↑↑↑点击收听语音课程↑↑↑
1 超级人工智能
今天人工智能领域研发已经成为一门非常热门的生意，许多顶尖的公司都在搭建AI团队，比拼谁研发的AI识别率更高、更加“智能”。机器学习已经成为许多互联网企业业务增长的引擎，关于人工智能或神经网络的劲爆新闻经常出现在我们的眼前。这些新闻的题目通常都是这样的：“人工智能打败了人类冠军”，或者“人工智能机器人替代人类”，或可能是“警惕人工智能发展”等等这些令人不安却又非常醒目的标题。虽然这些进展有些部分是真实的，但我们仍然可能过高的估计了当今人工智能的能力，就是因为大家的不了解，也助长了一些炒作热点的现象。这些媒体总是在混淆概念，用危言耸听的描述来博取眼球，并且大部分科学素养不够，并没有深度的研究报道主题的内容。
让我们先来回顾一下人工智能的一般两种分类方法，第一种方法：按照弱人工智能和强人工智能分类，主要区别是有没有出现自我意识；
我们在之前讨论的所有的实际应用和行业案例都属于弱人工智能的范围，那什么是强人工智能呢？这个其实我在导论中有介绍过，相信大家已经不记得了，那这里我再回顾一下。强人工智能一般观点认为：人类有可能制造出真正能推理和解决问题的智能机器，具有以下几种特征：
1、机器有知觉和自我意识；2、机器可以独立思考问题并制定解决问题的最优方案； 3、有自己的价值观和世界观体系； 4、有和生物一样的各种本能，比如生存和安全需求； 5、在某种意义上可以看作一种新的文明。
看到这里你应该会有一些想法了吧，这类型的人工智能，不仅要具备人类的某些能力，还要有知觉、有自我意识，可以独立思考并解决问题。这几乎是可以看做是一个新物种的产生，这样的AI又会不会影响人类社会的发展进程呢？
但从现在来看，要想创造出以人类和动物的学习方式掌握世界最基本规则的机器，我们还有很远的路要走。虽然在某些领域，机器现在拥有了远远超过人类的表现，但就一般智力而言，我们现在所能制造出来的机器的智力最多也就是幼儿水平。所以我们先不用把目光拉的那么远，因为当下我们谈到的所有人工智能的技术、案例和应用，还没有出现任何一例强人工智能，并且短时间内是不会出现的。问题是强人工智能是否会出现？又是以怎么样的形式？以当下为起点可能的技术路线？AI进步发展的时间线是怎么样？这些问题也是现在大家关心的。这些问题我们下面再来讨论。
再回来看第二种分类方法：通用人工智能和狭义人工智能，这是按照应用范围来分类的。
所谓的通用人工智能指的是一个人工智能系统，能够执行人类所能完成的几乎所有任务。在不进行专门编码的知识与应用领域情况下，能够应对多种甚至泛化问题的人工智能技术。这也被认为是人工智能技术的未来发展方向。而通用相对的就是“狭义人工智能”，就是那些能力非常有限的人工智能。比如，现在的人工智能专门从事特定的任务：例如图像或语音识别，或者通过大量数据训练来识别模式。这些达到专项目的的人工智能也被称为“应用人工智能”。由于当下还没有能力研发出通用人工智能，所以距离人类的水平还差得很远。
概括来说，我们经常用人工智能的术语来来谈论真正的人工智能。在讨论人工智能时，新闻报道会将机器学习、深度学习等术语与人工神经网络相结合。虽然这些都是组成人工智能的部分，但这些都算不上是真正的人工智能。简单来说人工神经网络是一种模仿人类大脑工作方式的系统，并在此基础上建立机器学习算法。机器学习是一种工具：一套通过海量数据来学习的算法，由此构造出一个智能系统。同样，深度学习指的是一种非特定任务的机器学习。所有这些感知和模式识别都是真正拥有人类认知的人工智能的基础。但这只是刚刚起步的阶段;我们已经取得了很大的进步，但目前的研究距离创造真正的智能还很远。我们应该看好科技发展的速度，但现在很多人并没有意识到人类大脑的复杂性，更不用说用机器创造出一个人造大脑了。
一方面我们要肯定人工智能领域的研究人员近几年来所做的工作，确实在狭义人工智能方面取得了重大的进展，可以让机器有一定的感知和判断能力，但机器学习和神经网络的开发与实现真正的人工智能是不一样的。阿尔法狗是这方面的顶尖的水平，但阿尔法狗的通用性是显示在算法和模型迁移方面，能够比较快的建模训练解决更多的特定问题，就是这样也仅仅是接近，而不是说具备了通用智能。可以说，我们在通用智力方面的研究，这些年来并没有什么突破性的进展。现在AI研究公司热火朝天的都是在做应用，怎么解释这种现象呢？打比方这就像常年在野外搞地质研究的科学家，挖地三尺也要研究地球构造的终极问题。但是呢，在野外不仅条件艰苦而且挖了几十年也没什么突破性进展。忽然有一天，有个地质学家几铲子下去，竟然发现了石油，而且是储量非常巨大开采难度很低的浅表层石油，于是地质学家们纷纷转变为石油商人，开始热火朝天的开采石油，而最开始的目标：了解地球构造的终极问题，也早就忘记了。
而在另一方面，人工智能的核心学科也存在争议。现在有两种流派，一种是以计算机学科为核心，硬件、编程和算法来构建的人工智能体系；还有一种是以神经元学科、生物学、心理学等综合学科结合为构想，计算机学科来实例化的人工智能。前面一种流派更加务实，讲究实用和效果，研究也更快出结果，更加容易观测，比如语音识别和人脸识别这些算法和硬件都是通过计算机来实现的。后一种更关注综合学科的交叉和发展，计算机是辅助实现的方式，因为需要综合多个学科，所以研究花费的时间和精力都要大很多，结果也存在很多不确定性。两种流派也有争论，谁高谁低的问题。这里要提到一个人，就是刚才的故事里面的那个挖出“人工智能”石油的人，“深度学习”的奠基人，杰弗里辛顿，他是不仅实验心理学专家、人工智能博士，还是脑神经研究专家，谷歌收购了他参与创始的公司，加入谷歌之后进入名叫“大脑”项目，大大提升了安卓手机系统的图像和语音识别能力。现在热火朝天的开发的深度学习相关的应用，语音识别、模式识别、图像识别等等，大部分都是基于他的论文中所提出的原理。可以说，计算机科学主导的人工智能，很容易走到瓶颈，我们现在看起来狭义人工智能在感知和识别方面应用广阔，但也就是十年到二十年这方面的研究就到头了，那时候有没有新的理论储备来带领我们再进一步呢？没有辛顿这种能够融合综合学科的人做基础理论研究，都是在应用层“吃老本”的话，这样的发展模式只会让我们离真正的人工智能越来越远。
并且，按照现在主流的狭义人工智能的应用方向研究下去，即使多年以后，在各个领域的狭义人工智能应用很完善了，并且进行了整合，出现了能够满足人类各种需求的通用人工智能。但这也不会成为强人工智能，通用智能与自我意识觉醒的强人工智能之间是不存在递进关系的。古人云：求其上得其中,求其中得其下。也就是说如果目标定的比较高，那通过努力获得一个中等的水平；而目标定中等的话，就是得到一个下等的结果。在研究上面也是一样的，只看见近期利益不深入研究的话，是不可能获得突破性的进展的。所谓的核心竞争力，就是比别人做的更专、更深、更多的投入才有可能获得的，同时也承担更多的风险。
今天的节目就到这里，希望你喜欢，我们下期再见。
本篇是老张创作的课程《人工智能进化论课程》基础篇内容，觉得有帮助的话请转发和评论~
点击原文订阅课程与老张互动~或者加wx:AI61825
加入圈子
