我们需要知道怎样的人工智能

智能意味着“获取和应用知识和技能的能力”。如今，机器可以做到这一点，通过机器学习和深度学习，它们甚至可以通过应用神经网络学习，但这些并不会使它们像人类一样，也许它们只拥有人类拥有的无数集合中的一个子集。

人工智能这个术语的关键在于“智能”这个词。它误导了人们，这会让人们联想到可以思考的机器，就像著名影星阿诺德•施瓦辛格在电影中所说：“我会回来的。”谁会知道未来会带来什么，但就目前而言，无论出于何种意图和目的，人们可能会混淆智慧和感知，而这两者都没有明确定义。人类被认为是有感知的，而机器没有，而且据人们所知，机器可能永远不会有感知。

智能意味着“获取和应用知识和技能的能力”。如今，机器可以做到这一点，通过机器学习和深度学习，它们甚至可以通过应用神经网络学习，但这些并不会使它们像人类一样，也许它们只拥有人类拥有的无数集合中的一个子集。

人工智能的起源

要找到一个起源绝非易事——历史上的每一件事都有其诞生的原因。那么人工智能是什么时候开始的呢?是艾伦•图灵(Alan Turing)定义现在所谓的图灵测试时开始的吗?早在1951年，图灵就在一篇名为“计算机与智能”的论文中设想了三个房间。其中一个是男人，另一个是女人，第三个是法官。男人和女人被问到一系列问题，法官必须从答案中辨别出男人在哪个房间，女人在哪个房间。而这二人其中的一人被计算机取代。那么法官会得出不同的结论吗?

也许我们可以回溯到古希腊和塔罗斯(Talos)的神话，这是一个巨大的机械人形机器人，也许是第一个配备了我们现在称之为人工智能的机器人。

但是为了找到第一次使用这个术语的起源，我们需要将时间回溯到1956年，在新罕布什尔州的达特茅斯学院。这是由美国著名计算机和认知科学家约翰•麦卡锡组织的达特茅斯研讨会的举办地。正是在这个长达八周的活动中，麦卡锡创造了这样一个术语：“人工智能”。

有趣的是，麦卡锡最初并没有在创始人的名单中，最终出现的名单是一些人工智能故事中伟大而优秀的人物：Marvin Minsky，Allen Newell和Herbert A Simon。这些人一起被称为“人工智能的创始人”。顺便说一下，以博弈论著称的数学家、诺贝尔经济学奖得主、影片《美丽心灵》的主角约翰•纳什也出席了这次会议。

麦卡锡后来说：“我们的最终目标是让项目像人类一样有效地从他们的经验中学习。”

如今，许多人认为人工智能和机器学习是可以互换的，在严格意义上来说这并不确切，可能更确切地说机器学习是人工智能的一个子集，例如超级智能的兄弟——“深度学习”。

机器学习和深度学习

人工智能的早期版本，例如IBM公司的深蓝(Deep Blue)在一系列的比赛中击败了世界顶级国际象棋选手加里•卡斯帕罗夫，最终在1997年取得了决定性的胜利。深蓝可以分析每一个动作和所有潜在的排列和组合。

行业媒体采访了IBM公司的一名员工Murray Campbell，他曾经参与深蓝的开发与应用工作。

他说：“1997年版的深蓝可以快速搜索棋盘的落点位置，具体取决于位置的类型。在某些情况下，深蓝系统可以搜索六到八对棋子移动的步骤，其中一对白子，一对黑子，最多可达20对甚至更多对。”

很多专家参与了深蓝的开发计划，例如国际象棋大师，以帮助开发该计划。

相比之下，机器学习和深度学习的共同之处在于，他们按照自己的含义行事，也就是学习。其差异在很大程度上与人类参与的数量有关，人类程序员和设计师在定义机器学习中的参数方面发挥了更积极的作用。而通过深度学习，计算机通常从多个数据源中学习，从非常不相关的区域推断数据。

像人类一样学习

机器学习和传统形式的人工智能之间的一个很好的类比可能与体育运动有关。如果你参加一项体育运动，比如网球或壁球，你的大脑就不会使用先进的数学公式计算球的运动轨迹，或应用几何规则。大脑会了解到如果以某种方式击球，那么它会以某种方式作出反应。如果你以稍微不同的方式回击它，它的反应会有所不同。然后，如果你以一种介于这两个练习之间的方式击球，那么可以从中推断球将如何发生近似反应。总之，我们一直在学习。如果一台计算机将数学应用于计算球的轨迹，这取决于它被击中的角度、击球的速度，用来计算弹跳的表面纹理以及无数其他不同的变量，那么所需的计算能力将是巨大的。相反，如果它是从研究先前的镜头(并从数据构建预测模型)中学到的，那么所需的处理能力将会少得多。

棋类高手

在深蓝击败卡斯帕罗夫多年之后，IBM Watson在美国测验游戏Jeopardy中击败了世界上最好的游戏玩家，那是在2011年。令人印象深刻的是，这些参赛者所问的问题是游戏的一部分，其问题通常很模糊。这是Watson的一次著名的胜利(这是以IBM公司首席执行官Thomas Watson的名字命名)。但显然，Watson并不理解其答案。事实上，“风格元素”是一本描述写作指南的书，美国诗人多萝西•帕克(Dorothy Parker)曾经推荐它。

Watson在Jeopardy游戏中的胜利令人印象深刻，但是Alpha成为一台可以战胜围棋冠军的计算机更是令人激动，这是一个2×10170次方排列的抽象棋盘游戏，其步数远远超出了已知宇宙中的原子数量，而Watson 赢得Jeopardy的胜利似乎更像小孩子的游戏。这就是Alpha的成就，这是由Alphabet的子公司DeepMind公司创建的计算机程序。

虽然Watson采用了机器学习，但AlphaGo应用了深度学习。 2016年3月，AlphaGo在一系列五场比赛中击败了曾经18次获得世界冠军的Lee Sedol。

在取得胜利的过程中，AlphaGo评估的棋盘位置比深蓝在击败卡斯帕罗夫时的位置减少了大约一千倍。它通过评估游戏玩法获得了胜利。

令人印象深刻的是，尽管如此，AlphaGo Zero在2017年也取得了令人印象深刻的成就。这一次，该计划没有通过评估人类竞争对手的游戏来学习游戏，而是从头开始学习游戏，就是与自己对抗，所需要的只是规则。最初的游戏玩法是随机选择的，通过反复试验和选择最适合的游戏玩法，在三天内它可以超越AlphaGo。在21天内，它就达到了AlphaGo大师级的水平，后来的版本在线击败了60名围棋专业人士和世界冠军，并且在40天内成为了可以说是世界上最好的围棋棋手。

神经网络

深度学习和机器学习都适用于神经网络。神经网络一直都很流行。来自芝加哥大学的Warren McCullough和Walter Pitts在1944年首次提出了这个概念。它们在20世纪80年代开始流行，之后又变得过时，但现在又重新得到了人们的关注。

人工智能的复兴可归功于Alex Krizhevsky，他在2012年设计了一个人工神经网络，作为ImageNet挑战的一部分。

可能直到最近，计算能力还不足以使神经网络正义化，可能是因为人们对它们如何工作还不够了解。

与人类大脑一样，神经网络由数千甚至数百万个形成节点的处理器组成，而人类大脑拥有超过1000亿个节点。神经网络中的节点倾向于以层的形式组织，使得每个节点层可以被赋予特定任务。因此，可以说神经网络是人类大脑的不太先进的版本。

人工智能的应用

人工智能可以提供多种应用，其中包括自动驾驶汽车、语音辅助、语音识别、图像/人脸识别、个性化健康监测、广告，以及网上购物等。例如根据数据分析识别客户可能感兴趣的产品、进行搜索、实施金融交易，以及开展反网络安全的战争。

人工智能还有以下应用程序：

•人工智能分析

•人工智能业务流程

•人工智能数据管理。

根据麦肯锡公司最近发布的一份调查报告，到2030年，人工智能有可能在全球带来约13万亿美元的价值，或者是当今全球GDP的16%。

科幻小说能否成为现实?

科幻小说和人工智能的领域似乎在媒体的想象中得以满足。但人们是否需要担心科幻小说中更可怕的预测，那就是如果人工智能获得意识那该怎么办?就如斯蒂芬•霍金和伊隆•马斯克所说，人工智能是对人类的威胁吗?

大多数人工智能的专家都在嘲笑这个想法。但也许，当询问人工智能是否有一天具有自己的意识，并且比人类更聪明时，人们可能会认为大多数人是错误的。而随着技术的进步发展，在数字环境中，人工智能的能力将以数量级升级和进化。