新闻 / 人工智能技术

“机器会取代人类吗？”那是 1940 年，富兰克林-D-罗斯福在与麻省理工学院院长的辩论中，担心机器对失业率的影响。16 年后，在达特茅斯会议上，人工智能（AI）正式进入科学学科的神殿。.

“机器会取代人类吗？”这一年是 1940 年，富兰克林-罗斯福在与美国总统的辩论中问道："机器是否会取代人类？ 麻省理工学院, 当时，他正在担心机器对失业率的影响。16 年后，在达特茅斯会议上、, 人工智能（AI） 正式进入科学学科的神殿。这一次，机器人肯定会取代人类。这只是几年的问题，也许是几个月的问题......六十年后，我们的专业同事仍然是血肉之躯，而我们的雄心壮志也终于被下调了。最新的例子是：无人驾驶汽车，四年前我们曾预测它将于 2020 年面世。给你个建议：至少再拿十年驾照吧。.

是的，正如 2019 年图灵奖得主杰弗里-辛顿（Geoffrey Hinton）所预测的那样，很可能有一天，artificial intelligence 会像人类一样无所不能。但这不是几个月的问题，甚至不是几年的问题......半个世纪？几百年？更多？甚至连猜测都是轻率的。.

研究人员面临着几个主要障碍，迫使人工智能停留在 “薄弱 ”阶段。就目前而言，算法可以解决我们训练过的 “特定 ”问题（例如游戏），简要解释感官 data（声音和视觉识别），甚至生成声音、文本或图像，正如三星和其他公司最近展示的那样。以人工神经元网络为基础的 “深度学习 ”在过去几年里带领我们实现了飞跃。但是，人工智能之所以 “强大”，并不仅仅是因为它能击败围棋世界冠军或任何人类棋手。试着让 AlphaGo 帮你记住购物清单，让你自己相信：你从超市回来时，包里不会有多少东西（如果有的话）。据估计，今天的 artificial intelligence 的智商甚至相当于一个四岁孩子的智商（对这一结果应持谨慎态度，因为所测试的人工智能是针对测试评估的能力专门编程的）。尽管如此，罗斯福总统还是很放心。.

这个 “四岁的孩子 ”有四个主要领域尚未掌握，而我们人类在这些领域具有明显的优势：

  • 自主编程和适应。想象一下，一个环卫机器人在公园里打扫卫生。如果它的电池电量不足，它将无法自行制定充电计划。程序员必须整合一个系统，让它知道如何找到充电区并前往充电。而如果有一天充电区停电了，他也不知道如何自行调整，除非算法的创造者为上游提供了这种情况--在那里，如果公园里的三明治店关门了，人类代理完全可以想象出一个应急计划。换句话说，在不确定的环境中，我们的 artificial intelligence 其实并没有多少智能。诚然，当前的 “深度学习 ”和 “强化学习 ”人工智能技术能够让我们的机器人了解自己所处的环境，甚至是环境中发生的变化，但这只是在具有固定和已知规则的封闭环境中，例如在围棋或国际象棋的棋盘上，而不是在高速公路网络上，因为在高速公路网络上随时可能发生意想不到的情况。.
  • 用更少的例子来学习的能力想象一下，同样是这个机器人，在同一个公园里。为了识别正在靠近的狗是一个潜在的危险，机器人在开始工作之前必须消化数百万张有狗和没有狗的照片。因为今天，无论我们的算法有多么智能，都需要大量的示例才能识别出狗、树或桌子是什么。四岁的孩子不需要成千上万或数百万个狗的例子就能认出一只狗。一种名为 “迁移学习 ”的研究方法可以让我们的机器人从更少的示例中学会识别它所处的环境，尽管这个环境可能是多种多样的。.
  • 基于解释的学习。如今，人工智能算法完全源于实例，却无法从对所学内容的概念化中获益。我们可以告诉孩子，豹是一种大型猫科动物，而船是没有腿的，否则它就会走路。这样，孩子就能认出豹子，而不会期望看到一张穿短裤的船的照片。机器做不到这一点；除非它已经见过无数的例子，否则它不知道如何识别豹子，而且它也绝不会因为看到一张双体船漫步的照片而感到困扰。.
  • 结果可解释性。在大多数情况下，人类在被问及时，至少能够部分地解释为什么他们会做出一个决定而不是另一个决定。而最先进的人工智能在解释它们是如何解决问题时却很不擅长。这一点令人担忧，因为它们正在为银行家、保险公司和医生提供越来越多的帮助。现代深度学习算法由数以百万计的人工神经元组成，这些神经元之间相互组织，一旦经过训练，它们就会进入 “黑箱 ”模式：即使是设计它们的人也无法轻易解释其运行结果。这既实用（它们可以快速解决非常复杂的问题），又存在极大的问题：如何向客户证明由算法决定的贷款拒绝是合理的？如何理解这辆无人驾驶汽车选择了一个非常危险的动作，冒着造成物质甚至人身伤害的风险？即使是正确的决定，如果 artificial intelligence 做出的诊断与专家医生的诊断相反，如何让人对它有信心？

由于这些障碍，今天的 artificial intelligence 是 “弱 ”人工智能，人类在这方面具有优势。尤其是研究人员面临着算法理论形式化的问题。虽然存在某些定理，但我们的专业知识仍主要依赖于经验知识，而不一定是可靠的数学理论。我们通过反复试验，不断进步，不断修改，最终实现我们的目标。如果说机器有时很难理解人类，那么人类也很难理解机器的工作原理。.