科技 人工智能AI

人工智能今天已经过热，而且呈现出一种非理性的热，那它的现状和未来需要解决的问题，以及能够解决的问题是什么呢？吴军，在美国拜访了世界著名人工智能专家迈克尔·乔丹（和篮球巨星乔丹同名同姓）。乔丹是加州大学伯克利分校的教授，在人工智能领域名气非常大，他最大的贡献在于提出了一种新型的人工神经网络（复发神经网络，recurrent neural networks），这是今天深度学习的基础之一。

首先，乔丹教授谈了自己对人工智能发展的看法。

乔丹教授觉得将人工智能AI（Artificial Intelligence）一词反过来理解，称之为IA更加准确，就是Intelligence Augmentation，智能的放大。他认为今天所谓的人工智能所做的很多事情，从智能化水平来讲还很初级，但是却让人的智力得到了扩展。比如，搜索引擎把我们的知识量和知识面提升了很多倍。语音识别和机器翻译增强了很多人的语言能力。大数据让很多年轻的职业人士能够把握行业的大方向，这在过去常常需要几十年经验的积累。

他认为今天人工智能的第二个特征是将两个“I”放在了一起，即“Intelligent”和“Infrastructure”，翻译过来是智能基础设施，或者说智能架构，包括智能交通、智能家庭、智能城市、可穿戴设备等，这些概念合在一起就是我们的物联网。也就是说，机器智能让人类解决了过去凭借自身智能做不到的事情。

吴军也提出了自己的看法。他说人工智能的另一个特征应该是AA（Automatic Algorithm），自动的算法。过去是人写算法让计算机做事，而人工智能应该是让计算机自己找到算法，寻找新知识。乔丹教授表示了同意。他们把人工智能AI用这两个字母的另外三个组合进行了重新诠释，即“AI＝IA＋II＋AA”，也就是“人工智能＝（人的）智能增强＋（社会的）智能架构＋（计算机的）自动算法”。

其次，乔丹教授谈了机器智能和人的智能的区别。他认为，今天大部分人对这个问题的误区依然在于按照人的思维方式去理解机器智能，最明显的例子就是所谓的单个机器人。我们都知道，人的行为方式是相对独立的，彼此不知道对方的想法，这当然有问题，比如会造成交通拥堵，但也有好处，就是人们不同的判断和看问题的角度避免了很大的风险。但机器的智能是基于大规模的计算和海量的数据，所以它其实是一个网络。这当然有好处，比如智能交通就需要行动的一致性。但是也有问题，比如在股票价格雪崩式的下跌时，由于机器智能采用的方法都差不多，其中一家抛售，其它各家也会跟着抛售。

乔丹教授说，今天人工智能的第二个问题，是不能像人一样理解含义。比如，今天计算机识别很多物体比人还准确，但如果机器走到悬崖边上，识别出了山石树木，却意识不到危险。如果人不在编程序的时候告诉机器前面高度突然下降，要停止，机器是没办法通过之前的经验做出判断的，因为它没办法理解高度、危险等概念。所以人工智能离完美还很远。

第三，乔丹教授对AI在不远的将来能做到什么，以及不能做到什么，进行了预测。

他认为在未来十年内，人工智能可以解决下列问题：1.无人驾驶汽车。2.取代人的对话系统，特别是在客服这种只需要掌握有限的知识的领域会得到很好的应用。3. 跟踪人的健康，并且根据对人长期的监控帮助诊断和治疗疾病。

而乔丹教授觉得在他的有生之年，以30年为准，下面几件事情是人工智能做不到的：1.创造性。2. 总结概念发明单词。3. 变通的灵活性。4. 学习完整的知识体系，并且在此基础上创造新知识。

最后，乔丹教授说，他对人工智能的发展并没有持悲观的态度，但他认为在接下来的10年里，人类还是要做好一些事情。这些事情有：1.让人工智能系统更稳定，今天大部分机器人和人工智能系统的漏洞太多，如果长时间运行，可能会犯致命的错误。2.防止人工智能系统被坏人利用，一个天才罪犯可能会利用人工智能犯罪。3. 建立很好的社会保障制度。未来很多人失去工作是不可避免的，乔丹教授和吴军教授都认为，消化技术革命需要一两代人的时间，也就是30-50年。乔丹教授认为不会出现《未来简史》中所的那种无所事事的人，未来当人工智能让创造财富变得很容易时，人应该自己去做适合自己做的事情，哪怕那些事情只是取悦自己。4. 设计有用的人工智能系统，而不是炒概念或者创造其实并不存在的需求。5. 保护隐私。6. 数据分享，方便每一个人。

吴军在文章中，也补充了他认为在人工智能领域要做好的事情。一个是人工智能可以解释它的决定，今天虽然它能够找到相关性，但是却无法找到内在的逻辑，因此容易把前提和结论搞反了。比如根据大数据的统计，喝咖啡的人比不喝咖啡的人长寿。但大数据没告诉大家喝咖啡是不是原因，或许是生活水平高的人才有钱、有时间喝咖啡。所以真实的情况是长寿的人喝咖啡。

另一件事情是要追求长期的目标，而不只是找到一些已知的事实。以人类的智力，今天很难做出重大的发明了。因此需要人工智能帮助人类在科学研究上有所突破，而人工智能很可能需要有新的方法论。