方陵生

“機器能思考嗎？”能夠模仿人類智慧的計算機曾經(jīng)只是一個遙遠的夢想，人工智能研究幾經(jīng)跌宕起伏，最終取得了意料之外的成功。如今，人工智能已神奇地進入我們生活的各個方面，但卻是以與當(dāng)年預(yù)言者所想象不到的方式……

60年前科學(xué)家的預(yù)想

1956年夏天，一群科學(xué)家和工程師在美國達特茅斯學(xué)院聚集一堂，其中包括計算機科學(xué)家馬文·明斯基，信息理論家克勞德·香農(nóng)，以及后來的兩位諾貝爾得主赫伯特·西蒙和約翰·納什。他們聚在一起的任務(wù)是要創(chuàng)建一個被稱為“人工智能（AI）”的新的科學(xué)領(lǐng)域。

這群科學(xué)家不乏雄心壯志，他們認(rèn)為：從理論原則上來說，包括學(xué)習(xí)能力和人類智能等其他任何一個方面，都能用機器模擬的方式準(zhǔn)確地表現(xiàn)出來?？梢宰寵C器學(xué)會使用語言，形成抽象概念意識，以解決人類目前面對的一系列問題，提升人類自身能力。他們甚至預(yù)計，通過這幫精英科學(xué)家用一個夏天的集思廣益，就一定能夠取得其中一兩個問題的重大進展。

結(jié)果，為實現(xiàn)人工智能之夢，他們花了遠遠不止一個夏天的時間。在經(jīng)過60年不懈的努力和許多次的失敗挫折之后，人工智能終于走出了自己的發(fā)展之路。到了今天，我們可以向電腦提問，可以坐在半自動駕駛汽車?yán)镌诜泵Φ能嚵髦写┬?，可以通過智能手機進行演講材料或文本材料的多種語言翻譯；我們還可以將護照檢查、拼寫錯誤修正這類事情都放心地委托給計算機去做。不過，我們很難想象，如果一旦計算機系統(tǒng)出現(xiàn)重大故障或崩潰，會給我們已經(jīng)如此習(xí)慣并依賴于人工智能的社會秩序帶來多大的影響。

當(dāng)人們迅速適應(yīng)了人工智能給我們帶來的種種便利之時，我們也許并不清楚，當(dāng)年科學(xué)家設(shè)想的人工智能其實并不像今天人們所體驗到的這樣。

在當(dāng)年的達特茅斯會議上，以及隨后召開的各種會議上，明確提出的人工智能這一領(lǐng)域的未來目標(biāo)是機器翻譯、計算機視覺、文本理解、語音識別、機器人控制和機器人學(xué)習(xí)。雖然在之后的幾十年里，大量資源投入了人工智能的研究，但并沒有達到其中任何一個目標(biāo)。直到1990年代末，1956年科學(xué)家預(yù)言的人工智能研究才開始有了轉(zhuǎn)機，人工智能的種種神奇才紛紛開始融入人們的社會生活之中。

今天，雖然可以說已經(jīng)達到了當(dāng)年的預(yù)期目標(biāo)，但創(chuàng)造人工智能的方法卻有了很大的不同。早期的工程師設(shè)計人工智能的辦法是從頭到尾為機器全程編程，他們創(chuàng)建的人工智能行為采取的是一種“自上而下”的途徑：首先創(chuàng)建一個如何處理語音、文本或圖像的數(shù)學(xué)模型，然后通過計算機程序?qū)崿F(xiàn)這個模型中預(yù)想的功能。這聽起來是一個很合理的設(shè)想，但結(jié)果證明是錯了。他們還預(yù)測，人工智能的任何突破都將有助于進一步了解人類自身的智慧，但結(jié)果也錯了。

1956年后的多年中，越來越明顯的是，當(dāng)年設(shè)想的這些系統(tǒng)并不適合處理現(xiàn)實世界中紛雜的各種問題。到了上世紀(jì)90年代初，由于人工智能領(lǐng)域幾乎沒有取得任何進展，大多數(shù)工程設(shè)計人員開始放棄了以邏輯推理方式創(chuàng)造一種萬能型思考機器的夢想，他們開始將目光瞄準(zhǔn)了一些較具體的低級目標(biāo)，專注于讓機器完成某個更有希望解決的特定任務(wù)。

一些早期的成功事例來自于產(chǎn)品的推薦。雖然很難了解為什么客戶會想要購買某種產(chǎn)品，但根據(jù)之前的交易或其他類似客戶的喜好，卻很容易推斷他們可能會喜歡什么樣的產(chǎn)品。例如，如果你喜歡《哈利波特》系列的第一部和第二部電影，那么你很可能也會喜歡第三部。要獲得某種解決方案，你可能不需要很深入的全面理解，就可以通過對大量數(shù)據(jù)的分析梳理，發(fā)現(xiàn)其中有用的相關(guān)性。

那么，有沒有辦法讓機器通過相類似的“自下而上”的捷徑來模仿其他形式的人類智能行為呢？關(guān)于人工智能領(lǐng)域的許多問題雖然沒有現(xiàn)成的理論，但卻有足夠多的可用以分析的數(shù)據(jù)。正是這種務(wù)實的態(tài)度導(dǎo)致了一些AI技術(shù)的誕生，如語音識別、機器翻譯，以及像手寫體數(shù)字識別這樣簡單的計算機視覺任務(wù)。

數(shù)據(jù)比理論更強大

到了2005年左右，人工智能已有了大量的成功例案例，在走向成功之路的過程中，人工智能的研究獲得了一個強大的經(jīng)驗教訓(xùn)：數(shù)據(jù)比理論模型更強大。在以一個小集的統(tǒng)計學(xué)學(xué)習(xí)演算法和大量數(shù)據(jù)為啟動動力的基礎(chǔ)上，創(chuàng)造和誕生了新一代的智能機器。

研究人員曾假設(shè)，人工智能將為進一步了解我們自己的智慧提供線索，但嘗試從機器算法來了解人類大腦是如何執(zhí)行這些任務(wù)的，這純屬是浪費時間。人工智能的語言不再是通過邏輯表達，而是通過數(shù)據(jù)比對算法。AI領(lǐng)域在經(jīng)歷了一次思考模式的轉(zhuǎn)變后，進入了數(shù)據(jù)驅(qū)動的人工智能時代，新的核心技術(shù)是機器學(xué)習(xí)，其語言不再是邏輯語言，而是統(tǒng)計數(shù)據(jù)語言。

那么，機器會學(xué)習(xí)嗎？我們通常所說的機器人學(xué)習(xí)指的是機器建立在其經(jīng)驗分析基礎(chǔ)上的改變其行為的學(xué)習(xí)能力（當(dāng)然希望是向更好的方向改變）。這聽起來有如變魔術(shù)般神奇，但實際上在很大程度上是一種機械的過程。

想象一下，你郵箱里的垃圾郵件過濾器是如何根據(jù)郵件內(nèi)容來對大量郵件進行篩查，以做出是否要將它們阻擋在外的決定的呢？每一次你將某份電子郵件拉入到垃圾郵件文件夾時，AI就能通過收件人給出的信息，以及是否含有收件人不需要的詞語等線索來估算其屬于垃圾郵件的概率。綜合所有這些信息，就可以對新郵件做出判斷，是否要將它阻擋在外。對于AI來說，并不需要對郵件有很深刻的了解，它所要做的只是根據(jù)統(tǒng)計學(xué)原理計算一些字詞出現(xiàn)的頻率，然后做出判斷就可以了。

將這種思路大規(guī)模付諸實際應(yīng)用所取得的效果之好令人驚訝。機器可以學(xué)會做一些很難直接編程的事情：比如將不完整的句子補充完整，預(yù)測用戶下一次的鼠標(biāo)點擊行為，或者推薦某個產(chǎn)品等。當(dāng)以這種思路開發(fā)人工智能達到極致之時，機器為我們做到了許多之前難以想象的事情，比如語言翻譯、手寫識別和人臉識別等。與60年前科學(xué)家對人工智能未來的假設(shè)完全不同的是，讓機器模擬人類行為，我們并不需要對具體的功能進行精確的描述和編程。endprint

雖然具體到個別的每一種機械行為都相對簡單，但當(dāng)我們在復(fù)雜的軟件中同時部署了許多這樣的機械行為，并為其提供了數(shù)以百萬計的數(shù)據(jù)實例后，其產(chǎn)生的效果就是，這種高度自動適配的行為，使得機器看起來就像真正擁有人類一樣的“聰明”。但值得注意的是，這些都只是簡單的統(tǒng)計學(xué)計算結(jié)果，機器并不了解為什么要這么做，它只是“知其然”，而并“不知其所以然”。

更多的數(shù)據(jù)優(yōu)于更好的算法

人工智能研究的這一重大發(fā)現(xiàn)有時被稱為“數(shù)據(jù)的不合理的有效性”。對于人工智能研究者來說，這是看似微不足道但卻很重要的一課：簡單的統(tǒng)計學(xué)方法，結(jié)合大量的數(shù)據(jù)，解決了困擾人工智能理論學(xué)家?guī)资昕嗨疾坏闷浣獾臋C器人行為的難題。

通過機器人強大的學(xué)習(xí)能力和龐大的可用數(shù)據(jù)集，終于實現(xiàn)了一些有實際用途的人工智能系統(tǒng)，包括視覺、語音、翻譯和自動問答系統(tǒng)等。將這些系統(tǒng)融入更大的系統(tǒng)中，產(chǎn)生了一些功能更強大的產(chǎn)品和服務(wù)，從Siri（iPhone/iPad上的語音控制功能）到亞馬遜購物網(wǎng)，再到谷歌的概念車。

如今，研究者的注意力正集中于點燃人工智能機器“發(fā)動機的燃料”：數(shù)據(jù)。人工智能從哪里獲取數(shù)據(jù)，并如何開發(fā)利用這些數(shù)據(jù)資源呢？

有價值的數(shù)據(jù)可以免費在“自然環(huán)境中”找到。人們在各種活動中生成的副產(chǎn)品，如在博客上共享的一個推特，或用戶添加的一個笑臉符號等，這些司空見慣的網(wǎng)絡(luò)行為都是人工智能的數(shù)據(jù)來源。

工程師和企業(yè)研究人員已經(jīng)發(fā)明了各種各樣的方法來吸引和收集各種額外的數(shù)據(jù)，如記錄用戶上網(wǎng)行為的cookie（儲存在用戶本地終端上的數(shù)據(jù)），標(biāo)記朋友圈，評價某件商品等。這些數(shù)據(jù)都會成為新的龐大數(shù)據(jù)流中的一部分。

同時，隨著人工智能找對了自己的發(fā)展方向，研究人員已開發(fā)了一個前所未有的全球數(shù)據(jù)網(wǎng)，每當(dāng)你上網(wǎng)看新聞、搜索信息資料、網(wǎng)購、玩游戲、查看你的電子郵件或銀行存款余額時，你都在與這個龐大的數(shù)據(jù)網(wǎng)展開交互活動。這個數(shù)據(jù)網(wǎng)的基礎(chǔ)設(shè)施不只是實體形式的計算機和電線網(wǎng)絡(luò)，還包括社交網(wǎng)和微博網(wǎng)站等在內(nèi)的由諸多軟件構(gòu)成的一個大網(wǎng)絡(luò)。

數(shù)據(jù)驅(qū)動的人工智能從這個網(wǎng)絡(luò)中吸收大量數(shù)據(jù)，同時利用這些數(shù)據(jù)為這個網(wǎng)絡(luò)提供動力。很難想象現(xiàn)代生活缺少了這樣的數(shù)據(jù)交流會是個什么樣子。

人工智能的成就與挑戰(zhàn)

現(xiàn)代人工智能已成為現(xiàn)代科技中最了不起的強大技術(shù)之一，也是一項顛覆性的技術(shù)。

這個強大的數(shù)據(jù)網(wǎng)絡(luò)非同一般，與之前人類所發(fā)明的任何媒介如電報或電話時代的通信網(wǎng)絡(luò)等都大不一樣，它對我們的行為和行動都非?！案信d趣”。當(dāng)我們在網(wǎng)絡(luò)上瀏覽時，它也反過來“看著”我們，預(yù)測我們下一步的舉動，猜測我們的意圖。通常目的是為給我們提供更好的服務(wù)，有時也會對我們的行為產(chǎn)生影響。1970年代通信理論家馬歇爾·麥克盧漢的名言是“媒體永遠無法保持中立”，人工智能賦予了他這句話以一種全新的詮釋。

人工智能在給我們帶來諸多便利的同時，也有可能會給我們帶來諸多困擾，如監(jiān)視、歧視、誘導(dǎo)、失業(yè)甚至成癮。面對這些挑戰(zhàn)，我們做好準(zhǔn)備了嗎？

智能機器要能運轉(zhuǎn)起來，就需要收集大量數(shù)據(jù)，通常包括一些涉及個人隱私的數(shù)據(jù)。但這個簡單的事實卻有可能將人工智能機器變成監(jiān)視我們個人行為的設(shè)備：它們知道我們在什么位置，了解我們在網(wǎng)上瀏覽的歷史，對我們的社交網(wǎng)絡(luò)也一清二楚。我們能決定誰可以有權(quán)訪問我們嗎？我們能知道收集的數(shù)據(jù)都用來做什么了嗎？以及這些數(shù)據(jù)是否會被刪除？如果答案是否定的，那么我們就已經(jīng)失去了對它們的控制。

人工智能在保險、貸款和治安監(jiān)控中都非常有用，但預(yù)測質(zhì)量取決于微妙的設(shè)計選擇，以及信息收集的方式。但它也有產(chǎn)生意料之外隱形歧視的風(fēng)險，就像不同的招聘廣告針對的是不同的族群，這些都顯示了通過算法和數(shù)據(jù)之間復(fù)雜的相互作用對我們所產(chǎn)生的種種影響。

另一個問題是誘導(dǎo)。許多人工智能公司的商業(yè)模式是做廣告，它們會引導(dǎo)人們點擊某些特定的鏈接，這些公司致力于研究如何引導(dǎo)用戶進入這些鏈接。機器對我們了解越多，推動和影響我們的能力就越強。對于一些易受影響的用戶來說，通過提供所謂的“豐厚獎勵”，甚至?xí)T發(fā)網(wǎng)絡(luò)上的一些成癮行為。

人工智能或是通過觀察我們?nèi)绾巫觯蚴峭ㄟ^“訓(xùn)練”人工智能的大量數(shù)據(jù)，從我們這里學(xué)會如何做某些工作，對就業(yè)形式也會產(chǎn)生很大影響?；ヂ?lián)網(wǎng)上出現(xiàn)的眾包，可讓企業(yè)自動將一些需要人類智能完成的微型任務(wù)在網(wǎng)上“外包”出去，通過在網(wǎng)站或應(yīng)用程序中發(fā)布任務(wù)，人們可以選擇他們想要接受的任務(wù)，并通過計算機系統(tǒng)加以協(xié)調(diào)。典型的外包任務(wù)包括辨識手寫體或標(biāo)記圖片等。

由此創(chuàng)造了一個直接通過計算機管理的勞動力大軍，并定義了一整套理想的可自動化管理的候選任務(wù)。事實上，許多基于任務(wù)的工作者實際上是在為訓(xùn)練AI生成或注釋數(shù)據(jù)。同時，我們可以預(yù)期，許多呼叫中心和倉庫管理在未來十年里的自動化程度也將越來越高。

我們的法律和文化也許不足以應(yīng)對這些和其他許多挑戰(zhàn)。如果某個智能算法可以否認(rèn)我們的假釋決定或治療方案，我們該找誰去說理？我們希望政府可以隨時訪問我們的網(wǎng)上活動，了解我們的偏好嗎？我們希望我們的孩子一直在控制誘導(dǎo)他們行為的“循循善導(dǎo)”的機器的陪伴下度過他們的上網(wǎng)時間嗎？如果因人工智能的發(fā)展而導(dǎo)致大量失業(yè)，對我們這個社會又會產(chǎn)生什么樣的影響呢？

從早期的學(xué)術(shù)理論到如今廣泛的實際應(yīng)用，人工智能已經(jīng)走過了一條很長的路。AI現(xiàn)在正在融入我們的生活，并展示了進一步發(fā)展的前景。在實際應(yīng)用中，我們也許并不將其稱為AI，但在它們所融入的諸多領(lǐng)域中，從醫(yī)療保健到公共交通，從通信交流到學(xué)校教育，人工智能都和我們?nèi)缬跋嚯S。

機器學(xué)習(xí)范式已有效地解決了包括視覺和語音處理在內(nèi)的許多問題，未來的人工智能也許能找到將早期研究留下來的“自上而下”推理方法的成果完美結(jié)合起來的辦法，屆時，AI能夠做的事情可能會再一次給我們帶來巨大的驚喜。endprint

隨著人工智能繼續(xù)開辟新的可能性，可以想象，我們將能夠像面對人類一樣與機器人對話，讓機器人為我們流利地進行即時翻譯，并在智能房屋和自動汽車領(lǐng)域內(nèi)開發(fā)出更多的自動化實際應(yīng)用。

但是，我們?nèi)匀恍枰种茖⑷斯ぶ悄芤氡M可能多領(lǐng)域中的誘惑，至少在文化和體制同時得到相應(yīng)進展之前，我們必須謹(jǐn)慎從事。廣泛采用的人工智能技術(shù)給我們?nèi)祟悗碓S多非凡的機會，但同時也存在著一些潛在的風(fēng)險。與流行看法相反的是，人工智能威脅到的并不是人類作為一個種族的安危，而更有可能的是AI對我們的隱私和自主權(quán)的侵蝕。

人工智能已進入我們?nèi)粘Ｉ畹母鱾€方面，在慶賀AI取得的巨大成就，享受60年來人工智能研究帶來好處的同時，對于人工智能潛力的深入開發(fā)我們?nèi)孕枞级笮小?h4>人工智能發(fā)展時間表

1950年：英國數(shù)學(xué)家、計算機之父阿蘭·圖靈在他發(fā)表的論文“計算機器與智能”中，開宗明義第一句話就是“我開始考慮這個問題：機器能思考嗎？”

1956年：在達特茅斯學(xué)院舉行的一個研討會上，正式創(chuàng)造了“人工智能”一詞。

1959年：卡內(nèi)基梅隆大學(xué)計算機科學(xué)家開發(fā)了程序軟件“通用解題程序”——一個可以用來解決邏輯謎題的程序。

1973年：由于缺少資金，第一次AI之冬來臨。

1975年：一個被稱為MYCIN的醫(yī)療診斷系統(tǒng)被開發(fā)出來，可用于診斷細菌感染，在一系列問答的基礎(chǔ)上進行推理，提出使用何種抗生素的建議，但這一系統(tǒng)一直沒有被投入實際使用。

1987年：第二次AI之冬開始。

1989年：美國宇航局AutoClass計算機程序發(fā)現(xiàn)了多個之前未知的恒星類型。

1994年：第一個互聯(lián)網(wǎng)搜索引擎啟動。

1997年：IBM的深藍擊敗了國際象棋世界冠軍卡斯帕羅夫。

1998年：美國宇航局的Remote Agent是首個控制飛行中宇宙飛船的全自動程序。

2002年：亞馬遜網(wǎng)站以自動化系統(tǒng)取代了人類產(chǎn)品推薦者。

2007年：谷歌推出機器翻譯服務(wù)。

2009年：谷歌研究人員發(fā)表了一篇有影響力的論文，題目為“數(shù)據(jù)的不合理有效性”，文章稱“基于大量數(shù)據(jù)的簡單模型比基于較少數(shù)據(jù)的復(fù)雜模型更勝一籌”。

2011年：蘋果公司推出Siri聲控私人助理，它可以回答問題、提出建議和執(zhí)行指令，如“打電話回家”。

2011年：IBM的超級計算機沃森在電視智力競賽大冒險中打敗兩位人類冠軍。

2012年：谷歌的無人駕駛車可自主導(dǎo)航上路行駛。

2016年：谷歌AlphaGo程序擊敗世界頂級圍棋棋手李世石。

機器的成功與失誤

最有名的機器學(xué)習(xí)成功例子之一是名為“阿爾法狗（AlphaGo）”的計算機于2016年擊敗了韓國圍棋大師李世石，如此強大的能力即使是所有為機器編程的程序員也望塵莫及。阿爾法狗綜合了各種機器學(xué)習(xí)方法，對超過3000萬步棋子走法，以及成千上萬盤棋局的數(shù)據(jù)庫進行了分析。之前IBM的沃森超級計算機也是通過類似的方法在電視智力競賽大冒險中戰(zhàn)勝了人類選手。

只要輸入正確的數(shù)據(jù)，機器就可以通過對大量數(shù)據(jù)的分析來提高其智力。但是我們應(yīng)該記住的一點是，機器學(xué)習(xí)是一種基于統(tǒng)計學(xué)的練習(xí)，因此它也有可能會出錯。

近年來機器學(xué)習(xí)造成失誤的事例也時有發(fā)生。例如，2015年谷歌因其產(chǎn)品自動將兩位黑人的照片標(biāo)記為“大猩猩”而公開道歉；2016年微軟因一款名為Tay的對話機器人竟然學(xué)會了攻擊性語言而不得不將其撤回。這兩個例子都不是算法上的失誤，而是因給機器人饋入了不當(dāng)訓(xùn)練數(shù)據(jù)而導(dǎo)致的。

2016年還發(fā)生了首例“無人駕駛”汽車導(dǎo)致的死亡事件。一名司機在駕駛特斯拉車的過程中啟動了自動駕駛功能，但計算機視覺系統(tǒng)未能檢測到天光背景下的白色障礙物——一輛白色車身的拖車，從而迎面撞上，導(dǎo)致司機身亡。這種情況很罕見，但隨著更多公司介入自動駕駛車輛這一市場，但愿這樣的機器失誤是第一次，也是最后一次。

另一方面，人工智能系統(tǒng)正在更多的領(lǐng)域內(nèi)發(fā)揮它們的作用，包括網(wǎng)絡(luò)上的搜索引擎、網(wǎng)店銷售系統(tǒng)和半自動汽車等。

我們可能會將越來越多敏感的決策委托給機器人，因此在給機器人饋入學(xué)習(xí)數(shù)據(jù)的時候必須要更加慎重。機器人技術(shù)涉及的不僅僅是技術(shù)，同時也是對我們?nèi)粘Ｉ钪刃蚋羁痰睦斫?。endprint