趣谈人工智能——深度AI科普调研团队

2016年3月， Alpha Go与李世石的一盘棋将人工智能带入了普通人的眼前，一时间人工智能大热，各个领域都在大谈人工智能。人工智能已经着实走进了我们的工作与生活中。虽然人工智能已汹涌而来，但是光知道人工智能这个名词还远远不够。你真的懂人工智能吗？人工智能是什么？人工智能在未来会为我们的生活带来怎样的改变？我们怎样拥抱人工智能？

了解这个时代，才能拥抱这个时代。虽然半个脚迈进了智能机器人的领域，但我对人工智能的了解也只是来自于ALpha Go的媒体报道而已，直到最近读了李开复老师的《人工智能：李开复谈AI如何重塑个人、商业与社会的未来图谱》，书中关于人工智能的介绍与展望，着实令人眼前一亮，解决了我关于人工智能的很多困惑，这绝对是一本很棒的关于人工智能的科普书籍，值得对人工智能感兴趣的小白一读，现用六千多字长文总结分享如下，希望能够同样解决你关于人工智能的困惑。

一、人工智能是什么？
1、目前存在的人工智能
其实人工智能并不是什么触不可及的东西，包括苹果Siri、 百度度秘、 微软小冰等智能助理和智能聊天类应用以及美图秀秀的自动美化功能，都属于人工智能。甚至一些简单的，套路固定的资讯类新闻，也是由人工智能来完成的。

当然，现在的主流搜索引擎以及翻译技术也都在尝试利用人工智能来为广大网友提供更为精准的搜索服务。

至于以实物存在的人工智能，当属现在物流仓库的小黄机器人了。他们正代替人类完成繁重的商品摆放、 整理， 快速出库、 入库等操作。

但是需要注意的是，现在的人工智能，并没有发展到像《钢铁侠》里的管家一样的高智能化程度，今天的家庭机器人还远无法像大家奢望的那样， 以人形外貌出现在主人面前。 反倒越是追求与人长得一样， 试图像人一样说话、 做事的机器人项目， 就越没有商业前景。 这个道理很简单——机器人越像人， 人类就越容易拿真人与“它”做比较。 这时， 技术的不足会暴露无遗， 在“缺点放大镜”的作用下， 这种机器人只会显得无比愚蠢和笨拙。

真正容易打动家庭用户的是诸如亚马逊Echo这样的智能家电——功能相对简单， 外形更像家电而不是机器人， 智能功能只面向一两个有限但明确的使用场景。 也就是说， 大多数用户会更喜欢一个有一定沟通能力、 比较可爱甚至很“萌”的小家电， 而不是一个处处缺陷的全功能人形机器人。

2、人工智能的三个级别
1）弱人工智能

也称限制领域人工智能（Narrow AI） 或应用型人工智能（Applied AI） ， 指的是专注于且只能解决特定领域问题的人工智能。 毫无疑问， 今天我们看到的所有人工智能算法和应用都属于弱人工智能的范畴。Alpha Go其实也是一个弱人工智能。人们更愿意将弱人工智能看成是人类的工具， 而不会将弱人工智能视为威胁。

2）强人工智能

强人工智能又称通用人工智能或完全人工智能， 指的是可以胜任人类所有工作的人工智能。一般认为， 一个可以称得上强人工智能的程序， 大概需要具备以下几方面的能力：

1） 存在不确定因素时进行推理， 使用策略， 解决问题， 制定决策的能 力；

2） 知识表示的能力， 包括常识性知识的表示能力；

3） 规划能力；

4） 学习能力；

5） 使用自然语言进行交流沟通的能力；

6） 将上述能力整合起来实现既定目标的能力。

3）超人工智能

假设计算机程序通过不断发展， 可以比世界上最聪明、 最有天赋的人类还聪明， 那么由此产生的人工智能系统就可以被称为超人工智能。超人工智能的定义最为模糊， 因为没人知道， 超越人类最高水平的智慧到底会表现为何种能力。 如果说对于强人工智能， 我们还存在从技术角度进行探讨的可能性的话， 那么， 对于超人工智能， 今天的人类大多就只能从哲学或科幻的角度加以解析了。

当然，如果人工智能发展到这种程度，确实有必要担心来自于人工智能的威胁。但是，我们今天还没有到必须分配精力去为可能的机器威胁做准备的地步。即便以今天的标准看来，弱人工智能的发展还有很长的一段路要走，科研人员、技术人员、各行业的从业者、政府、教育机构、社会组织等，还有大量的工作需要做。至少在目前，人类离超人工智能的威胁还相当遥远。

二、人工智能的主要技术：深度学习+大数据
近年来人工智能包括语音识别和机器视觉取得了巨大突破的主要原因就是：深度学习

1、什么是深度学习。
其实计算机深度学习的方式与小孩认字的过程相似。一个小孩要想认识一个字，必然要反复看这个字的多个写法，直到形成一个整体的印象，看的多了，下次见到这个字自然就认识了。

要教计算机认字， 差不多也是同样的道理。 计算机也要先把每一个字的图案反复看很多很多遍， 然后， 在计算机的大脑（ 处理器加上存储器） 里， 总结出一个规律来， 以后计算机再看到类似的图案， 只要符合之前总结的规律， 计算机就能知道这图案到底是什么字。

用专业的术语来说， 计算机用来学习的、 反复看的图片叫“训练数据集”；“训练数据集”中， 一类数据区别于另一类数据的不同方面的属性或特质， 叫作“特征”； 计算机在“大脑”中总结规律的过程， 叫“建模”； 计算机在“大脑”中总结出的规律， 就是我们常说的“模型”； 而计算机通过反复看图， 总结出规律， 然后学会认字的过程， 就叫“机器学习”。

那计算机是怎么总结出规律来的呢？

依旧拿认字来说，传统的机器学习会通过算法告诉计算机识别不同字的规律，比如：只需要认识一，二，三时，只需要告诉机器一笔是一，二笔是二，三笔是三。

这样做的很大一个缺点就是：如果增加字的种类，就不凑效了。比如增加一个“土”字，机器就没有办法区别“三”和“土”。这样势必要引入其他判定条件。

自然界的很多事物是可以划分为无限的，即使科学家想了很多映射函数，但是这种有限的规律本质上就很难适应无限的自然。那怎么解决呢？

深度学习出场了！

简单地说， 深度学习就是把计算机要学习的东西看成一大堆数据， 把这些数据丢进一个复杂的、 包含多个层级的数据处理网络（ 深度神经网络） ， 然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合， 就保留这个网络作为目标模型， 如果不符合， 就一次次地、 锲而不舍地调整网络的参数设置， 直到输出满足要求为止。

这就好比输入一股水流，计算机只要调节中间层层阀门，如果可以在预期的管道出口看到水流，那么就说明这个管道符合要求。而我们要做的，只是告诉计算机输入和预期的结果，让他自己找规律。当然，新的输入进入时，我们也要保证已经调节好的管道不变化。

也就是说，深度学习算法是有计算机自己凑出来的模型。这样反倒更加实用。更能够从本质上解决问题。

2、深度学习的两个前提条件——强大的运算能力和高质量的大数据
当然，搭建好的“管道”只有通过各种类型“水流”的检验，才能变得越来越接近真实的世界，值得一提的是，大数据正是为这些“管道”提供了源源不断的“水流”。

深度学习、大规模计算、大数据都是在2010年前后逐渐步入成熟的它们三位一体，神兵出世，一下子就可以摧城拔寨、无坚不摧。

当然，在大数据发挥作用的同时，人工智能研发者也一定不要忘了，大数据的应用必然带来个人隐私保护方面的挑战。为了给你推送精准的广告信息，就要收集你的购买习惯、个人喜好等数据，这些数据中往往包含了许多个人隐私；为了获得以人类基因为基础的医疗大数据来改进疾病的诊疗，就要通过某种渠道收集尽可能多的人类基因样本，而这些数据一旦保管不善，就可能为提供基因样本的个人带来巨大风险；为了建立智能城市，就要监控和收集每个人、每辆车的出行信息，而这些信息一旦被坏人掌握，往往就会成为案犯最好的情报来源……

三、人工智能用在哪？
1、自动驾驶：最大的应用场景
自动驾驶是现在逐渐发展成熟的一项智能应用。可以想象，自动驾驶一旦实现，可以带来如下改变：

1）完全意义上的共享汽车成为可能。大多数汽车可以用共享经济的模式，随叫随到。因为不需要司机，这些车辆可以保证24小时待命，可以在任何时间、任何地点提供高质量的租用服务。这样一来，整个城市的交通情况会发生翻天覆地的变化。因为智能调度算法的帮助，共享汽车的使用率会接近100%，城市里需要的汽车总量则会大幅减少。需要停放的共享汽车数量不多，只需要占用城市里有限的几个公共停车场的空间就足够了。停车难、大堵车等现象会因为自动驾驶共享汽车的出现而得到真正解决。那个时候，私家车只用于满足个人追求驾驶乐趣的需要，就像今天人们会到郊区骑自行车锻炼身体一样。

2）汽车本身的形态也会发生根本性的变化。一辆不需要方向盘、不需要司机的汽车，可以被设计成前所未有的样子。比如，因为大部分出行都是一两个人，共享的自动驾驶汽车完全可以设计成比现在汽车小很多，仅供一两个人乘坐的舒适“座舱”，这可以节省大量道路空间。而且一辆汽车在路面上可以通过自己的传感器发现另一辆汽车的故障，及时通知另一辆汽车停车检修。

3）未来的道路发生变化。它们也会按照自动驾驶汽车的要求来重新设计，专用于自动驾驶的车道可以变得更窄，交通信号可以更容易被自动驾驶汽车识别。道路上，汽车和汽车之间可以通过“车联网”连接起来，完成许多有人驾驶不可能完成的工作。比如，许多部自动驾驶汽车可以在道路上排列成间距极小的密集编队，同时保持高速行进，统一对路面环境进行侦测和处理，而不用担心追尾的风险。

自动驾驶将是中国未来10年科技发展面临的最重要的机遇之一。中国有全球最大的交通路网、最大的人口基数，自动驾驶的大规模商业化和技术普及反过来会促进自动驾驶相关科研的飞跃式发展。这种从科研到应用，从应用再反馈到科研的良性循环，正是中国能否在未来10年内，建立起世界先进水平的人工智能科技体系的关键。

但值得注意的是：一旦自动驾驶汽车达到了足够高的水平，车内乘客就会想当然地将所有操控权交给汽车。无论这时候自动驾驶汽车的软件是否还有风险，无论路面上那些极端的路况是不是能被自动驾驶汽车正确处理，车主都不会保持100%的高度警觉

2、智慧生活
目前的机器翻译水平， 大概相当于一个刚学某种外语两三年的中学生做出的翻译作业。 对于多数非专业类的普通文本内容， 机器翻译的结果已经可以做到基本表达原文语意， 不影响理解与沟通。但假以时日， 不断提高翻译准确度的人工智能系统， 极有可能像下围棋的Alpha Go那样悄然越过了业余译员和职业译员之间的技术鸿沟， 一跃而成为翻译大师。

那时候， 不只是手机会和人智能对话， 我们每个家庭里的每一件家用电器， 都会拥有足够强大的对话功能，为我们提供方便的服务。

其实，如果回到10年以前，2007年苹果才刚刚发布第一代iPhone手机，那时谁会想到只用了10年的时间，智能手机就无处不在了呢？类似地，从现在算起，再过10年，大家可以看看我们的生活细节发生了哪些变化。今天的我们绝对没法准确预测，未来10年中人工智能可以给我们的生活带来多么巨大的改变。

3、智慧医疗：AI将成为医生的好帮手
大数据和基于大数据的人工智能， 为医生辅助诊断疾病提供了最好的支持。事实证明，就在今年2月，经过深度学习的神经网络在诊断某些皮肤病方面的表现比大部分医生还要好。在AI的帮助下， 我们看到的不会是医生失业， 而是同样数量的医生可以服务几倍、 数十倍甚至更多的人群。 医疗资源分布不均衡的地区， 会因为AI的引入，让绝大多数病人享受到一流的医疗服务。

四、人工智能做不到什么？
1、跨领域推理
人类强大的跨领域联想、 类比能力是跨领域推理的基础。 侦探小说中的福尔摩斯可以从嫌疑人的一顶帽子中遗留的发屑、 沾染的灰尘， 推理出嫌疑人的生活习惯， 甚至家庭、 婚姻状况，但现在的人工智能显然办不到。

2、抽象能力
目前的深度学习技术，几乎都需要大量训练样本来让计算机完成学习过程。可人类，哪怕是小孩子要学习一个新知识时，通常只要两三个样本就可以了。这其中最重要的差别，也许就是抽象能力的不同。比如，一个小孩子看到第一辆汽车时，他的大脑中就会像《头脑特工队》的抽象工厂一样，将汽车抽象为一个盒子装在四个轮子上的组合，并将这个抽象后的构型印在脑子里。下次再看到外观差别很大的汽车时，小孩子仍可以毫不费力地认出那是一辆汽车。计算机就很难做到这一点，或者说，我们目前还不知道怎么教计算机做到这一点。人工智能界，少样本学习、无监督学习方向的科研工作，目前的进展还很有限。但是，不突破少样本、无监督的学习，我们也许就永远无法实现人类水平的人工智能。

3、知其然，也知其所以然
拿谷歌的Alpha Go来说，它在下围棋时，追求的是每下一步后，自己的胜率（赢面）超过50%，这样就可以确保最终赢棋。但具体到每一步，为什么这样下胜率就更大，那样下胜率就较小，即便是开发Alpha Go程序的人，也只能给大家端出一大堆数据，告诉大家，看，这些数据就是计算机训练得到的结果，在当前局面下，走这里比走那里的胜率高百分之多少……

人类基于实验和科学观测结果建立与发展物理学的历程，是“知其然，也知其所以然”的最好体现。想一想中学时学过的“一轻一重两个铁球同时落地”，如果人类仅满足于知道不同重量的物体下落时加速度相同这一表面现象，那当然可以解决生活、工作中的实际问题，但无法建立起伟大、瑰丽的物理学大厦。只有从建立物体的运动定律开始，用数学公式表述力和质量、加速度之间的关系，到建立万有引力定律，将质量、万有引力常数、距离关联在一起，至此，我们的物理学才能比较完美地解释两个铁球同时落地这个再简单不过的现象。

4、常识
即使两岁孩童也能理解直观的物理过程， 比如丢出的物体会下落。 人类并不需要有意识地知道任何物理学就能预测这些物理过程。 但机器做不到这一点。

常识可以给人类带来直截了当的好处。比如，人人都知道两点之间直线最短，走路的时候为了省力气，能走直线是绝不会走弯路的。人们不用去学欧氏几何中的那条著名公理，也能在走路时达到省力效果。

但同样的常识也会给人们带来困扰。比如我们乘飞机从北京飞往美国西海岸时，很多人都会盯着机舱内导航地图上的航迹不解地说，为什么要向北飞到北冰洋附近绕那么大个弯子呀。“两点之间直线最短”在地球表面，会变成“通过两点间的大圆弧最短”，而这一变化，并不在那些不熟悉航空、航海的人的常识范围之内。

那么，人工智能是不是也能像人类一样，不需要特别学习，就可以具备一些有关世界规律的基本知识，掌握一些不需要复杂思考就特别有效的逻辑规律，并在需要时快速应用呢？拿自动驾驶来说，计算机是靠学习已知路况积累经验的。当自动驾驶汽车遇到特别棘手、从来没见过的危险时，计算机能不能正确处理呢？也许，这时就需要一些类似常识的东西，比如设计出某种方法，让计算机知道，在危险来临时首先要确保乘车人与行人的安全，路况过于极端时可安全减速并靠边停车，等等。

虽然下围棋的Alpha Go里也有些可被称作常识的东西，比如，一块棋搭不出两个眼就是死棋，这个常识永远是Alpha Go需要优先考虑的东西。当然，无论是自动驾驶汽车，还是下围棋的Alpha Go，这里说的常识，更多的还只是一些预设规则，远未如人类所理解的“常识”那么丰富。

5、审美和情感
虽然机器已经可以仿照人类的绘画、 诗歌、 音乐等艺术风格， 照猫画虎般地创作出电脑艺术作品来， 但机器并不真正懂得什么是美。同样，每个人都因为情感的存在， 而变得独特和有存在感。 情感是人类之所以为人类的感性基础，但是显然这种能力机器无法习得。