人工智慧穩步前進？還需認真思考這些問題

人工智慧領域還有很多事情等待我們完成，所以別被流行媒體和谷歌開發者大會這樣的作秀迷惑了。

人工智慧——在私人助手、機器人、自動駕駛汽車、和機器學習的包裝下——再次火了起來，主宰了矽谷話題榜、科技媒體報告、和賣主們的交易展示。

人工智慧屬於那種會周期性地火熱起來的話題，但實際的進步卻是緩慢的。我還記得在 80 年代中期看見的那些天花亂墜的人工智慧展演，包括 IBM、麻省理工大學、卡內基梅隆大學，Thinking Machines 和其它類似機構，甚至包括一批科技界嬉皮士的倡導者如 Jaron Lanier，此人在當時還經常出現在先鋒雜誌「Omni」的封面上。

在人工智慧時代，大部分科學理論已經十分完備，但是在應用上仍舊十分不成熟。並不是皇帝沒穿衣服——事實上，皇帝現在只穿著內衣呢，所以我們還需要製作更多的衣服。因此，我們需要對這些智能硬體/軟體保持嚴謹的態度。我們距離「星際迷航」的世界還得差上幾十年——即使是最新的對話式計算機，距離史蒂芬 · 斯皮爾伯格的「人工智慧」還要低級許多。

儘管如此，在通用人工智慧上還是有許多進展的。聰明的開發者和公司們會將精力集中在真正有發展潛力的特定領域，至於其它的，就留給科幻小說作者和那些喜歡嘩眾取寵的媒體們吧。

機器人和人工智慧是兩個不同的領域

熱門科幻小說總是將機器人與人工智慧混為一談，從「地球停轉日」中的 Gort，到「太空堡壘卡拉狄加」中的 Cylons；從阿西莫夫的小說「我，機器人」中的假充人類的機器人，到「星際迷航：下一代」中的人造人 Data。然而，機器人並不是硅制的智能生物，而只是能夠完成人類預設的機械任務的機器——它們往往更加可靠、高效，並且沒有對工資或個人利益的需求。

機器人在生產中已經十分普遍，並且在逐漸被醫院用於藥品的供應和運送（因為機器人不會偷竊藥品），但是在辦公和家庭場景中，機器人的使用就要少多了。

在近幾年，仿生學領域的發展程度令人驚訝，其動力主要是為了幫助在過去二十年的戰爭中失去四肢的退伍軍人。現在，我們已經能夠看到會對神經脈衝和腦電波做出反應的人造肢體，就像它們原本就是身體的一部分一樣，我們有理由相信，很快它們就能進一步擺脫電線和外部電腦的桎梏。

或許，有一天，我們的確會將人工智慧和機器人融為一體，並成為 Cylons 的奴隸——甚至更糟。但這並不會持續很久。與此同時，人工智慧領域的進步，將使得機器人更好地工作，因為它們的軟體可以變得更加複雜。

作為當前大熱門，模式匹配並沒有那麼複雜

許多被認為是以人工智慧為基礎的產品——亞馬遜的產品推薦、谷歌地圖等等——其實只是一種模式匹配而已。隨著雲計算的飛速發展，數據存儲和計算能力在大幅度提高，這使得更多的模式能夠被存儲、識別和操作。大部分人在做的都是模式匹配——為了解決一個問題，你首先需要找出它和你已知的知識中的相似之處，然後用已知的解法來解決這個問題。匹配最相似的操作或結果的速度越快，系統看起來就越智能。

但我們現在仍舊在起步階段。即使在已經十分完善的導航系統上，也有誤導人們駛入機場跑道、池塘、積雪路段的情況發生。人們會聽取 GPS 的建議，但有時這些建議和人們自己的判斷相矛盾。

但是最主要的是，這些系統還太傻了。例如，當你在亞馬遜上搜索了某項產品後，許多你之後瀏覽的網站都會有這個產品的廣告，然而，你此時早已下訂單了，或者早就決定不買了——而這些系統只知道你曾瀏覽過這個商品，所以仍舊不停地把重複的廣告拿給你看。這絕不可能是什麼智能。然而，不僅僅亞馬遜產品廣告是這樣，蘋果的 Genius 音樂匹配功能和 Google Now 的推薦，都同樣對數據的背景知識熟視無睹，所以它們很快就會把你帶入重複的海洋中。

這些所謂的「智能」系統，甚至還會起到適得其反的作用。例如，蘋果系統的輸入法自動更正功能，就是眾包項目失敗的典型代表。它全面體現了人們在語法、符號使用、字母大寫上的種種問題，並且還有打字錯誤貫穿始終。（就算是對於我這種成天打錯別字的人，將自動更正的功能關掉之後錯誤也少了很多）

現在這些系統所缺失的，是對背景知識的細微考慮。例如，知道你最近買了什麼沒買什麼，這樣你不會總是得到同類產品的廣告，而是你可能更感興趣的產品。同樣地，如果你的歌單包含了不同風格的歌曲，那麼你的推薦歌單也應該是這樣的。同樣地，例如，Google Now 現在在做的餐飲推薦——我喜歡印度菜，但我並不想每次出門都吃印度菜。我還喜歡什麼菜系而最近一陣都沒有吃？我和什麼人一起吃，而他們喜歡吃什麼？這些都需要納入考慮範圍中。

自動更正功能，也是一項十分需要背景知識的應用。首先，我們十分需要有人告訴蘋果「its」和「it"s」的區別，並且讓系統明白，人們是可以對單詞做出合理、正確的改動的。例如，前綴既可以是一個單詞的一部分（如「preconfigured」），也可以用符號連接（如「pre-configured」），而用戶可以選擇自己喜歡的那一種。（在中間加空格永遠是錯的，如「pre configured」，而每次你要是不用連字元的話，系統都會這樣自動更正。）

在類似於自動更正這類功能真正變得有用之前，別指望機器人——那些根據它們掌握的數據，幫你完成任務的自動化軟體助手——能做除了干雜活以外的事情。因為，它們本質上是同一類問題。

模式識別正以機器學習的形式蓬勃發展

即使擁有極其豐富的數據，模式匹配也並不足以完成所有任務，因為其運作方式必須事先就被設計好。而這就是模式識別有優勢的地方了。在模式識別中，軟體能夠在觀察你的行為時發現模式，或改變已有的模式。

這並不是一項簡單的任務，因為我們需要首先給系統規則指定變數，但是，有時數據會過於寬泛以致於無法分類，有時會過於狹窄以致於無法解決實際問題。事實上，模式識別能力是當前機器學習的重要部分，不論是讓你點擊更多廣告、購買更多產品、診斷飛機引擎失敗、根據天氣和路況調整貨運路線、還是在汽車駕駛中避開危險（汽車避碰系統將很快成為美國汽車的配置標準之一）。

正是因為機器學習是如此複雜——特別是在有著清晰定義的工程類問題領域之外——所以儘管一時無法感受到系統的改進，我們還是應該耐心等待它的進步。

語音識別是一個很好的例子——第一個系統（基於電話的幫助系統）差勁到十分可怕的地步，但是現在我們有 Siri, Google Now, Cortana 等許多人和許多語境來說都十分好用的系統。它們仍舊會產生許多錯誤——特別是在複雜語句和狹窄鄰域上，以及適應不同的口音和發音模式上——但是它們已經足夠在實際生活中幫助我們了。有一些人甚至將它們當作人類聽寫員一樣使用。

但是，上下文語境越凌亂，機器學習的難度就越大，因為它們擁有的模型是不完整的，或者僅僅適應於它們運作的一小部分語境。自動駕駛汽車就是一個很好的例子：一輛車或許能夠從路標和其它車的駕駛模式中，學習如何駕駛，但是像天氣、行人和自行車、並排停放、建築工地等等這些外部因素，則會使得學習系統十分困惑。那麼，我們有可能解決這些問題嗎？答案是肯定的，但是可能沒有各類博客里預言的那麼快。

機器學習帶來的預測分析

許多年來，IT 界盛行預測分析這一概念，有時是在其它稱號的偽裝下，例如操作型商業智能。這是一個很好的概念，但是這需要模式匹配、機器學習、以及洞察力，而洞察力正是能夠讓人們跨入新紀元的那一步。

就預測分析而言，這並不能算是什麼創新思維，但它確實需要能夠識別和接受不尋常的模式和結果。這是很難的，因為基於模式的「智能」——從選擇搜索結果、到選擇路線、到選擇遊戲下一步——都是基於同一個假設：主流的模式和路徑就是最好的模式和路徑。否則，人們就不會這麼頻繁地使用它們了。

大多數助理系統，都是在當前條件的基礎上，將你引導到已知的道路上，而預測系統需要通過概率數學演算法，結合當前的和推導出的未來的情況，來做出選擇。但這些還只能算是簡單的預測，最難的要數那些難以預見的任務，它們困難的原因可能是：背景知識過於複雜，以致於人們自己都無法完全理解；或者計算結果過於離奇，以致於演算法或用戶自動將其否定了。

通過上文你已經知道，還有很多事情等待我們完成，所以別被流行媒體和谷歌開發者大會這樣的作秀迷惑了。未來終會到來，但需要我們耐心等待。

請您繼續閱讀更多來自 機器之心 的精彩文章:

※想當心理諮詢師，請認真思考這些問題
※「蜂窩」思考模式，你這樣思考過問題嗎？
※對教會不滿時需要思考哪些問題？
※你真的會思考嗎？
※換位思考，你要認真的
※生活有這樣的一種真理，你知道么。關於存在主義的進一步思考
※結婚前哪幾個問題需要好好思考？
※這些關於VR工業的問題，你都思考過嗎？
※如果你抑鬱了，請這樣思考問題！
※人工智慧到底是如何思考的？
※的確！這些星座處事風格確實需要思考，不信你看！
※工作不如意，是否辭職？這些思考幫你理性做決定
※如何像聰明人一樣思考？
※很多女生都在思考一個問題——他是否真的愛我？
※學會一個人靜靜思考，因為這樣才能讓自己更清醒
※戀愛要想走向婚姻，要思考哪些問題？
※我們真的需要那麼多的「獨立思考」嗎？
※如果沒有這些電影，你會思考這些問題嗎？
※如果你認為你的大腦包攬思考功能，那你就錯了，其實身體也在思考