三年前, 開(kāi)啟了人工智能時(shí)代，“它能做的事越來(lái)越多，幾乎所有的事都可以做”，這是一種普遍的看法。
但是任何時(shí)候，如果一個(gè)事物當所有人都覺(jué)得它能做時(shí)，都有兩個(gè)可能性：一是這個(gè)事確實(shí)太厲害了;再一個(gè)可能也發(fā)展到頭了。
因為所有人都看到的事，紅利未必還能繼續存在。這時(shí)恰是需要一個(gè)冷靜的思考。換個(gè)角度來(lái)看，就是人工智能不能做什么。
一、 回歸問(wèn)題本源：
人工智能不能做什么
很多時(shí)候當一條路走不通，最簡(jiǎn)單的辦法就是直接回到原點(diǎn)，問(wèn)題就清楚了。
人工智能基于計算機，人工智能的極限取決于計算機的極限，計算機的極限取決于計算的極限。
什么能算以及不能算要搞清楚。這種本源問(wèn)題反而是我們很多人忙忙碌碌不會(huì )思考的，而這決定了你做事大方向的對和錯。
1.圖靈的思考：計算和機械運動(dòng)的關(guān)系
計算機科學(xué)之父是艾倫•麥席森•圖靈，那么，他的老師是誰(shuí)?他的想法又是從哪來(lái)的?有兩個(gè)人對圖靈在計算機發(fā)展上提供最大幫助，我們稱(chēng)之為精神導師。
分別是馮諾伊曼(著(zhù)名匈牙利裔美籍數學(xué)家、計算機科學(xué)家、物理學(xué)家和化學(xué)家，曾執教于普林斯頓大學(xué))和希爾伯特(二十世紀上半葉德國乃至全世界最偉大的數學(xué)家之一)。
馮諾伊曼當時(shí)寫(xiě)了一本書(shū)對圖靈很有啟發(fā)，圖靈給出了一個(gè)很難證實(shí)但是覺(jué)得對的一個(gè)看法，就是人的意識。
人的意識是由不確定性決定的，但是計算機和更早期的牛頓力學(xué)，以及可預測的機械運動(dòng)有關(guān)。
這是圖靈當時(shí)朦朧的想法，就是人的意識是由不確定決定，計算等價(jià)于機械運動(dòng)。這確定了什么可以計算，什么不可以計算，他覺(jué)得邊界劃分就清楚了。
希爾伯特在1900年巴黎數學(xué)家大會(huì )上提出了23個(gè)最重要的問(wèn)題，就是著(zhù)名的"希爾伯特23個(gè)問(wèn)題"。其中三問(wèn)是他自問(wèn)的，分別是：
① 數學(xué)是完備的嗎?
完備是說(shuō)數學(xué)能夠涵蓋我們任何要解決的問(wèn)題嗎?你可以感覺(jué)到不能，數學(xué)家哥德?tīng)栆苍C明不能。
② 數學(xué)是一致的嗎?
什么叫一致?
舉例來(lái)說(shuō)，今天3+5等于8，明天算下來(lái)3+5還等于8。
但是物理學(xué)是一致的嗎?不是!今天量出來(lái)的尺寸和明天量出來(lái)的是不一樣的。今天燒開(kāi)這一壺水是99.8度，明天可能是100.1度。
物理學(xué)是不一致的，而數學(xué)是一致的!
③ 數學(xué)是可驗證的嗎?
物理學(xué)可以驗證，數學(xué)可以驗證嗎?不知道!
希爾伯特23個(gè)問(wèn)題中第10個(gè)問(wèn)題就是關(guān)于該問(wèn)題，里面講了一個(gè)特例。
有任意多未知數的方程，各個(gè)未知數可以變，有各種各樣的結果，是一個(gè)不確定的方程。
你是否能有無(wú)數解，或者是否有一種方法在有限時(shí)間內可以判定該方程有無(wú)數解，無(wú)限的時(shí)間判定對我們日常生活沒(méi)有意義。
舉例來(lái)說(shuō)：
X²+y²=z²有整數解。
X²+y²=z²是否有整數解，不知道!直到后來(lái)有英國數學(xué)家證明沒(méi)有整數解，這個(gè)過(guò)程花了幾百年的時(shí)間。
那么，我隨便給你一個(gè)方程有沒(méi)有整數解?不知道!可能有，也可能沒(méi)有。先不說(shuō)找到整數解，有沒(méi)有一個(gè)辦法能夠判定這件事有沒(méi)有解，這就是希爾伯特第十問(wèn)題。
直到上世紀七十年代，前蘇聯(lián)有數學(xué)家證明說(shuō)不可判定。對這個(gè)問(wèn)題，沒(méi)有人能夠在有限的步驟內知道它到底有解還是沒(méi)解。
你要是連它有沒(méi)有解都不知道，你就一定解不出來(lái)。
數學(xué)不是萬(wàn)能的，計算機就不是萬(wàn)能的，人工智能也不是萬(wàn)能的，這是我們的出發(fā)點(diǎn)。
圖靈當時(shí)雖然不知道這個(gè)問(wèn)題的答案，但他的直覺(jué)是應該很多數學(xué)問(wèn)題我們不知道有沒(méi)有答案，于是他就用一個(gè)特殊的機械裝置把數學(xué)問(wèn)題一分為二，這個(gè)裝置就是圖靈機。
(圖靈機)
計算機是圖靈機的一種，更新后的裝置。該裝置能夠在有限時(shí)間內判斷哪一類(lèi)問(wèn)題能夠在有限的步驟內計算出來(lái)。
但是還有很多數學(xué)問(wèn)題通過(guò)這樣的裝置在有限步驟內是解決不了的。
在計算機科學(xué)和數學(xué)上有一個(gè)新的概念，叫計算機可解決的問(wèn)題，還有大量的是不可以計算的。
今天的計算機甭管多復雜，從數學(xué)上就等價(jià)于圖靈機。甭管深度學(xué)習還是云計算，等效于這樣一個(gè)簡(jiǎn)單的機械裝置。
這個(gè)簡(jiǎn)單玩意兒完不成的事，“太湖之光”超級計算機用上再聰明的算法也完不成，這是從本源上來(lái)講。
3.透過(guò)世界問(wèn)題看人工智能問(wèn)題
我們把世界的問(wèn)題進(jìn)行劃分，中間有一類(lèi)叫數學(xué)問(wèn)題。剛才講數學(xué)不是完備的，有一些問(wèn)題不是數學(xué)問(wèn)題。
數學(xué)問(wèn)題中有一些叫做可判定問(wèn)題，我知道它有解或者沒(méi)解，但還不知道解在哪。
例如，你出一道難題問(wèn)你的兒子，兒子做不出來(lái)。問(wèn)題的答案是有的，但是他做不出來(lái)，這就是可判定問(wèn)題。
里面有一個(gè)很小的集合是有答案問(wèn)題，你知道有沒(méi)有答案之后才能找到答案。
可判定問(wèn)題是知道有沒(méi)有答案，有一些數學(xué)問(wèn)題不知道有沒(méi)有答案。
圖靈裝置把有答案問(wèn)題又一分為二，里面很小的一部分叫做可計算問(wèn)題。
可計算問(wèn)題對于圖靈來(lái)說(shuō)是指有限步內可以計算，有限步也可能會(huì )有很長(cháng)時(shí)間，到宇宙毀滅了還沒(méi)有算完也叫有限步，只要不是無(wú)限步就是有限步。
(世界問(wèn)題的分類(lèi))
在工程上，如果刷門(mén)禁卡，你識別一秒鐘把門(mén)打開(kāi)了這是有意義的，算了三天才放你進(jìn)去就沒(méi)有意義，這類(lèi)問(wèn)題叫做工程可解決問(wèn)題。
算三天就是工程上不可解決問(wèn)題。工程上可解決問(wèn)題里面很小一部分是我們今天討論的人工智能問(wèn)題。
我們討論人工智能，首先要清楚它的邊界在哪，清楚邊界才知道什么事需要由人工智能解決。
在講人工智能能干什么以前，我先說(shuō)它不能干什么，我們不要把原本不需要用人工智能解決的問(wèn)題去用人工智能解決。
二、人工智能到底是什么
未來(lái)十年人工智能是什么樣的，20年后發(fā)生什么事很難有人預測出來(lái)。人們常常會(huì )高估三五年內發(fā)生的事，低估十年后發(fā)生的事。
比如有人覺(jué)得無(wú)人駕駛汽車(chē)會(huì )馬上上路，你是高估了這件事。
1. 未來(lái)10年：整個(gè)城市是一個(gè)大“機器人”
某漫畫(huà)家畫(huà)了一個(gè)漫畫(huà)，世界上所有的東西都連起來(lái)了，花盆都連起來(lái)了?；ㄅ铻槭裁匆B起來(lái)呢?因為要澆水。
前一陣子看到國家新出用水說(shuō)明，看了農業(yè)用水量達到62%，以后農業(yè)要用滴灌(降低用水浪費)。
新疆只能用滴管，否則全揮發(fā)了。每一株植物都跟互聯(lián)網(wǎng)連起來(lái)了，這是比較大膽的一個(gè)假設，未來(lái)可能就是這樣。
#FormatImgID_2#
假如這是(上海)徐家匯附近某地區，信息的流動(dòng)全畫(huà)上去就是密密麻麻的樣子，類(lèi)似于地球電磁場(chǎng)。密密麻麻帶來(lái)的好處就是萬(wàn)物互聯(lián)。
萬(wàn)物互聯(lián)之后，馬上就有出現一個(gè)緊迫的問(wèn)題。
坦率來(lái)講，現在的4G恐怕是不夠用的。為什么5G這件事能成?5G來(lái)了之后網(wǎng)速更快。針對當下需求，目前的網(wǎng)速是足夠的。
要上5G只有一個(gè)可能性，就是我突然上網(wǎng)的設備數量要增加10倍、100倍才行。
什么時(shí)候增加10倍、100倍?如果一株植物要上網(wǎng)的話(huà)，這個(gè)事就大了，所以這是有可能的。
這么密集的網(wǎng)絡(luò )就是說(shuō)數據量太大了，人工處理不了，需要借助人工智能，這是很重要的一個(gè)原因。
當我們的城市是密密麻麻數據，現有的單一計算機，或者說(shuō)一個(gè)公司的數據中心很難完成這樣的功能。
我們需要超級的分布在全市或者全國的計算設施，已經(jīng)不僅僅是計算機了，這里面的程序也很復雜，所以需要智能。
2.人工智能(機器智能)的本質(zhì)
那么，什么是人工智能，確切講什么是機器智能?
人工智能屬于可計算問(wèn)題，它跟我們人類(lèi)的智能是沒(méi)有關(guān)系的。
那么，如何判斷機器是否有智能的標準呢?因此，能不能做這樣一個(gè)客觀(guān)的判斷方法，這就是圖靈測試。
如果在屏幕背后有一個(gè)智能機器，另外一個(gè)屏幕背后有一個(gè)人，我問(wèn)一個(gè)問(wèn)題讓他們回答，天為什么是藍顏色的。
然后讓你們判斷哪個(gè)問(wèn)題是機器回答的，哪個(gè)問(wèn)題是人回答的。當判斷不清楚的時(shí)候，這時(shí)候我就說(shuō)機器和人有同等的值。
因為它是等價(jià)基礎上的定義，并不是說(shuō)機器需要像我們人這樣思考，這是人工智能的本質(zhì)。
3.人工智能的理解誤區
提到人工智能，大家有時(shí)候就想到腦科學(xué)，是不是把認知思維搞清楚了，人工智能就能做的比別人好?不是這樣的。
人工智能是從結果上判定是否與人一樣好，不是從做事方式上來(lái)判定。
舉個(gè)例子，前兩年慕課公開(kāi)課很流行。美國一所學(xué)校大量使用計算機教學(xué)，課上常常有TA，TA有些時(shí)候到課堂上幫助教授答疑。
這所大學(xué)會(huì )評全校最好的10個(gè)TA，有一年評了一個(gè)TA，就叫他約翰吧。但是沒(méi)有人知道約翰其實(shí)是一個(gè)機器人，大家并沒(méi)有見(jiàn)到他，這是十個(gè)最好的TA之一。
TA做的事情是一個(gè)限定問(wèn)題。比如說(shuō)就輔導宏觀(guān)經(jīng)濟學(xué)這一門(mén)課，約翰做的不比人做的差。
也就是說(shuō)，宏觀(guān)經(jīng)濟學(xué)這門(mén)課方面，約翰和人具有同樣的智能，但是它未必是像人一樣思考。這是幫助我們理解人工智能的一個(gè)很重要的特點(diǎn)。
三、人工智能的歷史發(fā)展階段
第一階段：傳統人工智能
人工智能是1956年提出來(lái)的。美國一所私立大學(xué)10個(gè)教授思考機器智能的問(wèn)題。
這10個(gè)科學(xué)家后來(lái)得了五個(gè)圖靈獎，還有一個(gè)諾貝爾獎。他們當時(shí)就在想怎么讓計算機能夠有人的智能，那時(shí)候是人工智能一個(gè)初期階段。
當時(shí)，大家的思維方式有點(diǎn)像今天中國說(shuō)的“民間科學(xué)家”，什么意思呢?人類(lèi)認識一個(gè)事物的時(shí)候，一開(kāi)始都是一個(gè)直覺(jué)。
舉例：鳥(niǎo)飛派 vs 空氣動(dòng)力學(xué)派
大家看《全球科技通史》里面會(huì )看到人類(lèi)對飛行的認識，最早的時(shí)候就是模仿鳥(niǎo)飛，后來(lái)才知道要搞出空氣動(dòng)力學(xué)的一套理論。
今天飛機飛的方式和鳥(niǎo)是完全不同的，但是從效果上來(lái)講比鳥(niǎo)飛得快。人工智能一開(kāi)始也是這樣的，大家一開(kāi)始都讓它模仿人。
舉例：猴子摘香蕉
學(xué)過(guò)人工智能課的人可能知道一個(gè)經(jīng)典問(wèn)題叫猴子摘香蕉。天花板上放一個(gè)香蕉猴子夠不著(zhù)，房間里面有可移動(dòng)的桌子、椅子。猴子通過(guò)移動(dòng)桌子，把椅子再放上去把香蕉摘了。
人工智能開(kāi)始做這件事時(shí)，先讓它有猴子的智能可能不難，但是有人的智能就比較難了。
科學(xué)家們搞了十幾年搞不下去了，其中有一個(gè)人馬文•明斯基開(kāi)始反思這個(gè)問(wèn)題為什么解決不了。他就找到一個(gè)反例告訴大家說(shuō)我們這些人都走錯了路。
什么反例子呢?就是兩句英文話(huà)：
① The pen was in the box;② The box was in the pen。
在英語(yǔ)里pen三個(gè)英文字母還有另外一個(gè)含義就是小孩兒玩的圍欄，你要把pen理解成圍欄第二句話(huà)就解釋通了。
這件事對人來(lái)說(shuō)不難理解，但是對計算機就非常費解，無(wú)法判定這個(gè)時(shí)候pen是鋼筆還是圍欄，為什么呢?原因很簡(jiǎn)單。
第一，我們知道小東西要放在大的東西里，你是怎么知道的?這是常識。
第二，如何判定鋼筆有多大?我一說(shuō)鋼筆你們馬上就能想到多大，你不會(huì )想到汽車(chē)這么大。
計算機怎么知道鋼筆多大?即使讓它像人類(lèi)似的那樣分析語(yǔ)法，分析語(yǔ)義等等也得不到這種知識。
今天發(fā)現計算機能夠做一些特別難的事情，例如下圍棋等等做的比人好多了。
Google其實(shí)后來(lái)不再開(kāi)發(fā)AlphaGo了，覺(jué)得已經(jīng)跟人類(lèi)差距太大了。相當于一個(gè)專(zhuān)業(yè)選手跟業(yè)余選手下圍棋，你沒(méi)有辦法下圍棋了。
但是你讓今天最好的機器人上街打一瓶醬油，你們家3歲孩子都可以干這件事，它卻干不了。人工智能開(kāi)始的定義是有特定范圍，不能拿最不擅長(cháng)的比人擅長(cháng)的。
比如，一個(gè)很簡(jiǎn)單的人類(lèi)常識，計算機是做不到的。
再舉個(gè)例子，大家覺(jué)得今天的大江無(wú)人機很厲害，但是你讓無(wú)人機像蒼蠅一樣飛就飛不了。
蒼蠅大概有10萬(wàn)個(gè)神經(jīng)元，但是無(wú)人機不到能干這么多事。這是人工智能的缺陷。
這就是我為什么在開(kāi)始的時(shí)候講計算機的邊界。你讓計算機去模擬一只蒼蠅很困難，說(shuō)明你走模擬這條路走錯路了，我們要找一條別的路。
第二階段：數據驅動(dòng)
那么人工智能開(kāi)始進(jìn)入第二階段，即以數據驅動(dòng)的人工智能解決方案，提出者是萊德里克.賈里尼克。
1972年，賈里尼克到IBM 華生實(shí)驗室做學(xué)術(shù)休假，無(wú)意中接觸了語(yǔ)音識別實(shí)驗室,兩年后他選擇了留在IBM。
在那里,賈里尼克組建了陣容空前絕后強大的研究隊伍。IBM從六十年代開(kāi)始做一些語(yǔ)言識別，但是都不成功，到七十年代讓賈里尼克負責語(yǔ)言識別等課題研究。
#FormatImgID_3#
(弗萊德里克.賈里尼克(Fred Jelinek))
因為賈里尼克是一個(gè)通信專(zhuān)家，所以他不把語(yǔ)音識別問(wèn)題當做人工智能問(wèn)題，而是當成通信問(wèn)題。
其實(shí)又把語(yǔ)音識別問(wèn)題拉回到原點(diǎn)，看看通信是什么。我把意思表達給你，你來(lái)理解我的信息。
我把想法在腦子里變成一串文字，這叫做信息的編碼。
編碼信息通過(guò)聲音說(shuō)出來(lái)，然后耳蝸把接收到的信息解碼還原成電信號，電信號通過(guò)接收者大腦進(jìn)行解碼，接收者就知道對方的傳遞信息，這是信息解碼的過(guò)程，是標準的通信的模型。
既然是標準的通信模型，就可以用通信的方式解決它。他用信源編碼和信道編碼兩個(gè)模型來(lái)描述語(yǔ)音識別問(wèn)題。
如果要把數學(xué)模型的參數算清楚就要用大量的數據去算。為什么這事在IBM能做成了呢?因為全世界當時(shí)只有IBM有數據。
IBM是商用機器公司，它是為各大公司提供計算機，大公司之間用計算機發(fā)電傳，發(fā)傳真。因此，IBM擁有大量商業(yè)電傳文本，所以它做成這個(gè)事了。
換了一個(gè)思維方式解決問(wèn)題以后得到了什么結果呢?在整個(gè)六七十年代，語(yǔ)音識別能識別十個(gè)數字，再加上幾個(gè)簡(jiǎn)單的英文單詞。
IBM最早想做一個(gè)語(yǔ)音控制的計算機，能夠實(shí)現自動(dòng)接線(xiàn)系統，連接、斷開(kāi)、轉接、付費等等。
但是，當時(shí)識別不超過(guò)100個(gè)英文單詞，錯誤率30%，沒(méi)有辦法用。
轉換思路，用數據驅動(dòng)方法解決問(wèn)題能識別22000個(gè)英文單詞，錯誤率從30%到下降到10%，就在短短幾年間實(shí)現。
這就是工作方法和思維方式的重要性，思維方式常常比技術(shù)本身更重要。你沿著(zhù)原來(lái)的老路用技術(shù)再走，也走不到前面去，就是一個(gè)死胡同。
但是當時(shí)的數據也僅僅只能解決語(yǔ)音識別的問(wèn)題，不能解決圖像處理問(wèn)題，圖像處理問(wèn)題數據的絕對數量是語(yǔ)音識別的100倍。
所以當時(shí)是不可能的。后來(lái)，賈里尼克手下一個(gè)人提出機器翻譯的模型，這個(gè)人叫彼德•布朗(Peter F. Brown)。
當時(shí)英語(yǔ)的翻譯思路是走得通的，但是由于沒(méi)有數據，翻譯效果不好。
在沒(méi)有互聯(lián)網(wǎng)的情況下，世界上能找到的數據只有2個(gè)，一是各個(gè)國家都有的圣經(jīng)，另一個(gè)是聯(lián)合國幾個(gè)官方語(yǔ)言之間的文件數據，數據都非常少。彼德•布朗的模型在當時(shí)沒(méi)有得不到很好的結果。
很有意思的是彼德•布朗的論文是今天做機器翻譯引用最多的論文，引用的高峰不是在九十年代剛剛發(fā)表論文的時(shí)候，而是在2000年以后當數據量大的時(shí)候。
那么，彼德•布朗是什么人呢?世界上最牛的投資基金叫文藝復興，彼德•布朗原來(lái)是文藝復興科技公司IT總監，現在擔任文藝復興的副總。
所以他后來(lái)就去預測股票了。由于缺乏數據，因此八九十年代人工智能進(jìn)入了低谷。
到了2004年、2005年，人們看到一點(diǎn)曙光了。最先讓大家覺(jué)得很興奮的事機器翻譯的水平基本上可以達到人的水平了。
Google有一個(gè)團隊參加了美國國家標準化和技術(shù)研究所的測評，相當于中國標準化局的一次評測。
這一次評比的結果贏(yíng)的是Google，跟第二名大概差5個(gè)百分點(diǎn)。
全世界科學(xué)家努力一年大概能提高0.5%，提高5%差不多10年。今天技術(shù)相差十年你們倆不在一個(gè)水準，差一代。
Google是第二個(gè)做這個(gè)事情的公司，憑什么一下子成為世界第一，而且是遠遠的第一名呢?
原因也很簡(jiǎn)單，Google把原來(lái)世界上做機器翻譯最好的一個(gè)科學(xué)家請到了Google去。
為什么跳個(gè)槽，結果就提高了5個(gè)百分點(diǎn)呢?因為他用了別人一萬(wàn)倍的數據，就這么簡(jiǎn)單的一件事，算法沒(méi)有變。
這就是為什么叫數據驅動(dòng)的方法，也就是在這之后深度學(xué)習開(kāi)始慢慢熱門(mén)起來(lái)了。
基礎的算法在七十年代已經(jīng)奠定了，現在用了當年一萬(wàn)倍的計算資源，但是怎么用這些計算資源是一個(gè)本事。
我講這些想是想告訴大家人工智能和我們人腦的智能完全無(wú)關(guān)，是一種基于數據驅動(dòng)的機器學(xué)習方法。
如同鳥(niǎo)是振動(dòng)翅膀來(lái)飛行，飛機是不振動(dòng)翅膀飛行，實(shí)際上飛機飛行跟鳥(niǎo)類(lèi)飛行沒(méi)有太大關(guān)系。
飛機飛上天是人類(lèi)對空氣動(dòng)力學(xué)的研究，而不是對鳥(niǎo)類(lèi)的飛行進(jìn)行研究。
今天了解人工智能是思考怎么讓計算機這些鋼鐵等材料組成的盒子在回答問(wèn)題的時(shí)候能超過(guò)人，而不是說(shuō)研究人腦的結構。
有一個(gè)簡(jiǎn)單的方法判定人工智能是真還是假。如果說(shuō)這個(gè)人工智能和認知科學(xué)有很深的關(guān)系，這是騙你的。
如同說(shuō)發(fā)明了一個(gè)飛機，翅膀是可以振動(dòng)的，是一樣的道理。如果跟你講有數據驅動(dòng)的，數學(xué)模型怎么好基本上是真的。
四、人工智能發(fā)展的
好消息和消息
人工智能發(fā)展到今天，好消息是說(shuō)它得到了全世界的認可，LeCun、Hinton、Bengio得到了圖靈獎。
壞消息是說(shuō)從人類(lèi)找到數據驅動(dòng)方向的時(shí)候，人工智能用光了40年技術(shù)積累的紅利，之所以今天有這個(gè)結果，是40年前的人在給你栽樹(shù)， 40年前栽的樹(shù)在今天開(kāi)花結果了。
大家不要覺(jué)得人工智能突然發(fā)展這么快，會(huì )不會(huì )接下來(lái)20年又有一個(gè)巨大的加速?我告訴你不會(huì )的。
為什么?因為20年后產(chǎn)生巨大加速的事情，可以在今天的學(xué)術(shù)界預測。今天學(xué)術(shù)界所做的一些研究課題沒(méi)有太多新的。
當今的科學(xué)家們比較努力，人數也多，大概也要20年才能積累出一個(gè)讓人感覺(jué)非常興奮、非常驚喜的理論基礎。
好的是什么呢?因為這40年的成果在一些領(lǐng)域被證實(shí)了可以開(kāi)花結果。
AlphaGo用它下棋可以用，彼德•布朗用它可以在股票上掙大錢(qián)，現在包括無(wú)人駕駛汽車(chē)，語(yǔ)音識別、機器翻譯、醫學(xué)影像識別，人臉識別等都做的很好。這些成果證明這項技術(shù)已經(jīng)成熟到了我們可以把它們用到各行各業(yè)去。
任何一次技術(shù)革命，掌握核心技術(shù)的可能是2%的人，但是剩下來(lái)得有無(wú)限應用它的可能性。
五、人工智能的發(fā)展水平
1.弱人工智能
比如美圖秀秀，這是一個(gè)非常好的人工智能的應用，雖然你沒(méi)有覺(jué)得它很聰明，其實(shí)它在圖像處理方面蠻聰明的。
華為手機(P20以上)里面加入了很多圖像識別功能，不僅是人臉識別，還能識別各種各樣的物體。大部分人可能關(guān)注的是華為手機把顏色調的很亮麗，把人照的年輕一點(diǎn)。
你們愿意的話(huà)，還可以測試華為手機目標識別的功能。比如，你們去(上海)陸家嘴，用華為手機照一張大樓(低處往上拍攝)，然后保存原文件，大概40M大小。
然后你查看照片發(fā)現樓是直的，這是不對的。因為從下往上看應該有一個(gè)傾斜角度，說(shuō)明手機做了大量目標識別和后處理工作。
這其實(shí)就是人工智能的應用，雖然你可能不覺(jué)得那么聰明。
2.強人工智能
你們常想到的聰明的人工智能，例如人工智能下棋或者給你看病，這就是第二層發(fā)展水平強人工智能。
① 理解自然語(yǔ)言(比速記員要好，能夠回答問(wèn)題、寫(xiě)作)
例如做速記，今天科大訊飛的語(yǔ)音識別和人對講話(huà)內容做處理已經(jīng)差不了太多。當然里面有一個(gè)原因是科大訊飛的語(yǔ)言庫資料比較大。
② 病(已經(jīng)達到了醫生的平均水平)
人工智能看病診斷能達到醫生的平均水平，疑難病癥可以達到專(zhuān)家水平。為什么呢?因為醫生看病在某種程度上來(lái)講就是人肉大數據，必須見(jiàn)到足夠多的病例水平才足夠高。
③開(kāi)車(chē)(絕大多數時(shí)間比人做得好)
人工智能駕駛絕大部分時(shí)候做的都比人好。在無(wú)人駕駛汽車(chē)方面Google是唯一梯隊的公司，現在基本上經(jīng)過(guò)測試能夠做到每7000英里左右干預一次。
你從中國最北邊開(kāi)到最南邊，或者從最東邊開(kāi)到最西邊一個(gè)來(lái)回干預一次就夠了。
3.超人工智能，是否存在?
一直有科幻片在探索超人工智能是不是存在的。其實(shí)超人工智能存在有否，與你們的生活關(guān)系不大。
我問(wèn)大家一個(gè)問(wèn)題，鬼存在不存在?有人相信鬼存在，也有人不相信。
不管鬼是否存在，你們都不擔心鬼的存在對不對?例如你們去到某個(gè)恐怖地區，你們是怕鬼還是怕恐怖分子?答案很顯然。
很多人現在寫(xiě)文章，說(shuō)將來(lái)人工智能發(fā)展下去不得了了，人類(lèi)活不下去了。這種擔心就是等于怕鬼。我們擔心的不是鬼，而是背后的人裝神弄鬼!
所以超人工智能不可怕，可怕的是應用人工智能控制你的生活以及無(wú)形中已經(jīng)改變你生活的人，這些才是可怕的。
今天對人工智能有所擔心，不是人工智能本身，而是人工智能背后開(kāi)發(fā)程序的公司和個(gè)人。
1. 摩爾定律
今天的手機和十年前的手機速度差了100倍。因此華為手機才能夠做到實(shí)時(shí)處理圖像信息。計算機的速度如果不夠快，我問(wèn)了內部的一些人，三四十張合成一張。這就是摩爾定律的作用。
2. 數據
多50%，多一倍、兩倍、十倍不一定有結果，多一萬(wàn)倍就會(huì )有結果了。
3. 數學(xué)模型
之前提到計算機能解決的是數學(xué)問(wèn)題。你如果想用人工智能解決問(wèn)題，就需要能夠對它建立起數學(xué)模型。
復旦下面一家人工智能研究所大概有三撥人。第一撥人是學(xué)MBA的，他們到客戶(hù)那里了解客戶(hù)業(yè)務(wù)邏輯;第二撥人是學(xué)數學(xué)的，根據業(yè)務(wù)邏輯搭建出數學(xué)模型;第三撥人是學(xué)計算機的，把數學(xué)模型變成計算機算法。
七、人工智能發(fā)展的三種態(tài)度
大家在做人工智能的時(shí)候有三種態(tài)度，分別是模擬人，取代人，超越人。
1.模擬人
模擬人就是說(shuō)原來(lái)人能做的一些事由它來(lái)做，有人就談到服務(wù)機器人。但我個(gè)人未必覺(jué)得是一個(gè)很好的思路，為什么呢?
舉個(gè)簡(jiǎn)單例子，比如說(shuō)養老機器人，家里老人是想跟機器人聊天還是想跟兒女聊天呢。
又比如生病了，你是希望機器人給你送藥打針還是護士來(lái)跟你說(shuō)兩句話(huà)?也許這個(gè)領(lǐng)域恰恰是人更合適的。
人工智能并非能解決所有問(wèn)題，有時(shí)候要分清這個(gè)問(wèn)題。當大家都涌到加州淘金，賣(mài)水的人掙著(zhù)了錢(qián)。
加州很有名的礦泉水公司當年就靠賣(mài)水發(fā)家起來(lái)了。還有一家牛仔褲公司也在淘金時(shí)期發(fā)展起來(lái)。
2.趕上人
人工智能在很多事上很容易趕上人。比如說(shuō)天為什么是藍的可能比你想的還清楚。
我家里有一個(gè)對話(huà)機器人。有一次在家里和朋友聊天聊到amazon，機器人馬上問(wèn)“你們是不是要買(mǎi)東西”?家人逗它說(shuō)要買(mǎi)東西。
后來(lái)它說(shuō)“高爾夫球好像快沒(méi)了，是不是還要買(mǎi)”?他說(shuō)那就買(mǎi)吧!
它接著(zhù)問(wèn)“是不是還買(mǎi)上次那個(gè)牌子”?我們說(shuō)是的。
幾天之后，商品就寄過(guò)來(lái)了。
你在FACEBOOK上點(diǎn)贊達到100次，它會(huì )比你家人都了解你的需求，點(diǎn)到200次可能比你自己還了解自己。這些事是人工智能可以完全解決的。
3.超越人
某些事情，例如無(wú)人駕駛汽車(chē)，包括一些疾病的診斷，我個(gè)人覺(jué)得人工智能會(huì )比人做的更好。
疾病診斷誤診、漏診其實(shí)是蠻多的，有些時(shí)候比我們想象的要大得多。
假設你是放射科的專(zhuān)家看片子的，看片子可能就會(huì )漏掉很多的細節。機器做這件事是非常穩定的事。
八、把握機遇抓住未來(lái)
今天講了很多計算機和人的邊界。要用不同的方式去看待計算機的智能，千萬(wàn)不要跟人等價(jià)。它的感知世界和人是不一樣的。
關(guān)于人和計算機的智能區別，邁克爾•喬丹教授(美國人工智能專(zhuān)家)提到計算機的智能是網(wǎng)絡(luò )行為，人是個(gè)體行為。
它獲得的智能是網(wǎng)絡(luò )判斷的結果，不是單個(gè)計算機的智能。這是計算機和人的智能的差別。
當然這也帶來(lái)一個(gè)風(fēng)險，一旦出錯就不是一個(gè)人出錯，可能導致整個(gè)社會(huì )系統的癱瘓!
我們的主題叫超級智能時(shí)代，在這個(gè)時(shí)代還有很多細分領(lǐng)域有人工智能應用的機會(huì )，就看你們怎么把握呢!
如果你相信未來(lái)20年是一個(gè)還不錯的發(fā)展機會(huì )，你就會(huì )采用不同的人生態(tài)度和不同的做事方式來(lái)抓住未來(lái)，也希望每個(gè)人都抓住未來(lái)。
本文來(lái)源：筆記俠，作者：贊賞小俠
評論
全部評論（1896）
-
最新最熱
行業(yè)資訊 -
訂閱欄目
效率閱讀 -
音頻新聞
通勤最?lèi)?ài)
