人工智能(AI)技術(shù)市場正在蓬勃發(fā)展?？梢钥吹?，其中不僅存在大肆炒作和媒體的日益關(guān)注的現(xiàn)象外，眾多初創(chuàng)公司和互聯(lián)網(wǎng)巨頭都在競相加入進(jìn)來，并且企業(yè)的投資力度和采用程度隨之大幅提升。不過人工智能究竟是什么?為什么如此重要?關(guān)于人工智能是如何支配人類生活?最近，John D.Kelleher教授給出了答案。
John D.Kelleher：都柏林理工學(xué)院信息通信和娛樂研究所教授和學(xué)術(shù)帶頭人，同時(shí)也是《Fundamentals of Machine Learning for Predictive Data Analytics》的合著者。
初始階段
《A proposal for the 1956 Dartmouth Summer Research Project on Artificial Intelligence》一文首次正式使用術(shù)語“人工智能(AI)”。撰寫該著作的研討會(huì)為期六個(gè)月，標(biāo)志著人工智能研究領(lǐng)域的誕生，會(huì)議組織者(John McCarthy、Marvin Minsky、Nathaniel Rochester和Claude Shannon)和與會(huì)者們在此領(lǐng)域領(lǐng)先數(shù)年。
初期研究聚焦于開發(fā)具備人類智能的計(jì)算系統(tǒng)，此類智能與人類傳統(tǒng)意義上的智力相關(guān)，包括語言使用、數(shù)學(xué)以及基于經(jīng)驗(yàn)(學(xué)習(xí))和計(jì)劃(如象棋等游戲)的自我能力提升。
圖靈測試
如何確定“智能”的操作定義是長期以來的一大難題，若不定義，研究者將無法衡量是否能成功開發(fā)智能系統(tǒng)。
幾乎所有圖像、語音和語言處理、自動(dòng)駕駛汽車和機(jī)器博弈等領(lǐng)域的最新突破都基于深度學(xué)習(xí)。
1950年，阿蘭·圖靈發(fā)明了一套針對(duì)人工智能的測試，即圖靈測試。人類評(píng)估員事先知道測試對(duì)象(A和B)分別是人類和機(jī)器，卻無法分辨誰是誰的前提下，向測試對(duì)象提出系列問題。
所有提問結(jié)束后，若評(píng)估員依舊無法根據(jù)回答確認(rèn)測試對(duì)象的真實(shí)身份，機(jī)器即通過測試并被認(rèn)定為人工智能。測試的基本要求是機(jī)器表現(xiàn)得足夠智能，才能稱作人工智能。
多年來，對(duì)于圖靈測試的質(zhì)疑聲不斷。哲學(xué)家John Searle將人工智能劃分為弱人工智能和強(qiáng)人工智能，前者只需能夠思考，而后者則能進(jìn)行真正的思考(不只是模擬思考)。如今，多數(shù)研究者已認(rèn)可弱人工智能，并不在乎它們是否真正創(chuàng)作智能。
機(jī)器人難以勝任人類的簡單工作
人工智能領(lǐng)域已取得諸多前期突破，例如邏輯推理和定理證明的一些通用方法。Terry Winograd的SHRDLU系統(tǒng)能夠識(shí)別自然語言命令，斯坦福國際研究所的Shakey機(jī)器人項(xiàng)目則展示了將符號(hào)推理與形體動(dòng)作相關(guān)聯(lián)的可能性。
但這些前期突破給研究者注入的熱情已漸漸消退。實(shí)踐證明，這些所謂的成功突破難以改善現(xiàn)實(shí)世界。事實(shí)上，研究人員從早期研究中了解到，有些任務(wù)對(duì)人類來說輕而易舉，但機(jī)器人卻難以勝任。“在智能測試中，讓機(jī)器表現(xiàn)得像成年人一樣下跳棋并不難，但要讓它們擁有一歲孩子的感知力和靈活性，幾乎不可能。”機(jī)器人專家Hans Moravec在1988年發(fā)表的《Mind Children》(哈佛大學(xué)出版社)中如是說道。
消除悖論
人工智能研究團(tuán)隊(duì)對(duì)Moravec悖論的看法和現(xiàn)實(shí)世界應(yīng)用人工智能系統(tǒng)帶來的挑戰(zhàn)是多種多樣的。一些研究者在傳統(tǒng)基礎(chǔ)上擴(kuò)充了人工智能這一概念，將感知力、記憶力、自律能力、情緒和運(yùn)動(dòng)能力也納入其中。該研究通常被稱作具身認(rèn)知，它假定有機(jī)體的認(rèn)知能力由軀體所塑造并依賴于軀體，而非大腦。人工智能研究領(lǐng)域的這一分支極有可能研發(fā)出電影里那樣的自主式智能機(jī)器人。
另一觀點(diǎn)則主張研發(fā)能勝任特定任務(wù)或精通特定領(lǐng)域的人工智能系統(tǒng)。這類系統(tǒng)在發(fā)達(dá)國家已是老生常談，且未來幾年將不斷推陳出新。
以下系統(tǒng)全都運(yùn)用了人工智能：Roomba智能吸塵器、谷歌搜索引擎、亞馬遜的智能推薦系統(tǒng)、蘋果手機(jī)的Siri界面、垃圾郵件過濾器以及機(jī)器翻譯系統(tǒng)。然而，它們只能完成特定任務(wù)，并不能勝任其他領(lǐng)域，因而最好將其視作特定領(lǐng)域的專家，而非具備人類擁有的一般智力和靈活思維。
深度學(xué)習(xí)的到來
現(xiàn)代人工智能的研究圍繞利用大型數(shù)據(jù)集和機(jī)器學(xué)習(xí)，使計(jì)算機(jī)掌握相應(yīng)領(lǐng)域的規(guī)則。深度學(xué)習(xí)恰恰是此類數(shù)據(jù)或機(jī)器學(xué)習(xí)主導(dǎo)的人工智能的核心。近期，人工智能在圖像處理、語音處理、語言處理、自動(dòng)駕駛汽車以及機(jī)器博弈領(lǐng)域等均有新突破，相關(guān)新聞報(bào)道幾乎全都關(guān)注深度學(xué)習(xí)。
短期內(nèi)全面開發(fā)人工智能的可能性微乎其微。
機(jī)器學(xué)習(xí)領(lǐng)域?qū)㈤_發(fā)算法作為研究重點(diǎn)，使計(jì)算機(jī)從大型數(shù)據(jù)集中提取模式，并產(chǎn)生實(shí)現(xiàn)這些模式的模型。機(jī)器學(xué)習(xí)算法最常用的模式為一系列輸入特征到輸出特征的映射。數(shù)學(xué)上，將這種從輸入到輸出的系列映射稱作函數(shù)。因此，可以將機(jī)器學(xué)習(xí)理解為從數(shù)據(jù)中獲取函數(shù)的過程。
例如，垃圾郵件過濾器應(yīng)用的函數(shù)為郵件特征(如郵件中的詞句或發(fā)件人地址等)到標(biāo)記垃圾郵件或其他郵件的映射。而人臉識(shí)別軟件應(yīng)用的函數(shù)則為一系列面部特征(如圖像的線條顏色及像素顏色)到表征像素點(diǎn)是否在面部輪廓線內(nèi)的標(biāo)記的映射。
從各方面來講，與其說人工智能是能通過自然流暢的語言與人類交流的機(jī)器人，倒不如將其理解為函數(shù)，即從輸入到輸出的映射。理解函數(shù)的應(yīng)用是現(xiàn)代人工智能的核心，就會(huì)明白目前多數(shù)人工智能都只能完成設(shè)計(jì)要求的特定任務(wù)。
人工智能的未來
史蒂芬·霍金教授曾警告：徹底開發(fā)人工智能可能導(dǎo)致人類滅亡。盡管霍金這一觀點(diǎn)是正確的，但短期內(nèi)全面開發(fā)人工智能的可能性微乎其微。
人工智能為現(xiàn)代社會(huì)帶來了更迫在眉睫的挑戰(zhàn)是確立人類對(duì)于人工智能自動(dòng)化程度的期望值。如今，從數(shù)據(jù)中獲取函數(shù)這一理念影響著人類生活的方方面面。根據(jù)計(jì)算機(jī)習(xí)得的函數(shù)，人類的面部輪廓可能將會(huì)映射到昂貴汽車或健康保險(xiǎn)費(fèi)上，或是高價(jià)網(wǎng)絡(luò)購物體驗(yàn)或航班禁飛名單中。實(shí)際上，一些城市正在運(yùn)用人工智能系統(tǒng)劃定警察巡邏范圍，并在刑事司法系統(tǒng)中協(xié)助做出假釋和判刑方面的決定。
人工智能的決策過程是從數(shù)據(jù)中習(xí)得的，因此這些系統(tǒng)更為客觀公正，人們對(duì)于這一說法爭議不斷。但此因果關(guān)系的漏洞在于人工智能毫無道德觀念，它僅從數(shù)據(jù)中機(jī)械提取模式，并非客觀行為。因而研究者需重點(diǎn)關(guān)注數(shù)據(jù)集的設(shè)計(jì)和取樣過程，否則只會(huì)徒增社會(huì)偏見。
人工智能也為我們帶來諸多便利，它能夠幫助我們在醫(yī)藥、交通及商業(yè)領(lǐng)域作出更明智的決定。人工智能這個(gè)“精靈”已從魔瓶中釋放出來，因此，我們需謹(jǐn)慎處理內(nèi)心的欲望。
