

 

　　圖靈假設(shè)人們可以通過(guò)聊天的方式與計(jì)算機(jī)交互：他假設(shè)了一種與計(jì)算機(jī)的溝通方式。這個(gè)假設(shè)限制了我們期望計(jì)算機(jī)做的事：比如，我們不能期望它能駕駛汽車(chē)或組裝電路。這也是一個(gè)故意的模棱兩可的測(cè)試。計(jì)算機(jī)的答案可能是閃爍其詞的或完全不正確的，正確無(wú)誤不是重點(diǎn)。人類智能也可能會(huì)是閃爍其側(cè)或不正確的。我們不大可能將正確無(wú)誤的人工智能誤解為人類。

 

　　如果我們假設(shè)人工智能必須被嵌入到能夠運(yùn)動(dòng)的硬件中，比如機(jī)器人或自動(dòng)駕駛汽車(chē)，我們會(huì)得到一組不同的標(biāo)準(zhǔn)。我們會(huì)要求計(jì)算機(jī)在它自己的控制下執(zhí)行一個(gè)定義不清的任務(wù)（比如開(kāi)車(chē)到一家商店）。我們已經(jīng)打造出了在路線規(guī)劃和駕駛上比大多數(shù)人類都做得更好的人工智能系統(tǒng)。

 

　　谷歌的自動(dòng)駕駛汽車(chē)負(fù)有責(zé)任的那次事故的原因是該算法被修改得更像人類一樣駕駛，并由此帶來(lái)了人工智能系統(tǒng)通常不會(huì)具備的風(fēng)險(xiǎn)。

 

　　自動(dòng)駕駛汽車(chē)還有很多沒(méi)能解決的困難問(wèn)題：比如在暴風(fēng)雪的山路上行進(jìn)。不管人工智能系統(tǒng)是嵌入在汽車(chē)?yán)铮€是無(wú)人飛行器或人形機(jī)器人里，其所面臨的問(wèn)題本質(zhì)上是類似的：在安全、舒適的環(huán)境中執(zhí)行是很容易的；而在高風(fēng)險(xiǎn)、危險(xiǎn)的情形中則艱難得多。

 

　　人類也不擅長(zhǎng)這些任務(wù)，盡管圖靈所期望的對(duì)話中人工智能是回避式的或甚至?xí)e(cuò)誤地回答問(wèn)題，但在高速路上駕駛時(shí)，模糊或不正確的方案卻是不能接受的。

 

　　可以執(zhí)行物理行為的人工智能迫使我們思考機(jī)器人的行為。應(yīng)該用什么樣的道德來(lái)規(guī)范自主機(jī)器人？阿西莫夫的機(jī)器人定律？如果我們認(rèn)為機(jī)器人不應(yīng)該殺死或傷害人類，武器化的無(wú)人機(jī)已經(jīng)打破了這道界限。盡管典型的問(wèn)題“如果事故不可避免，自動(dòng)汽車(chē)應(yīng)該撞向嬰兒還是老奶奶？”是虛假的道德，但這個(gè)問(wèn)題也有一些更為嚴(yán)肅的版本。

 

　　為了避免會(huì)殺死其內(nèi)部乘客的事故，自動(dòng)駕駛汽車(chē)應(yīng)該沖向人群?jiǎn)幔砍橄蟮鼗卮疬@個(gè)問(wèn)題很容易，但很難想象人類會(huì)愿意購(gòu)買(mǎi)會(huì)犧牲他們而不傷害旁觀者的汽車(chē)。我懷疑機(jī)器人將來(lái)能夠回答這個(gè)問(wèn)題，但它也必然會(huì)在福特、通用、豐田和特斯拉的董事會(huì)上得到討論。

 

　　我們可以通過(guò)對(duì)話系統(tǒng)或自主機(jī)器人系統(tǒng)的復(fù)雜度分布來(lái)更為簡(jiǎn)單地定義人工智能，并說(shuō)人工智能只是單純關(guān)于構(gòu)建能回答問(wèn)題和解決問(wèn)題的系統(tǒng)。能夠回答問(wèn)題和推理復(fù)雜邏輯的系統(tǒng)是我們已經(jīng)開(kāi)發(fā)了好些年的“專家系統(tǒng)”，其中大部分都嵌入在沃森中。（AlphaGo 解決的是不同類型的問(wèn)題。）

 

　　但是，正如 Beau Cronin 指出的那樣，解決對(duì)人類來(lái)說(shuō)存在智力挑戰(zhàn)的問(wèn)題是相對(duì)簡(jiǎn)單的；更困難的是解決對(duì)人類來(lái)說(shuō)很簡(jiǎn)單的問(wèn)題。很少有三歲孩童能下圍棋。但所有的三歲孩童都能認(rèn)出自己的父母——而不需要大量有標(biāo)注的圖像集。

 

　　我們所說(shuō)的“智能”嚴(yán)重依賴于我們想要該智能所做的事，并不存在一個(gè)能夠滿足我們所有目標(biāo)的單個(gè)定義。如果沒(méi)有良好定義的目標(biāo)來(lái)說(shuō)明我們想要實(shí)現(xiàn)的東西或讓我們衡量我們是否已經(jīng)實(shí)現(xiàn)了它的標(biāo)準(zhǔn)，由范圍狹窄的人工智能向通用人工智能的轉(zhuǎn)變就不會(huì)是一件容易的事。

 

　　助手還是主角？

 

　　人工智能的新聞報(bào)道聚焦于能夠自主行為的機(jī)器自主系統(tǒng)。這么做有充足的理由：它有趣、性感、且有點(diǎn)令人害怕。在觀看人類輔助 AlphaGo 下棋的同時(shí)，很容易去幻想一個(gè)由機(jī)器主宰的未來(lái)。然而相較于自動(dòng)化設(shè)備，人工智能有更多超過(guò)人類的東西。真正的價(jià)值——人工智能或者智能增強(qiáng)——都在哪里？人工智能還是智能增強(qiáng)？

 

　　這個(gè)問(wèn)題自對(duì)于人工智能的初次嘗試起就被問(wèn)到，并由 John Markoff 在《Machines of Loving Grace》中深入探討過(guò)。

 

　　我們可能不想由一個(gè)人工智能系統(tǒng)來(lái)做決定，而可能會(huì)想為自己保留決定權(quán)。我們或許想讓人工智能通過(guò)提供信息、預(yù)測(cè)任何行動(dòng)過(guò)程的后果、提出建議來(lái)增強(qiáng)智慧，而把決定權(quán)留給人類。盡管有點(diǎn)《黑客帝國(guó)》的感覺(jué)，但這個(gè)被人工智能所服務(wù)的增強(qiáng)我們的智慧而非推翻我們的未來(lái)會(huì)比服侍一匹脫韁的人工智能有著更大可能性。

 

　　GPS 導(dǎo)航系統(tǒng)是一個(gè)人工智能系統(tǒng)用來(lái)增強(qiáng)人類智慧的絕佳案例。給定一張適宜的地圖，大多數(shù)的人都能從 A 點(diǎn)導(dǎo)航到 B 點(diǎn)，盡管這對(duì)于自身能力還有很多要求，尤其是在我們不熟悉的領(lǐng)域。繪制兩個(gè)位置之間的最佳路線是一個(gè)棘手的問(wèn)題，特別是當(dāng)你考慮到糟糕的交通和路況時(shí)。

 

　　但是有了自動(dòng)駕駛車(chē)輛的除外，我們從未把導(dǎo)航引擎連接到方向盤(pán)上。 GPS 是一種嚴(yán)格意義上的輔助技術(shù)：它給出了建議，而不是命令。當(dāng)一個(gè)人已經(jīng)作出忽略 GPS 建議的決定（或錯(cuò)誤）時(shí)，你都會(huì)聽(tīng)到 GPS 說(shuō)“重新計(jì)算路線中”，那是它正在適應(yīng)新情況。

 

　　在過(guò)去幾年中，我們已經(jīng)看到許多各種意義上有資格作為人工智能的應(yīng)用程序。幾乎所有“機(jī)器學(xué)習(xí)”框架下的事物都有資格成為人工智能：事實(shí)上“機(jī)器學(xué)習(xí)”是在人工智能學(xué)科陷入聲名狼藉之時(shí)，被指稱回人工智能更為成功的那部分。你不必一定要構(gòu)建帶有人類聲音的人工智能，像是亞馬遜的 Alexa，當(dāng)然它的推薦引擎肯定是人工智能。

 

　　類似 Stitchfix 的 web 應(yīng)用也是人工智能，它增加了由時(shí)尚專家們運(yùn)用推薦引擎所做出的選擇。我們已經(jīng)習(xí)慣了那些處理客戶服務(wù)電話的聊天機(jī)器人（并經(jīng)常被它們氣壞）——準(zhǔn)確度或高或低。你可能最后還是得和人類對(duì)話，而其中的秘密就是使用聊天機(jī)器人清理掉所有例行問(wèn)題。讓某個(gè)人類去抄錄你的地址、保單號(hào)碼和其他標(biāo)準(zhǔn)信息沒(méi)什么意義：如果內(nèi)容不是太多，計(jì)算機(jī)可以做得至少同樣準(zhǔn)確無(wú)誤。

 

　　下一代助理將是（已經(jīng)是）半自主性的。幾年前，Larry Page說(shuō)《星際迷航》中的計(jì)算機(jī)是理想的搜索引擎：它是一臺(tái)能夠理解人類、已消化所有可用信息、能在被提問(wèn)之前就給出答案的計(jì)算機(jī)。如果你現(xiàn)在正在使用谷歌，當(dāng)它第一次告訴你由于交通堵塞要你早點(diǎn)出發(fā)赴約時(shí)，你可能會(huì)感到驚訝。

 

　　這就需要縱觀多個(gè)不同的數(shù)據(jù)集：你目前所在的位置、你的約會(huì)地點(diǎn)（可能在你的日歷或聯(lián)系人列表中）、谷歌地圖數(shù)據(jù)、目前的交通狀況、甚至是有關(guān)預(yù)期交通模型的時(shí)間先后數(shù)據(jù)。它的目的不是回答某個(gè)問(wèn)題；而是甚至在用戶意識(shí)到需求之前就提供幫助。

　　為什么人工智能在遭受“人工智能的冬天”（AI winter）的幾十年聲名狼藉之后，會(huì)成為當(dāng)下如此熱門(mén)的話題？當(dāng)然，人工智能的新聞也出現(xiàn)深藍(lán)之后，之后又有沃森的故事；但這些風(fēng)潮都沒(méi)能持久?？吹侥壳暗娜斯ぶ悄茚绕馂榱硪淮物L(fēng)潮是很有誘惑力的。這能讓我們忽視過(guò)去十年的變化。

 

　　人工智能的興起依賴于計(jì)算機(jī)硬件的巨大進(jìn)步。列舉計(jì)算機(jī)性能和存儲(chǔ)技術(shù)自人工智能之冬起（維基百科追溯到 1984 年）的 30 多年間的巨大進(jìn)步是很乏味的。但這是此篇文章無(wú)法回避的一部分，特別是如果你已經(jīng)見(jiàn)過(guò) IBM 的沃森機(jī)器支架。

 

　　據(jù)報(bào)道 AlphaGo 運(yùn)行于 1920 個(gè) CPU 和 280 個(gè) GPU ；；擊敗了 Lee Sedol 的機(jī)器可能更加龐大，并且它使用了谷歌用于構(gòu)建神經(jīng)網(wǎng)絡(luò)所開(kāi)發(fā)的定制硬件。即使人工智能算法在普通筆記本上運(yùn)行很慢，但在像 AWS、GCE 和 Azure 的云平臺(tái)上配置一些重要的算力是容易且相對(duì)便宜的。機(jī)器學(xué)習(xí)得以實(shí)現(xiàn)，部分也是因?yàn)檫@種存儲(chǔ)大量數(shù)據(jù)的能力。1985 年時(shí)的千兆字節(jié)（GB）還很罕見(jiàn)且重達(dá)數(shù)百磅；現(xiàn)在它已司空見(jiàn)慣，廉價(jià)而小巧。

 

　　除了存儲(chǔ)和處理數(shù)據(jù)的能力，我們現(xiàn)在還能生成數(shù)據(jù)。在上世紀(jì) 80 年代，大多影像都是模擬信號(hào)?，F(xiàn)在它們?nèi)菙?shù)字的，并有很多存儲(chǔ)于像是 Flickr、Google Photos、Apple Photos、Facebook 等的網(wǎng)絡(luò)服務(wù)商那里。許多在線照片已經(jīng)被貼上了一些描述性的文本，這使得它們成為了訓(xùn)練人工智能系統(tǒng)的良好數(shù)據(jù)集。

 

　　我們的許多對(duì)話也都是線上的，通過(guò) Facebook、Twitter 和許多聊天服務(wù)。我們的購(gòu)物歷史也是一樣。所以我們（或者更準(zhǔn)確的說(shuō)是 谷歌、蘋(píng)果、雅虎、 Facebook、亞馬遜等）就有了訓(xùn)練人工智能系統(tǒng)所需的數(shù)據(jù)。

 

　　我們?cè)谒惴ㄉ弦踩〉昧孙@著的進(jìn)展。神經(jīng)網(wǎng)絡(luò)并不是特別的新，但是“深度學(xué)習(xí)”卻堆疊了一系列通過(guò)反饋來(lái)自我訓(xùn)練的網(wǎng)絡(luò)。因而深度學(xué)習(xí)試圖解決機(jī)器學(xué)習(xí)中最難的人類問(wèn)題之一：從數(shù)據(jù)中學(xué)習(xí)最優(yōu)表征。處理大量數(shù)據(jù)很簡(jiǎn)單，但是特征學(xué)習(xí)就更像是一門(mén)藝術(shù)而非科學(xué)。深度學(xué)習(xí)是要實(shí)現(xiàn)那門(mén)藝術(shù)的部分自動(dòng)化。

 

　　我們不僅取得了算法上進(jìn)展，更讓它得到了廣泛的使用，例如 Caffe、 TensorFlow、Theano、Scikit-Learn、 MXNet、 CNTK 等等。

 

　　人工智能并不局限于學(xué)術(shù)界的計(jì)算機(jī)科學(xué)研究者，而是像 Pete Warden 所展示的那樣，越來(lái)越多的人都能夠參與進(jìn)來(lái)。你無(wú)需了解如何實(shí)現(xiàn)一個(gè)復(fù)雜的算法并讓它在你的硬件上運(yùn)行得多么好。你只需要知道如何安裝庫(kù)并標(biāo)注訓(xùn)練數(shù)據(jù)就行了。

 

　　正如計(jì)算機(jī)革命本身所發(fā)生的那樣，計(jì)算機(jī)被搬出了機(jī)房并被廣大市民所使用，同樣的民主化進(jìn)程正在制造一場(chǎng)人工智能革命。來(lái)自許多背景和環(huán)境的人利用人工智能做試驗(yàn)，我們將會(huì)看到許多新型應(yīng)用。有些會(huì)看起來(lái)像科幻小說(shuō)（盡管自動(dòng)駕駛汽車(chē)被看做科幻小說(shuō)還只是幾年前的事）；肯定會(huì)有我們甚至無(wú)法想象的新應(yīng)用出現(xiàn)。

 

　　建立知識(shí)數(shù)據(jù)庫(kù)

 

　　世界充滿了“暗數(shù)據(jù)”：不存在于良好、有序的數(shù)據(jù)庫(kù)中的非結(jié)構(gòu)化信息。它在網(wǎng)站上、埋于表格里、被珍藏在照片和電影中；但它不易被機(jī)器智能或其他智能所捕獲。

 

　　像 diffbot 和 deepdive 這樣的項(xiàng)目是利用半監(jiān)督學(xué)習(xí)來(lái)找出非結(jié)構(gòu)化數(shù)據(jù)中的結(jié)構(gòu)——無(wú)論是大量的科學(xué)論文還是眾多網(wǎng)站的碎屑。一旦他們創(chuàng)建了一個(gè)數(shù)據(jù)庫(kù)，就能用更傳統(tǒng)的工具—— API、SQL 語(yǔ)句或者桌面應(yīng)用程序——訪問(wèn)該數(shù)據(jù)庫(kù)。

 

　　知識(shí)數(shù)據(jù)庫(kù)和圖表已被應(yīng)用到許多智能應(yīng)用中，包括谷歌的知識(shí)圖譜（Knowledge Graph）。在我們走向聊天應(yīng)用時(shí)，挖掘暗數(shù)據(jù)并找出其中結(jié)構(gòu)的能力將變得更加重要。在聊天應(yīng)用從腳本化和目標(biāo)狹隘型邁向?yàn)橛脩舴祷厝我鈫?wèn)題的答案型的道路上，暗數(shù)據(jù)的有效利用將成為這一轉(zhuǎn)變的關(guān)鍵。

 

　　我們可能看不到這樣的應(yīng)用程序被用于問(wèn)題“理解”，而是會(huì)成為未來(lái)輔助技術(shù)的中心。它們將依靠已被機(jī)器分解并結(jié)構(gòu)化的知識(shí)庫(kù)：其中包含的大量數(shù)據(jù)將超出人類的標(biāo)記能力。

 

　　產(chǎn)生結(jié)果

 

　　不像人工智能冬天的黑暗時(shí)期，那時(shí)數(shù)據(jù)有限、計(jì)算機(jī)很慢，現(xiàn)在我們到處都能看到成功的人工智能系統(tǒng)。谷歌翻譯肯定不會(huì)像人類翻譯員那樣好，但是它經(jīng)常能夠提供一個(gè)可用的翻譯結(jié)果。盡管語(yǔ)音識(shí)別系統(tǒng)還沒(méi)有達(dá)到隨處可見(jiàn)的程度，也也已經(jīng)是司空見(jiàn)慣的了，且其準(zhǔn)確度令人驚嘆；一年前谷歌聲稱安卓手機(jī)可以正確無(wú)誤地理解 92% 的問(wèn)題。如果一臺(tái)計(jì)算機(jī)能夠準(zhǔn)確地將問(wèn)題轉(zhuǎn)化為文本，那么下一步就是把問(wèn)題變成答案。

 

　　同樣，圖像識(shí)別和圖像處理也已經(jīng)變得司空見(jiàn)慣。盡管存在一些被廣泛報(bào)道的尷尬錯(cuò)誤，計(jì)算機(jī)視覺(jué)系統(tǒng)能夠以在幾年前還不可想象的精確度來(lái)識(shí)別人臉。

 

　　理所當(dāng)然地，對(duì)此問(wèn)題的適宜約束在其成功中起著巨大作用：Facebook 可以識(shí)別照片中的面孔，是因?yàn)樗俣ㄕ掌锏娜撕芸赡苁悄愕呐笥选Ｓ?jì)算機(jī)視覺(jué)是（或?qū)⑹牵膶こ５娇膳碌雀鞣N層次的人工智能應(yīng)用的中心。視覺(jué)顯然是自動(dòng)駕駛車(chē)輛的關(guān)鍵；它對(duì)于監(jiān)控、自動(dòng)鎖定無(wú)人機(jī)和其他不令人舒服的應(yīng)用也同樣重要。

 

　　深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在過(guò)去的一年里已經(jīng)吸引了大量的關(guān)注：它們已經(jīng)實(shí)現(xiàn)了計(jì)算機(jī)視覺(jué)、自然語(yǔ)言和其他領(lǐng)域的進(jìn)步。

 

　　然而幾乎所有打著機(jī)器學(xué)習(xí)旗號(hào)的都是人工智能：分類與聚類算法（classification and clustering algorithms）、各種決策樹(shù)（decision trees）、遺傳算法（genetic algorithms）、支持向量機(jī)（support vector machines）、分層式即時(shí)記憶（HTM：hierarchical temporal memory）等等。

 

　　這些技術(shù)可以被自己使用，也可以與其他技術(shù)結(jié)合使用。IBM 的沃森是集成學(xué)習(xí)（ensemble learning）一個(gè)很好的例子：它是一個(gè)基于規(guī)則的系統(tǒng)，并依據(jù)所要解決的問(wèn)題來(lái)結(jié)合使用其他算法。這個(gè)規(guī)則在很大程度上是手工制定的，而其他算法則需通過(guò)精心調(diào)整來(lái)獲得良好效果。

 

　　像 Watson 一樣令人印象深刻的、需要大量手動(dòng)調(diào)整的系統(tǒng)是一塊通向智能道路上的最好的踏腳石。任何的通用人工智能和大多數(shù)的狹義人工智能系統(tǒng)都將可能結(jié)合多種算法，而不是使用單一的、尚未被發(fā)現(xiàn)的主算法。

 

　　但這種用來(lái)得到良好結(jié)果的調(diào)整是一個(gè)主要的限制：AlphaGo 團(tuán)隊(duì)負(fù)責(zé)人 Demis Hassabis 說(shuō)這樣的調(diào)整“幾乎像是一種藝術(shù)形式。”如果取得好結(jié)果需要花幾年時(shí)間，并且只有一些專家（Hassabis 說(shuō)有幾百人）有能力做這項(xiàng)工作，那么它還是“人工智能”嗎？

 

　　類似 Watson 這樣的引擎的創(chuàng)造過(guò)程是科學(xué)，然而也需要許多藝術(shù)。另外，手動(dòng)優(yōu)化的需求表明人工智能系統(tǒng)的建立方式本質(zhì)上是狹隘的，只能解決單一的問(wèn)題。很難想象去優(yōu)化一個(gè)能夠解決任何問(wèn)題的“通用智能”引擎。如果你正在做這件事，那么幾乎可以肯定，那是一些特定應(yīng)用。

 

　　人工智能方面的進(jìn)步取決于更好的算法，還是更好的硬件？如果這個(gè)問(wèn)題還算有意義，那么答案就是“同時(shí)”。即使 GPU 進(jìn)展的時(shí)間速率已經(jīng)停止，我們把更多東西塞進(jìn)一張芯片的力還沒(méi)有停滯：AlphaGo 的 280 個(gè) GPU 能夠輕松平均 20 萬(wàn)個(gè)核心。

 

　　更重要的是，我們已經(jīng)看到了許多用于 GPU 的數(shù)學(xué)庫(kù)和工具方面的改進(jìn)。我們可能還會(huì)看到 ASIC（application-specific integrated circuit ）和 FPGA（ field-programmable gate arrays）在未來(lái)的人工智能引擎中的使用。反過(guò)來(lái)，ASIC 和 FPGA 將成為在許多需要硬實(shí)時(shí)狀態(tài)（hard real-time）運(yùn)行的硬件系統(tǒng)（想想自動(dòng)駕駛汽車(chē)）中嵌入人工智能的關(guān)鍵。

 

　　但即使有了更好的硬件，我們?nèi)匀恍枰植加诔汕先f(wàn)個(gè)節(jié)點(diǎn)中的算法；我們需要能夠飛速地重新編程 FPGA 的算法，以適應(yīng)待解決問(wèn)題所使用的硬件。MapReduce 在數(shù)據(jù)分析中很流行是因?yàn)樗岢隽艘粋€(gè)并行化一大類問(wèn)題的方法。

 

　　并行顯然在人工智能中起作用，但它的限制是什么？并行的殘酷現(xiàn)實(shí)是，其不可被并行的部分能把你折磨死。而大多數(shù)并行算法的標(biāo)志是，你需要一個(gè)用以收集部分結(jié)果并產(chǎn)生單一結(jié)果的階段。AlphaGo 在計(jì)算下一步棋時(shí)可能正在查看成千上萬(wàn)個(gè)選擇，但在某一點(diǎn)上，它需要瀏覽所有的選項(xiàng)，評(píng)估哪個(gè)是最好的，并給出一個(gè)單一結(jié)果。

 

　　AlphaGo 可以利用 280 個(gè) GPU 的優(yōu)勢(shì)；那么一臺(tái)有 280，000 個(gè) GPU 的計(jì)算機(jī)怎么樣？畢竟，迄今為止我們所制造的最大計(jì)算機(jī)的計(jì)算能力只相當(dāng)于一只老鼠大腦的一小部分，更不要說(shuō)與人類相比了。如果是不依賴于并行設(shè)計(jì)和神經(jīng)網(wǎng)絡(luò)的算法呢？在一個(gè)路線中的每個(gè)元素都采取不同方法來(lái)解決問(wèn)題的系統(tǒng)當(dāng)中，你如何運(yùn)用反饋？像這樣的問(wèn)題有可能在不久的將來(lái)推動(dòng)人工智能的研究。

 

　　在人工智能算法中使用更多（更快）的硬件有可能使我們獲得更好的圍棋手、國(guó)際象棋手和 Jeopardy 玩家。我們將能更快更好地分類圖像。不過(guò)這是我們目前可解決問(wèn)題的一項(xiàng)改進(jìn)而已。更多計(jì)算能力將會(huì)把我們從監(jiān)督學(xué)習(xí)領(lǐng)到無(wú)監(jiān)督學(xué)習(xí)嗎？它會(huì)把我們從狹義的智能引到通用智能中嗎？這還有待觀察。無(wú)監(jiān)督學(xué)習(xí)是一個(gè)難題，而且我們并不清楚能否只通過(guò)使用更多硬件來(lái)解決它。我們?nèi)匀辉趯ふ乙粋€(gè)可能并不存在的“主算法”。

 

　　道德和未來(lái)

 

　　對(duì)超智能的談?wù)摵苋菀装讶藝樀?。而且?jù)一些人說(shuō)，現(xiàn)在是時(shí)候決定我們想要機(jī)器做什么了，趁現(xiàn)在還未為時(shí)已晚。盡管這種立場(chǎng)可能過(guò)于簡(jiǎn)化了，但思考如何限制我們還未造出來(lái)的設(shè)備是非常困難的；而且它們的能力我們現(xiàn)在還無(wú)法想象，可能未來(lái)永遠(yuǎn)也無(wú)法理解。

 

　　拒絕人工智能也是很困難的，因?yàn)闆](méi)有任何技術(shù)是在人類事先考慮周全之后才被發(fā)明出來(lái)的。在歷史的不同時(shí)期人們害怕的許多技術(shù)現(xiàn)在已經(jīng)司空見(jiàn)慣：在某個(gè)時(shí)候，很多人認(rèn)為以超過(guò)每小時(shí) 60 英里的速度旅行是致命的。蘇格拉底反對(duì)書(shū)寫(xiě)，因?yàn)樗麚?dān)心這會(huì)導(dǎo)致健忘：想象一下他會(huì)如何看待我們今天的技術(shù)！

 

　　但我們可以思考人工智能的未來(lái)，以及我們開(kāi)發(fā)協(xié)助我們的人工智能的方式。這里給出了一些建議：大部分對(duì)超人工智能的恐懼都不是在害怕我們已經(jīng)知曉或理解的機(jī)器，他們害怕的是最糟糕的人性加上無(wú)限制的力量。我們無(wú)法想象一個(gè)思考著我們不能理解的想法的機(jī)器；我們想象那是不可戰(zhàn)勝的希特勒或斯大林——我們確實(shí)能理解他們的想法。我們的恐懼本質(zhì)上是人類的恐懼：對(duì)像人類一樣行為的萬(wàn)能機(jī)器的恐懼。

 

　　這并不是詆毀我們的恐懼，因?yàn)槲覀円呀?jīng)見(jiàn)到機(jī)器學(xué)習(xí)確實(shí)能向人類學(xué)習(xí)。微軟不幸的 Tay 是對(duì)話型人工智能 Bot 從網(wǎng)絡(luò)對(duì)話中“學(xué)會(huì)”種族主義和偏見(jiàn)的完美案例。谷歌的圖像分類曾將黑人夫婦識(shí)別為“猩猩”，這個(gè)糟糕的測(cè)試結(jié)果的原因是訓(xùn)練數(shù)據(jù)集中沒(méi)有足夠的合適標(biāo)注的黑人圖片。

 

　　機(jī)器學(xué)習(xí)成為種族主義者的方式和人類差不多一樣：因?yàn)檫@是我們教它們那樣做的，不管是有意還是無(wú)意。這是一個(gè)人類問(wèn)題，而且是一個(gè)可以解決的問(wèn)題。我們可以在人工智能學(xué)習(xí)的內(nèi)容和方式上更加小心。

 

　　我們可以對(duì)我們的訓(xùn)練集中的內(nèi)容以及這些訓(xùn)練集的標(biāo)注方式更加謹(jǐn)慎，我們可以過(guò)濾我們認(rèn)為可以接受的答案類型。這些沒(méi)什么是特別困難的；但卻是必須要做的。更困難的是在目前的環(huán)境中讓人們達(dá)成共識(shí)：認(rèn)為種族主義和仇恨是不好的。

 

　　這是人類價(jià)值觀的問(wèn)題，而不是機(jī)器智能的問(wèn)題。我們會(huì)構(gòu)建出反映了我們自身價(jià)值觀的機(jī)器：我們已經(jīng)在那樣做了。它們是我們想要反映的價(jià)值嗎？

 

　　白宮對(duì)數(shù)據(jù)科學(xué)的報(bào)告《Big Risks， Big Opportunities： the Intersection of Big Data and Civil Rights（大風(fēng)險(xiǎn)、大機(jī)遇：大數(shù)據(jù)和民權(quán)的交集）》在總結(jié)章節(jié)中提到，我們需要研究審核算法的方法，以“確保人們被公平對(duì)待”。隨著我們從“大數(shù)據(jù)”走向人工智能，對(duì)算法的審核以及確保它們反映我們所支持的價(jià)值觀的需求將只會(huì)增長(zhǎng)。

 

　　將對(duì)人工智能的深入研究開(kāi)放給大眾，讓公眾可以見(jiàn)證到，這一點(diǎn)極其重要。這并非因?yàn)槲覀兿嘈?，大眾?huì)對(duì)研究少些“恐懼”（這一點(diǎn)，或許是對(duì)的，也可能是錯(cuò)的），也不是因?yàn)榇蟊姸嗌贂?huì)對(duì)超級(jí)智能的觀念“習(xí)以為常”；而是因?yàn)檩^之公之于眾的研究，人們對(duì)閉門(mén)研究會(huì)投以更大的關(guān)注。

 

　　實(shí)際上，《不道德的研究（ Unethical Research）》這篇論文建議，打造一個(gè)健康的人工智能生態(tài)系統(tǒng)的最好方式就是將打造惡毒機(jī)器的想法公開(kāi)。研究會(huì)繼續(xù)在背后進(jìn)行，認(rèn)為軍方研究和情報(bào)部門(mén)沒(méi)有致力于人工智能的想法，很天真。但是，如果沒(méi)有公開(kāi)狀態(tài)下進(jìn)行人工智能研究，我們就會(huì)受到軍方或者情報(bào)部門(mén)研究的支配。

 

　　（一個(gè)公司，比如谷歌或者 Facebook，是閉門(mén)研究抑或開(kāi)誠(chéng)布公，是個(gè)值得討論的問(wèn)題）這也就是 OpenAI 的宗旨：“以盡可能從整體上讓人類受益的方式推進(jìn)數(shù)字化智能的研究，不受需要財(cái)務(wù)收益的限制。” OpenAI 是一個(gè)激動(dòng)人心而且讓人吃驚的應(yīng)答（針對(duì)人們對(duì)人工智能恐懼）：盡可能遠(yuǎn)地推進(jìn)這項(xiàng)研究，但是公開(kāi)確保公共領(lǐng)域的研究領(lǐng)先于閉門(mén)研究。

 

　　對(duì)于研究來(lái)說(shuō)，開(kāi)放且公開(kāi)也同樣重要，因?yàn)檠芯科鹪磿r(shí)常決定了研究的應(yīng)用。核能就是個(gè)好例子。我們可以打造安全、高效的核反應(yīng)堆。但是，我們從來(lái)沒(méi)有打造過(guò)釷反應(yīng)堆，因?yàn)樗麄儾粫?huì)幫你制造炸彈，而且對(duì)核能的深入研究是由國(guó)防部門(mén)控制的。

 

　　核反應(yīng)堆不是不會(huì)產(chǎn)生可用數(shù)量的钚嗎？為什么任何人都想要核反應(yīng)堆？再一次，認(rèn)為軍方和國(guó)家情報(bào)部門(mén)不會(huì)做出優(yōu)秀的人工智能研究，這種想法太天真。但是，如果人工智能變成國(guó)家情報(bào)部門(mén)的專屬領(lǐng)域，那么，就會(huì)有秘密竊聽(tīng)和理解對(duì)話的優(yōu)秀系統(tǒng)。

 

　　當(dāng)思考人工智能還能為我們做些什么時(shí)，我們的想象力會(huì)受到限制，而且也很難想象人工智能的應(yīng)用到底會(huì)有哪些，除了殺人無(wú)人機(jī)、老大哥（Big Brother，典出喬治·奧威爾的名著《1984》）的耳目。我們或許永遠(yuǎn)無(wú)法研發(fā)出智能醫(yī)療系統(tǒng)和機(jī)器人護(hù)士助理。

 

　　如果我們想要讓人工智能服務(wù)于人類，就必須公開(kāi)進(jìn)行研究：作為人工智能研究人員這一更大社區(qū)的一部分，作為更為廣泛的公眾討論（討論目標(biāo)和宗旨）的一部分。我們必須小心，不要打造出人類自己的最糟夢(mèng)魘；但是，也許需要認(rèn)識(shí)到，噩夢(mèng)只不過(guò)是一個(gè)更強(qiáng)大的、真實(shí)的人類自身的版本。

 

　　總是在未來(lái)

 

　　扎克伯格最近說(shuō)道，未來(lái)五到十年，人工智能會(huì)比人類更善于做一些最基礎(chǔ)的任務(wù)。也許他是對(duì)的，但是，同樣清楚的是，他討論的是狹義人工智能：從事特別任務(wù)，比如語(yǔ)音識(shí)別，圖像分類以及游戲。他繼續(xù)說(shuō)，“那并不意味著計(jì)算機(jī)將會(huì)思考。。。”。

 

　　根據(jù)你的交談對(duì)象，一個(gè)真的通用智能可能距離我們 10 到 50 年。考慮到預(yù)測(cè)科技未來(lái)的難度，最好的答案是“十多年以后”，而且可能更久。啥時(shí)候可以做出人類水平的機(jī)器智能？一份最近的專家調(diào)查（Future Progress in Artificial Intelligence： A Survey of Expert Opinion）顯示，可能是 2040-2050 年左右（概率為50%）。正如 LeCun 所言，“人類水平的通用智能距離我們幾十年。”

 

　　因此，如果真的可以，我們什么時(shí)候會(huì)到達(dá)那里？幾年前，Jason Huggins 對(duì)機(jī)器人的評(píng)價(jià)，可謂先見(jiàn)之明。機(jī)器人，他說(shuō)，總是在未來(lái)。機(jī)器人片段一次又一次地中斷，成為現(xiàn)在的一部分；但是，當(dāng)那發(fā)生時(shí)，它們不再被視為機(jī)器人。上世紀(jì)二十年代，我們就將一臺(tái)現(xiàn)代洗碗機(jī)視為一個(gè)超級(jí)智能機(jī)器人；如今，不過(guò)是一個(gè)洗碗機(jī)。

 

　　這種情形也將不可避免地發(fā)生在人工智能身上。實(shí)際上，已經(jīng)發(fā)生了。我已經(jīng)避免對(duì)機(jī)器智能和人工智能做出區(qū)分；“機(jī)器智能”是一個(gè)術(shù)語(yǔ)：當(dāng)人工智能這個(gè)詞聲名狼藉時(shí)，這個(gè)術(shù)語(yǔ)被用于指代人工智能研究中的一些想法。

 

　　如今，那些想法中的很多都變得很常見(jiàn)了。我們不會(huì)對(duì)亞馬遜的推薦系統(tǒng)或者 GPS 導(dǎo)航思慮再三 ，我們將之視為理所當(dāng)然。我們或許發(fā)現(xiàn) Facebook 和谷歌的圖像標(biāo)簽功能很詭異，但是，看到它時(shí)，你不會(huì)認(rèn)為那是人工智能。

 

　　所有嚴(yán)肅的象棋玩家會(huì)對(duì)陣象棋程序，圍棋菜鳥(niǎo)也是如此，而且在 AlphaGo 獲得成功后，對(duì)弈計(jì)算機(jī)也會(huì)延伸到專家層面。這些就是人工智能，他們已經(jīng)中斷并成為當(dāng)今世界的一部分。這一過(guò)程中，人工智能變化了形態(tài)，成為 IA（智能增強(qiáng)）：碾壓人類能力的自動(dòng)化技術(shù)開(kāi)始變得具有輔助性。

 

　　我們能否指著某件東西說(shuō)，“是的，那就是人工智能？”是的，當(dāng)然可以，我們現(xiàn)在就可以這么做了。更重要的是，我們將不可能避免地被人工智能?chē)@著，甚至在我們知道這些東西人工智能之前。我們將管道、電力視為理所當(dāng)然之物，我們的孩子將流媒體音樂(lè)視為理所當(dāng)然。我們也會(huì)視人工智能為理所當(dāng)然，當(dāng)它們?cè)谏钪性絹?lái)越普遍時(shí)。