|
人工智能（AI）已经走入了普通大众的视野，DG游戏我们在生活中可以看到很多跟 AI 相关的产品。比如 Siri、AI 美颜、AI 换脸… 虽然大家听得多，但是大部分人并不了解 AI，甚至存在一些误解。本文将不涉及任何技术细节，帮助所有人理解人工智能的本质。 什么是人工智能？很多人对人工智能都会存在一些误解： 电影里的机器人就是人工智能的典型代表 人工智能好像是无所不能的 人工智能未来会威胁到人类的生存 …… 大家之所以对人工智能存在很多误解，主要是因为大家只是看到一些人的言论，但是并不了解 AI 的基本原理，本文就帮助大家理解 AI 的基本原理，事物的本质往往并没有大家说的那么复杂。 我们用传统软件和人工智能进行比较，有了参照系就更容易理解一些。 传统软件 VS 人工智能
传统软件是「if-then」的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界，因为所有规则都是人类制定的。 简单的说：传统软件是「基于规则」的，需要人为的设定条件，并且告诉计算机符合这个条件后该做什么。 这种逻辑在处理一些简单问题时非常好用，因为规则明确，结果都是可预期的，程序员就是软件的上帝。 但是现实生活中充满了各种各样的复杂问题，这些问题几乎不可能通过制定规则来解决，比如人脸识别通过规则来解决效果会很差。
人工智能 人工智能现在已经发展出很多不同分支，技术原理也多种多样，这里只介绍当下最火的深度学习。 深度学习的技术原理跟传统软件的逻辑完全不同： 机器从「特定的」大量数据中总结规律，欧博注册归纳出某些「特定的知识」，然后将这种「知识」应用到现实场景中去解决实际问题。 这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像传统软件一样，可以直观精确的表达出来。它更像人类学习到的知识一样，比较抽象，很难表达。
上面的说法还是比较抽象，下面通过几个方面来帮助大家彻底搞明白： 人工智能是一种工具AI 跟我们使用的锤子、汽车、电脑……都一样，其本质都是一种工具。 工具必须有人用才能发挥价值，如果他们独立存在是没有价值的，就想放在工具箱里的锤子一样，没有人挥舞它就没有任何价值。
人工智能这种工具之所以全社会都在说，是因为它大大扩展了传统软件的能力边界。之前有很多事情计算机是做不了的，但是现在人工智能可以做了。 归功于摩尔定律，计算机的能力呈指数级的上涨，只要是计算机能解参与的环节，生产力都得到了大幅提升，而人工智能让更多的环节可以搭上摩尔定律的快车，所以这种改变是意义非凡的。 但是不管怎么变，传统软件和人工智能都是工具，是为了解决实际问题而存在的。这点并没有变化。 人工智能只解决特定问题《终结者》《黑客帝国》…很多电影里都出现了逆天的机器人，这种电影让大家有一种感觉：人工智能好像是无所不能的。 实际情况是：现在的人工智还处在单一任务的阶段。
单一任务的模式。 打电话用座机、玩游戏用游戏机、听音乐用MP3、开车用导航… 多任务模式 这个阶段类似智能手机，在一台手机上可以安装很多 App，欧博代理做很多事情。 但是这些能力还是相互独立的，在旅行App上定好机票后，需要自己用闹钟App定闹钟，最后需要自己用打车App叫车。多任务模式只是单一任务模式的叠加，离人类智慧还差的很远。 融会贯通 你在跟朋友下围棋，你发现朋友的心情非常不好，你本来可以轻松获胜，但是你却故意输给了对方，还不停的夸赞对方，因为你不想让这个朋友变得更郁闷，更烦躁。 在这件小事上，你就用到了多种不同的技能：情绪识别、围棋技能、交流沟通、心理学… 但是大名鼎鼎的 AlphaGo 绝对不会这么做。不管对方处在什么情况下，哪怕输了这盘棋会丧命，AlphaGo 也会无情的赢了这场比赛，因为它除了下围棋啥都不会！ 只有将所有的知识形成网状结构，才能做到融会贯通。例如：商业领域可以运用军事上的知识，经济学也可以用到生物学的知识。 知其然，但不知所以然当下的人工智能是从大量数据中总结归纳知识，这种粗暴的「归纳法」有一个很大的问题是： 并不关心为什么
庞氏骗局类的诈骗手段就充分利用了这一点！ 它利用超高的回报来吸引韭菜，然后让早起参与的所有人都转到钱； 当旁观者发现所有参与者都真实赚到了钱，就简单的归纳为：历史经验说明这个靠谱。 于是越来越多的人眼红，欧博官网加入，直到有一天骗子跑路。 当我们用逻辑来推导一下这个事情就能得出骗子的结论： 这么高的回报并不符合市场规律 稳赚不赔？我不需要承担高回报的高风险？好像不太合理 为什么这么好的事情会落在我头上？好像不太对劲 正是因为当下的人工智能是建立在「归纳逻辑」上的，所以也会犯很低级的错误
左：摩托车的遮挡让 AI 把一只猴子误认为人类。 中：自行车的遮挡让 AI 把猴子误认为人类，同时丛林背景导致 AI 将自行车把手误认为是鸟。 右：吉他把猴子变成了人，而丛林把吉他变成了鸟 上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类，同时将吉他误认为鸟，大概是因为它认为人类比猴子更可能携带吉他，而鸟类比吉他更可能出现在附近的丛林中。 也正是因为归纳逻辑，所以需要依赖大量的数据。数据越多，归纳出来的经验越具有普适性。 人工智能的发展历史AI 不是什么全新的东西，他已经发展了大几十年了！下面我们介绍一下最具代表性的3个发展阶段。
上图是从1950年至2017年之间，人工智能领域出现的一些里程碑式的事件。总结下来会分为3大阶段： 第一次浪潮（非智能对话机器人） 20世纪50年代到60年代 1950年10月，图灵提出了人工智能（AI）的概念，同时提出了图灵测试来测试 AI。 图灵测试提出没有几年，人们就看到了计算机通过图灵测试的“曙光”。 1966年，心理治疗机器人 ELIZA 诞生 那个年代的人对他评价很高，有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单，就是一个有限的对话库，当病人说出某个关键词时，机器人就回复特定的话。 第一次浪潮并没有使用什么全新的技术，而是用一些技巧让计算机看上去像是真人，欧博娱乐计算机本身并没有智能。 第二次浪潮（语音识别） 20世纪80年代到90年代 在第二次浪潮中，语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路，改为了统计思路解决实际问题。 在《人工智能》一书中，李开复详细介绍了这个过程，他也是参与其中的重要人物之一。 第二次浪潮最大的突破是改变了思路，摒弃了符号学派的思路，转而使用了统计学思路解决问题。 第三次浪潮（深度学习+大数据） 21世纪初 2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。 之所以第三次浪潮会来主要是2个条件已经成熟： 2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。 GPU 的不断成熟提供了必要的算力支持，提高了算法的可用性，降低了算力的成本。
在各种条件成熟后，深度学习发挥出了强大的能力。在语音识别、图像识别、NLP等领域不断刷新纪录。让 AI 产品真正达到了可用（例如语音识别的错误率只有6%，人脸识别的准确率超过人类，BERT在11项表现中超过人类…)的阶段。 第三次浪潮来袭，主要是因为大数据和算力条件具备，这样深度学习可以发挥出巨大的威力，并且 AI 的表现已经超越人类，可以达到“可用”的阶段，而不只是科学研究。 人工智能3次浪潮的不同之处 前两次热潮是学术研究主导的，第三次热潮是现实商业需求主导的。 前两次热潮多是市场宣传层面的，而第三次热潮是商业模式层面的。 前两次热潮多是学术界在劝说政府和投资人投钱，第三次热潮多是投资人主动向热点领域的学术项目和创业项目投钱。 前两次热潮更多时提出问题，第三次热潮更多时解决问题。 想进一步了解 AI 的历史，推荐阅读李开复的《人工智能》，上面关于3次浪潮的内容都摘抄自这本书。 人工智能不能做什么？ 人工智能的3个级别在探寻 AI 的边界时，我们可以先简单粗暴的把 AI 分为3个级别： 弱人工智能 强人工智能 超人工智能
弱人工智能 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。 例如：AlphaGo、Siri、FaceID…… 强人工智能 又称通用人工智能（Artificial General Intelligence）或完全人工智能（Full AI），指的是可以胜任人类所有工作的人工智能。 强人工智能具备以下能力： 存在不确定性因素时进行推理，使用策略，解决问题，制定决策的能力 知识表示的能力，包括常识性知识的表示能力 规划能力 学习能力 使用自然语言进行交流沟通的能力 将上述能力整合起来实现既定目标的能力 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。 我们当前所处的阶段是弱人工智能，强人工智能还没有实现（甚至差距较远），而超人工智能更是连影子都看不到。所以“特定领域”目前还是 AI 无法逾越的边界。 人工智能的能力边界是什么？如果在深入一点，从理论层面来解释 AI 的能力边界，就要把图灵大师搬出来了。图灵在上世纪30年代中期，就在思考3个问题： 世界上是否所有数学问题都有明确的答案？ 如果有明确的答案，是否可以通过有限的步骤计算出答案？ 对于那些有可能在有限步骤计算出来的数学问题，能否有一种假象的机械，让他不断运动，最后当机器停下来的时候，那个数学问题就解决了？ 图灵还真设计出来一套方法，后人称它为图灵机。今天所有的计算机，包括全世界正在设计的新的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。 （大家都是地球人，差距怎么就这么大呢？？？） 通过上面的3个问题，图灵已经划出了界限，这个界限不但适用于今天的 AI ，也适用于未来的 AI 。 下面我们再进一步把边界清晰的描述一下：
世界上有很多问题，只有一小部分是数学问题 在数学问题里，只有一小部分是有解的 在有解的问题中，只有一部分是理想状态的图灵机可以解决的 在后一部分（图灵机可解决的部分），又只有一部分是今天的计算机可以解决的 而 AI 可以解决的问题，又只是计算机可以解决问题的一部分。 担心人工智能太强大？你想多了！ 在一些特定场景中， AI 可以表现的很好，但是在大部分场景中，AI 并没有什么用。 人工智能会让你失业吗？这个问题是大家最关心的问题，也是对每一个个体影响最大的问题。所以单独拿出来说一下。 首先，人工智能替代「部分人类的行为」是必然的趋势 每一项新技术或者新发明都会替代一部分劳动力： 报时间的工作——表 拉人力车的工作——汽车 挖井的工作——钻进机 …… 需要注意的是，科技替代的只是某些特定的工作。挖井机只能帮你挖洞，但是无法帮你判断应该在哪里挖洞。 人工智能也是如此，它并不是针对某些职业或者某些人，而是替代一些具体的劳动行为。 其次，失业的同时会出现更好新职业 几次技术革命的历史告诉我们，虽然新技术的出现导致了部分人失业，但是同时也会产生很多新的职业。被替代的工作往往是低效的，而创造出来的工作往往更高效。想想拉人力车，再想想开汽车。 当人工智能解放了一部分劳动力，这部分劳动力就可以做更有价值，更有意思的事情。 不要怕！用好 AI 是一种超级技能 上文说过2个观点： 人工智能的本质是工具，需要人来用它 人工智能替代的不是人，而是某些工作环节 所以，千万不要怕人工智能取代自己，你应该主动去学习AI，成为最早会用AI的人，成为能把AI用好的人。 想想20年前会使用电脑和网络的人，他们在那时代是非常稀缺的，所以他们赚到了互联网时代的红利。同样的道理，智能时代的红利将属于会用AI的人。 哪些工作会被人工智能替代？李开复提出过一个判断依据： 如果一项工作，它做决策的时间在 5 秒钟以内，那么大概率是会别人工智能取代的。
这种工作有4个特点： 做决策所需要的信息量不大 做决策的过程并不复杂，逻辑简单 能独自完成，不需要协作 重复性工作
科学家总结出了3个人工智能很难替代的技能： 社交智慧（洞察力、谈判技巧、同理心…） 创造力（原创力、艺术审美…） 感知和操作能力（手指灵敏度、协调操作能力、应付复杂环境的能力…） 如何迎接智能时代？人工智能将像工业时代一样，席卷全球。这种情况下，我们要做的不是逃避，而是拥抱这种变化。下面给大家一些具体的建议： 了解智能时代的底层逻辑和基本原理，不需要学习写代码，但是需要知道可能会发生什么，不可能发生什么。 人工智能未来将像计算机一样渗透到各行各业，你要尽量了解人工智能，学习如何利用他解决现有的问题，成为早期使用人工智能的人。 做好职业规划。不要选择三无职业（不需要社交、不需要创造力、不需要强感知和操作能力） 总结人工智能的基本原理：机器从「特定的」大量数据中总结规律，形成某些「特定的知识」，然后将这种「知识」应用到现实场景中去解决实际问题。 在这个基本原理的基础上，有3个特征： 人工智能本质上是一种工具 人工智能技能只能解决特定的问题，而不是什么都能做 人工智能属于归纳逻辑，可以告诉你是什么，但是不能告诉你为什么 到目前为止，人工智能经历了3次浪潮： 20世纪50年代到60年代：非智能对话机器人 20世纪80年代到90年代：语音识别 21世纪初：深度学习+大数据 人工智能分为3个级别： 弱人工智能 强人工智能 超人工智能 在失业问题上，人工智能的确会替代部分人类的工作，不过在替代的同时也会出现一些新的更有价值的工作。未来不容易被人工智能替代的技能有3点： 社交智慧（洞察力、谈判技巧、同理心…） 创造力（原创力、艺术审美…） 感知和操作能力（手指灵敏度、协调操作能力、应付复杂环境的能力…） 「附」2020 AI 发展趋势先回顾一下人工智能在 2019 年发生的重要变化： NLP 领域发生了重要的进展，BERT、GPT-2、XLNET 等预训练模型已经在产品中发挥重要作用。 基础建设进一步完善：PyTorch 的增长速度非常快，TensorFlow 深度结合 Keras。 GAN 快速发展，出现了大众类的产品。DeepFake、ZAO 让大众群体体验到了 GAN 技术。 也是因为 DeepFake，人工智能的社会影响被大家所关注，全球都在完善 AI 相关的法律 Auto-ML 降低了 AI 的门槛，让人工智能的部署变得非常容易。 2020年的发展趋势是什么？ 5G 的落地将更多物理世界数字化，将进一步推动 AI 的发展和普及。 数据科学团队和商业团队的融合会更加紧密。 有可能看到多任务AI模型的发展，向通用人工智能进一步。 摆脱对数据的依赖，使用更少的数据获得效果优异的模型。 NLP 领域实现更大的突破和发展。 提高 AI 的可解释性，解决黑箱问题 社会问题加剧，个人数据安全、隐私、算法偏见等问题的讨论越来越多。 更多2019年的重要里程碑和2020年的发展趋势可以看看下面2篇文章： 《人工智能、机器学习、深度学习在2019年的重要发展和2020的趋势（技术篇）》 《人工智能、机器学习、深度学习在2019年的重要发展和2020的趋势（研究篇）》 百度百科+维基百科百度百科版本 人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 维基百科版本 在计算机科学中，人工智能有时也称为机器智能，是机器所展示的智能。 入门类文章（4）
全球人工智能研究报告（2019-4） What is Artificial Intelligence (AI)? – Definition from Techopedia What is Artificial Intelligence? In 5 minutes.（需科学上网） 别把人工智能神话了，用「HBI 法则」测试一下 AI 是否真的适合你的业务？ 开拓视野类文章（7）
极简AI：10张幻灯片看懂AI/机器学习（2019-3-35） AI 将如何改写我们的生活（2019-3-25） AI先驱Rich Sutton：利用算力才是王道，人工智能一直在走弯路（2019-3-16） A16Z内部万字报告：人类与AI结合的最佳形态（2019-3-8） 2019你需要关注的9大AI行业风向（2019-3-3） CNNIC第43次调查报告：人工智能发展情况（2019-2-28） 关于人工智能和机器学习的10个TED演讲（2019-2-28） (责任编辑：) |
