新科技快速指南系列之「人工智慧」：歷史、現在與未來

編者按：《連線》雜誌發表了一系列文章來介紹最新的技術與網路文化。本文是人工智慧篇，作者為TOM SIMONITE。由36氪編譯。

我們曾說過，人工智慧被過度誇大了。這個前提是非常重要的。

人工智慧不會奪走所有的工作機會, 也不會消滅人類。不過，這會使軟體變得更加智能。這就是為什麼你可以使用蘋果iPhone X 中的Animoji，將表情作為一個活生生的人與你的朋友進行交流，或者用你的智能音箱訂購更多的紙巾。

科技公司在人工智慧領域的大量投資已經在改變我們的生活和以及我們身邊的電子產品了，這也為更以人工智慧為中心的未來奠定了基礎。

目前，人工智慧領域的繁榮是由機器學習領域取得的突破催生的。它涉及到「訓練」計算機來執行基於實例的任務，而不是依賴於人的編程。一種叫做「深度學習」的技術使這種方法更加強大。最為著名的莫過於2016年的AlphaGo大戰圍棋世界冠軍李世石了，後者在人工智慧面前基本上沒有還手之力。

對我們大多數人來說，人工智慧帶來的最明顯的改變就是一些更加新奇與方便的新設備和體驗，比如智能音箱，或者你能用你的臉解鎖iPhone。但人工智慧也將重塑生活的其他領域。其中一個是醫療保健。印度的一家醫院正在測試一種軟體，該軟體可以檢查視網膜上的圖像，以尋找糖尿病性視網膜病變的跡象。通常情況下，這種癥狀只有在很晚的情況下才能被發現，而到了那個時候，就已經無法防止視力下降了。機器學習對自動駕駛來說，也是至關重要的，它能使車輛更加準確地感知與理解周圍的環境。

有證據表明，人工智慧可以讓我們更快樂、更健康。但同樣也有理由應該對人工智慧保持謹慎。演算法帶來或放大了關於種族或性別的社會偏見的事件表明，人工智慧是把雙刃劍。

人工智慧的起源

我們現在所談論的人工智慧，源自於一個「度假項目」。達特茅斯學院教授約翰·麥卡錫（John McCarthy）在1956年夏天發明了這個詞，當時他邀請了一個研究團隊花幾個星期的時間來研究如何讓機器做一些像使用語言之類的事情。他非常希望能在人類級機器上取得突破。「我們認為可以取得重大進展，」他與合作組織者寫道，「如果一個精心挑選的科學家團隊在一起花一個夏天的時間來研究的話。」

但這個希望沒有實現，麥卡錫後來承認，是他過於樂觀了。但是，這個研討會幫助那些夢想著讓機器智能化的研究人員聚集到了一個合適的學術領域。

塑造人工智慧的瞬間

1956年

達特茅斯夏季人工智慧研究項目將一個新領域命名為「人工智慧」，該領域涉及的是讓軟體變得像人類一樣聰明。

1965

麻省理工學院的約瑟夫·維森鮑姆（Joseph Weizenbaum）創建了第一個聊天機器人Eliza，它是一名心理治療師。

1975年

Meta-dendral是斯坦福大學開發的一種解釋化學分析的程序，使計算機的首次發現發表在了一個參考期刊上。

1987年

一輛裝有兩個攝像頭和一堆計算機的賓士車在德國高速公路上行駛了20公里，時速超過了55英里，這是由工程師恩斯特·迪克曼斯（Ernst Dickmanns）領導的一個學術項目。

1997年

IBM的計算機深藍打敗了國際象棋世界冠軍加里·卡斯帕羅夫（Garry Kasparov）。

2004年

五角大樓將DARPA超級挑戰賽階段化，這是一項在莫哈韋沙漠的自動駕駛汽車競賽，催動了自動駕駛汽車工業化。

2012年

在一個名為「深度學習」的細分領域，研究人員通過展示他們的想法可以使語音和圖像識別更加準確，從而激發了新的公司對人工智慧的興趣。

2016年

由谷歌旗下DeepMind開發的AlphaGo打敗了世界圍棋冠軍李世石。

早期的工作通常集中在解決數學和邏輯上相當抽象的問題上。但不久之後，人工智慧開始在更多的人工任務上顯示出有希望的結果。在20世紀50年代末，亞瑟·塞繆爾（Arthur Samuel）發明了一個程序，學會了怎麼下跳棋。1962年，在比賽中戰勝了一位大師。1967年, 一個叫做 Dendral 的程序表明, 它可以複製化學家解釋化學樣品組成的質譜數據的方式。

隨著人工智慧領域的發展，製造智能機器的策略也有所不同。一些研究人員試圖將人類的知識轉化為代碼，或者為諸如理解語言這樣的任務制定規則。另一些則是受到了學習人類和動物智能的重要性的啟發。他們建立的系統可以隨著時間的推移變得更好，也許是通過模擬進化或者從樣本數據中學習。這個領域建立了一個又一個的里程碑，計算機也掌握了很多以前只能由人來完成的任務。

深度學習，是當前人工智慧領域的快速爆發的燃料，它是人工智慧領域最古老的想法之一。這項技術是通過數學的網路傳遞數據，整個網路都是仿造大腦細胞是如何工作的來建成的，所以被稱為人工神經網路。當一個網路處理訓練數據時，網路的各個部分之間的連接會進行調整，從而建立一個解釋未來數據的能力。

人工神經網路在達特茅斯研討會之後不久就成為了人工神經網路的一個既定理念。例如，在1958年, 充滿空間的感知器馬克1號(Perceptron Mark 1)就學會了區分不同的幾何圖形, 並被《紐約時報》稱為"為閱讀和增長智慧而設計的計算機的胚胎" 。但是，在1969年，麻省理工學院的馬文?明斯基(Marvin Minsky)與人聯合撰寫了一本頗具影響力的書中指出，神經網路的作用並不是很強大，緊接著它就「失寵」了。

但並不是所有人都認可明斯基的觀點。有一些研究人員在過去的幾十年里一直在堅持研究這項技術，並保持著它的生命力。直到2012年，他們才被證明是正確的。當時一系列的實驗表明，由大量數據和強大的計算機晶元提供的神經網路可以賦予機器新的感知能力。

一個值得注意的結果是, 多倫多大學的研究人員在一年一度的對圖像進行分類的競賽中擊敗了競爭對手。在另一項研究中，來自IBM、微軟和谷歌的研究人員聯合發表了一份研究報告，結果顯示深度學習也能顯著提高語音識別的準確度。從這個時候開始，科技公司開始瘋狂地招聘所有他們能找到的深度學習專家。

人工智慧的未來

哪怕人工智慧領域取得的進去在明天會停止，但也不要期望它能停下改變世界的腳步。

谷歌、微軟和亞馬遜等大型科技公司積累了大量的人工智慧人才和令人印象深刻的計算機陣列，以支持他們的核心業務——投放廣告或預測你的下一筆交易。

他們也開始嘗試通過邀請其他人在他們的網路上運行人工智慧項目來賺錢，這將有助於推動醫療保健或國家安全等領域的進步。人工智慧硬體的改進、機器學習培訓課程的增長以及開源機器學習項目也將加速人工智慧向其他行業的傳播。

與此同時，消費者可以期待更多的設備和服務與人工智慧功能相結合。尤其是谷歌和亞馬遜，機器學習的改進將使他們的虛擬助手和智能音箱更加強大。就拿亞馬遜來說，它設計了一款配備了攝像頭的設備，能夠識別出其主人，並監控周圍的世界。

商業上的可能性將會使人工智慧研究者迎來黃金時代。關於研究如何製造智能機器的實驗室比以往任何時候都要多，它們所獲得的資金也更充足。但仍舊有很多工作要做：儘管人工智慧領域最近取得了一些進展，但在不久的將來，還是會有很多事情是機器無法做到的，比如理解語言的細微差別，常識推理，以及從一個或兩個例子中學習一項新技能。如果人工智慧軟體想要接近人類的多面性、適應性和創造性智慧，就必須要攻克這些難關。一個深度學習的先驅，谷歌的傑夫?辛頓（Geoff Hinton）認為，想要在這一重大挑戰上取得進展, 就必須重新思考該領域的一些基礎。

隨著人工智慧系統變得越來越強大，它們也必將面臨越來越多的審查。政府在刑事司法等領域使用軟體通常是有缺陷的，或者是保密的，像Facebook這樣的公司已經開始正視自己演算法的缺點。更強大的人工智慧有可能造成更嚴重的問題，例如，長期存在的對女性或黑人的偏見。一些民間社會團體，甚至是科技行業本身也在探索人工智慧的安全和倫理準則。想要在機器變得更加智能過程中獲取好處，我們需要更加聰明地對待機器。

編譯組出品。

編輯：郝鵬程、王雅琪

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！