論《人工智能的未來發(fā)展前景》

人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能定義人工智能不是困難，而簡(jiǎn)直是不可能，這完全不是因?yàn)槲覀儾⒉焕斫馊祟愔悄堋Ｆ婀值氖?，人工智能的進(jìn)步更多的將幫助我們定義人類智能不是什么，而不是定義人工智能是什么?但不管人工智能是什么，過去幾年我們確實(shí)已經(jīng)在從機(jī)器視覺到玩游戲等眾多領(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只是開始而已：在未來十年，我們將見證人工智能蔓延進(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。我們將依賴汽車進(jìn)行路線規(guī)劃，對(duì)道路危險(xiǎn)做出反應(yīng)?？梢院敛豢鋸埖毓烙?jì)：在未來幾十年中，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，我們將無法做任何事。鑒于我們的未來將不可避免地與人工智能捆綁在一起，我們就必須要問：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?人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能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題，還是廣義的問題)、訓(xùn)練(如何學(xué)習(xí))、能力(能解決什么問題)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)(DeepBlue)在國際象棋中擊敗了GarryKasparov;沃森(Watson)擊敗了Jeopardy的常勝冠軍;AlphaGo擊敗了可以說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調(diào)制的問答機(jī)器。深藍(lán)擁有大量關(guān)于國際象棋策略的專門知識(shí)和百科全書式的開放知識(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)到他們還沒有做成的事也是很重要的。我們還沒能創(chuàng)造出可以解決多種多樣不同類型問題的人工通用智能(artificialgeneralintelligence)。我們還沒有聽一兩年人類對(duì)話的錄音就能自己說話的機(jī)器。盡管AlphaGo通過分析數(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掌握國際象棋。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，不管那是玩棋盤游戲，還是設(shè)計(jì)PC板。人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能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)器能在沒有編碼特定領(lǐng)域知識(shí)的情況下解決不同種類的問題。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、直覺或本能等沒有數(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)駕駛汽車來證明我們所面臨的問題。要實(shí)現(xiàn)自動(dòng)駕駛，汽車需要將模式識(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題提供范圍狹窄的解決方案，它們并不是通用的問題解決者。你可以將范圍狹窄的人工智能疊加到一起(一輛車可以帶有能談?wù)撊ツ睦?、進(jìn)行餐廳推薦和與你下棋讓你不會(huì)感覺無聊的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程而開發(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，但它們并沒有模擬人類的思維。在《ArtificialIntelligence:AModernApproach》一書中，PeterNorvig和StuartRussell寫道：“當(dāng)萊特兄弟和其他人停止模仿鳥類并開始學(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?！鳖愃频兀〉贸晒?，人工智能不需要將重點(diǎn)放到模仿大腦的生物過程上，而應(yīng)該嘗試?yán)斫獯竽X所處理的問題?？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)通用人工智能來說也是一樣：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(類似深藍(lán))。這些技術(shù)沒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的“創(chuàng)造力”。將超智能看作一個(gè)規(guī)模問題會(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)大成千上萬倍。或者，更準(zhǔn)確地說，通用人工智能要么將顯著慢于人類思維，難以通過硬件或軟件加速;要么就將通過大規(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)以萬億計(jì)的內(nèi)核，其數(shù)據(jù)流來自數(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?？臁Ｈ斯ぶ悄艿奈磥戆l(fā)展前景：當(dāng)前困境和未來可能訓(xùn)練還是不訓(xùn)練AlphaGo的開發(fā)者聲稱使用了遠(yuǎn)比深藍(lán)更通用的算法來訓(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)的無監(jiān)督學(xué)習(xí)嗎?YannLeCun曾在Facebook的一篇帖子中說到：“在我們想要得到真正的人工智能之前，我們必須解決無監(jiān)督學(xué)習(xí)的問題?！币獙?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。如果沒有標(biāo)注，機(jī)器又能做什么?如果沒有元數(shù)據(jù)告訴機(jī)器“這是鳥，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，我們不需要幾百萬張圖像才能識(shí)別出一種新的鳥或在一座新城市找到我們的路。研究者正在研究的一個(gè)問題是對(duì)視頻的未來畫面的預(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?比如在冰面汽車會(huì)難以預(yù)料的打滑。人類可以解決這些問題，盡管它們不一定很擅長(zhǎng)。無監(jiān)督學(xué)習(xí)指出，光是靠更好更快的硬件，或開發(fā)者只是用當(dāng)前的庫進(jìn)行開發(fā)，問題將無法得到解決。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)器人可以穿過一片地面而不跌倒嗎?機(jī)器人可以不用地圖就駕駛汽車穿過市中心嗎?獎(jiǎng)勵(lì)可以被反饋給系統(tǒng)并最大化成功的概率。(OpenAIGym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)生過擬合。在另一個(gè)極端，完全無監(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。人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能智能的意義我們所說的「智能」是一個(gè)根本性的問題。在Radar2014年的一篇文章中，BeauCronin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始于圖靈測(cè)試。圖靈假設(shè)人們可以通過聊天的方式與計(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，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)(比如開車到一家商店)。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)駕駛汽車還有很多沒能解決的困難問題：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?yán)铮€是無人飛行器或人形機(jī)器人里，其所面臨的問題本質(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，武器化的無人機(jī)已經(jīng)打破了這道界限。盡管典型的問題「如果事故不可避免，自動(dòng)汽車應(yīng)該撞向嬰兒還是老奶奶?」是虛假的道德，但這個(gè)問題也有一些更為嚴(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)駕駛汽車應(yīng)該沖向人群?jiǎn)?抽象地回答這個(gè)問題很容易，但很難想象人類會(huì)愿意購買會(huì)犧牲他們而不傷害旁觀者的汽車。我懷疑機(jī)器人將來能夠回答這個(gè)問題，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。我們可以通過對(duì)話系統(tǒng)或自主機(jī)器人系統(tǒng)的復(fù)雜度分布來更為簡(jiǎn)單地定義人工智能，并說人工智能只是單純關(guān)于構(gòu)建能回答問題和解決問題的系統(tǒng)。能夠回答問題和推理復(fù)雜邏輯的系統(tǒng)是我們已經(jīng)開發(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題。)但是，正如BeauCronin指出的那樣，解決對(duì)人類來說存在智力挑戰(zhàn)的問題是相對(duì)簡(jiǎn)單的;更困難的是解決對(duì)人類來說很簡(jiǎn)單的問題。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。如果沒有良好定義的目標(biāo)來說明我們想要實(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。人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能助手還是主角?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。然而相較于自動(dòng)化設(shè)備，人工智能有更多超過人類的東西。

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)問題自對(duì)于人工智能的初次嘗試起就被問到，并由JohnMarkoff在《MachinesofLovingGrace》中深入探討過。我們可能不想由一個(gè)人工智能系統(tǒng)來做決定，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提供信息、預(yù)測(cè)任何行動(dòng)過程的后果、提出建議來增強(qiáng)智慧，而把決定權(quán)留給人類。盡管有點(diǎn)《黑客帝國》的感覺，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)駕駛車輛的除外，我們從未把導(dǎo)航引擎連接到方向盤上。

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)聽到GPS說「重新計(jì)算路線中」，那是它正在適應(yīng)新情況。在過去幾年中，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)確無誤。下一代助理將是(已經(jīng)是)半自主性的。幾年前，LarryPage說《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)問題;而是甚至在用戶意識(shí)到需求之前就提供幫助。人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能為何人們對(duì)人工智能的興趣大增?為什么人工智能在遭受「人工智能的冬天」(AIwinter)的幾十年聲名狼藉之后，會(huì)成為當(dāng)下如此熱門的話題?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。但這是此篇文章無法回避的一部分，特別是如果你已經(jīng)見過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LeeSedol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)還很罕見且重達(dá)數(shù)百磅;現(xiàn)在它已司空見慣，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、GooglePhotos、ApplePhotos、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Facebook、Twitter和許多聊天服務(wù)。我們的購物歷史也是一樣。所以我們(或者更準(zhǔn)確的說是谷歌、蘋果、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反饋來自我訓(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)就更像是一門藝術(shù)而非科學(xué)。深度學(xué)習(xí)是要實(shí)現(xiàn)那門藝術(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PeteWarden所展示的那樣，越來越多的人都能夠參與進(jìn)來。你無需了解如何實(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)看起來像科幻小說(盡管自動(dòng)駕駛汽車被看做科幻小說還只是幾年前的事);肯定會(huì)有我們甚至無法想象的新應(yīng)用出現(xiàn)。人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能建立知識(shí)數(shù)據(jù)庫世界充滿了「暗數(shù)據(jù)」：不存在于良好、有序的數(shù)據(jù)庫中的非結(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)來找出非結(jié)構(gòu)化數(shù)據(jù)中的結(jié)構(gòu)——無論是大量的科學(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，就能用更傳統(tǒng)的工具——API、SQL語句或者桌面應(yīng)用程序——訪問該數(shù)據(jù)庫。知識(shí)數(shù)據(jù)庫和圖表已被應(yīng)用到許多智能應(yīng)用中，包括谷歌的知識(shí)圖譜(KnowledgeGraph)。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)橛脩舴祷厝我鈫栴}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)用程序被用于問題「理解」，而是會(huì)成為未來輔助技術(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：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。盡管語音識(shí)別系統(tǒng)還沒有達(dá)到隨處可見的程度，也也已經(jīng)是司空見慣的了，且其準(zhǔn)確度令人驚嘆;一年前谷歌聲稱安卓手機(jī)可以正確無誤地理解92%的問題。如果一臺(tái)計(jì)算機(jī)能夠準(zhǔn)確地將問題轉(zhuǎn)化為文本，那么下一步就是把問題變成答案。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)視覺系統(tǒng)能夠以在幾年前還不可想象的精確度來識(shí)別人臉。理所當(dāng)然地，對(duì)此問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)視覺是(或?qū)⑹?從尋常到可怕等各種層次的人工智能應(yīng)用的中心。視覺顯然是自動(dòng)駕駛車輛的關(guān)鍵;它對(duì)于監(jiān)控、自動(dòng)鎖定無人機(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、自然語言和其他領(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(classificationandclusteringalgorithms)、各種決策樹(decisiontrees)、遺傳算法(geneticalgorithms)、支持向量機(jī)(supportvectormachines)、分層式即時(shí)記憶(HTM：hierarchicaltemporalmemory)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)(ensemblelearning)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)所要解決的問題來結(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精心調(diào)整來獲得良好效果。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DemisHassabis說這樣的調(diào)整「幾乎像是一種藝術(shù)形式?！谷绻〉煤媒Y(jié)果需要花幾年時(shí)間，并且只有一些專家(Hassabis說有幾百人)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，只能解決單一的問題。很難想象去優(yōu)化一個(gè)能夠解決任何問題的「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)一張芯片的力還沒有停滯：AlphaGo的280個(gè)GPU能夠輕松平均20萬個(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)庫和工具方面的改進(jìn)。我們可能還會(huì)看到ASIC(application-specificintegratedcircuit)和FPGA(field-programmablegatearrays)在未來的人工智能引擎中的使用。反過來，ASIC和FPGA將成為在許多需要硬實(shí)時(shí)狀態(tài)(hardreal-time)運(yùn)行的硬件系統(tǒng)(想想自動(dòng)駕駛汽車)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解決問題的系統(tǒng)當(dāng)中，你如何運(yùn)用反饋?像這樣的問題有可能在不久的將來推動(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、國際象棋手和Jeopardy玩家。我們將能更快更好地分類圖像。不過這是我們目前可解決問題的一項(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使用更多硬件來解決它。我們?nèi)匀辉趯ふ乙粋€(gè)可能并不存在的「主算法」。人工智能的未來發(fā)展前景：當(dāng)前困境和未來可能道德和未來對(duì)超智能的談?wù)摵苋菀装讶藝樀?。而且?jù)一些人說，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)可能過于簡(jiǎn)化了，但思考如何限制我們還未造出來的設(shè)備是非常困難的;而且它們的能力我們現(xiàn)在還無法想象，可能未來永遠(yuǎn)也無法理解。拒絕人工智能也是很困難的，因?yàn)闆]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)司空見慣：在某個(gè)時(shí)候，很多人認(rèn)為以超過每小時(shí)60英里的速度旅行是致命的。蘇格拉底反對(duì)書寫，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，以及我們開發(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限制的力量。我們無法想象一個(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，不管是有意還是無意。這是一個(gè)人類問題，而且是一個(gè)可以解決的問題。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，我們可以過濾我們認(rèn)為可以接受的答案類型。這些沒什么是特別困難的;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)值觀的問題，而不是機(jī)器智能的問題。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《BigRisks,BigOpportunities:theIntersectionofBigDataandCivilRights(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放給大眾，讓公眾可以見證到，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?！?而是因?yàn)檩^之公之于眾的研究，人們對(duì)閉門研究會(huì)投以更大的關(guān)注。實(shí)際上，《不道德的研究(UnethicalResearch)》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。研究會(huì)繼續(xù)在背后進(jìn)行，認(rèn)為軍方研究和情報(bào)部門沒有致力于人工智能的想法，很天真。但是，如果沒有公開狀態(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)部門研究的支配。(一個(gè)公司，比如谷歌或者Facebook，是閉門研究抑或開誠布公，是個(gè)值得討論的問題)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?！筄penAI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，但是公開確保公共領(lǐng)域的研究領(lǐng)先于閉門研究。對(duì)于研究來說，開放且公開也同樣重要，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，我們從來沒有打造過釷反應(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防部門控制的。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