智能定义生活 三大突破让人工智能成为现实

在纽约约克敦海茨的 IBM 实验室，可以一瞥正快速到来且人们期待已久的人工智能。这里是 Watson 的家，它在 2011 年称霸智能竞赛节目 Jeopardy!。初版 Watson 还在这，大概有一个卧室大，10 台冰箱状的机器组成了四面墙。这些机器内部的小细孔可以让技术人员们连到机器后面的线缆上。而且这里面很温暖，就像这个集群活过来了一样。

现在的 Watson 发生了天翻地覆的变化。它不再只存在于由十几台机器组成的集群中，而是在由开源标准服务器组成的云中，一次运行数百个人工智能 " 实例 "。和所有云端化的东西一样，Watson 要服务世界各地的客户，这些客户通过手机、桌面机或数据服务器连接。这种人工智能可以按需扩大或缩小规模。

随着人们的使用，人工智能会得到改善，Watson 正变得越来越聪明；它从一个实例中学到的东西会立即传输给其他实例。它不是一个程序，而是由多个软件引擎组成的集合体，它的逻辑推导引擎和语言解析引擎可能使用不同的代码，运行在不同的芯片上，位于不同的地理位置。所有这些部分都聪明地集合成了统一的智能流。

消费者们可以直接连线这一永久在线的智能，也可以使用驾驭了这一人工智能云力量的第三方应用。就像许多睿智的父母一样，IBM 希望 Watson 能从医，有一款医疗诊断工具正在开发中也就不稀奇了。此前，大部分试图制造诊断 AI 的企图都以失败告终，但 Watson 真的可行。

比如，你告诉 Watson 自己曾染上的一种病的症状，它给出了一张可能性由高到低的疾病清单。目前这一技能还没有直接提供给病人；IBM 的合作伙伴们可以利用 Watson 的智能，从而开发对用户友好的界面，提供给订阅服务的医生和医院。" 我觉得 Watson 很快就能成为全世界最好的诊断医生。

按照现在 AI 技术的提高速度，这个时代出生的孩子长大成人时，就很少需要看医生了 "，Scanadu 首席医学官 Alan Greene 表示道。Scanadu 是一家创业公司，正在开发一款借鉴了《星际迷航》中医用三录仪 ( tricorder ) ，由云 AI 驱动的诊断设备。

医疗只是开始。所有大云服务公司以及众多创业公司都争先恐后地推出了类似于 Watson 的认知服务。根据定量分析公司 Quid 的数据，在 2009 年以来，AI 吸引了超过 170 亿美元的投资。去年一年就有超过 20 亿美元投资给了拥有类 AI 技术的 322 家公司。

Facebook 和 Google 已经招募研究人员加入它们的内部 AI 研究团队。自去年以来，雅虎、英特尔、Dropbox、LinkedIn、Pinterest 和 Titter 都收购了 AI 公司。过去四年间，AI 领域的私人投资以年增长率 62% 的速度增加，预计这一速度将延续。

在所有这些活动中，未来的 AI 正逐渐显现，它不是像《2001太空漫游》中的 HAL 9000 一样拥有与人类相似的意识，也不是奇点论者宣称的超智能。

未来的 AI 更像是廉价、可靠、工业化的亚马逊网络服务，让数字智能运行在所有事物之后，平时几乎不可见。这一通用设施将提供你所需要的智能，不多不少，恰如其分。和所有设施一样，AI 会超级无聊，即便它转变了互联网、全球经济和文明。它会让无生命的物体活跃起来，就像一个世纪之前的电一样。如今，我们接受了所有电器。而新的实用性 AI 也将增强个人生活（加深我们的记忆，加速我们的认知）和整个人类的生活。

通过加入额外的智能，所有东西都能变得有趣而不同。事实上，接下来一万家创业公司的商业计划书很容易预测在某件事情中加入 AI。这是了不起的事情，现在它出现了。

大约在 2002 年时，Google 举办了一个小聚会，这时 Google 还没有 IPO，重心完全放在搜索上。联合创始人拉里 · 佩奇被问到，" 拉里，我还是不明白，市面上有这么多搜索公司。免费的网络搜索？你是怎么想到这个主意的？" 当时 Google 还没有改善其广告拍卖机制来产生真实收入，也没有进行诸多大收购。一边用着 Google 一边想着它撑不了多久的人很多。但佩奇的回答道" 噢，我们其实在做一个 AI。"

过去几年间，Google 收购了 14 家 AI 和机器人公司，他的话也让人思考了很久。乍一看，你可能觉得 Google 正通过扩大 AI 投资组合来改善搜索能力，因为搜索贡献了 Google 80% 的收入。但也许正相反，Google 并没有用 AI 来让搜索变得更好，而是用搜索让 AI 变得更好。每次用户输入查询词，点击生成的链接，或者在互联网上创造一个链接，用户都是在训练 Google AI。

当用户在图片搜索栏输入 " 复活节兔子 "，并点击最像复活节兔子的图片时，他们都是在告诉 AI，复活节兔子长什么样。Google 12 亿搜索用户每天进行的 121 亿次搜索都是在不断训练 Google AI。再对其 AI 算法进行 10 年的稳定改进，加上 1000 多倍的数据和 100 多倍的计算资源，Google 将拥有一个无可匹敌的 AI。到 2024 年，Google 的主要产品将不是搜索，而是 AI。

，这一观点很值得怀疑。近 60 年来，AI 研究者们都预测 AI 即将到来，几年前，AI 好像还是遥不可及。甚至有一个词被发明出来，描述这个结果糟糕研究发现更暗淡的时代AI 寒冬。是不是有什么事情真的改变了？

AI 领域的三大突破

是的。近年来的三大突破推动了人们期待已久的人工智能的到来。

1. 廉价的并行计算

思考天然就是一个并行过程，数十亿神经元运作来创造同步的皮层计算波。为了打造作为 AI 软件主要架构的，需要多个不同的进程进行。的每一个节点都大致代表大脑的一个神经元，与周边节点互动，理解接收到的信号。

为了理解一个说出来的词，程序必须能听到所有相关的音素；为了识别一张图片，它需要看到每一个像素以及周边像素；这些都是需要深度并行计算的任务。但直到最近，通常的计算机芯片都只能一次处理一项任务。

这一切从十多年前就开始改变了，图形处理单元（GPU）芯片的出现，可以用来满足视频游戏中繁重的视觉和并行计算需求，即每秒需要多次重新计算数百万像素。这一任务需要一块专门的并行计算芯片，作为 PC 主板的补充。这种并行图形处理芯片奏效了，游戏性大幅飙升。到 2005 年，GPU 价格大降。2009 年，斯坦福大学的吴恩达 ( Andre Ng，现已加入百度 ) 及其团队意识到，GPU 芯片可以并行运行。

这一发现释放了新的可能性，使得节点的连接数可达数亿。传统处理器计算一个一亿节点神经网的所有级联可能性需耗时数周。而吴恩达发现，一个 GPU 集群完成同一任务只需一周。如今，诸多使用云的公司使用运行在 GPU 之上的，比如识别照片中用户好友的 Facebook，为其 5000 万订户提供可靠推荐的 Netflix。

2.

每一种智能都需要教育。就算是天生能进行分类的人脑，也需要看到十几个例子，才能分辨猫和狗。这一点对于人工智能而言更是如此。即便是编得最好的程序也需要玩至少一千局国际象棋才能表现良好。AI 突破的部分原因是我们收集到的海量数据，为训练 AI 提供了所需的材料。巨型数据库、自追踪、网络 cookie、在线足迹、TB 级存储、十几年的搜索结果、维基百科以及整个互联网都成了让 AI 变得更聪明的老师。

3. 更好的算法

数字化发明于 20 世纪 50 年代，但计算机科学家们花了数十年时间来驾驭 100 万到 1 亿个神经元之间庞大的组合关系。解决问题的关键是按层来组织。就比如识别人脸这个相对简单的任务。

当一个中有一组比特被发现符合某个模式（比如眼睛）时，这一结果就会传输给的另一层来进一步解析。下一层可能会将两只眼睛组合到一起，然后将这一有意义的结果传输给下下一层，而下下一层又可以将这一结果与鼻子的模式联系在一起。识别一个人脸可能需要几百万个节点（每个节点都会生成供周围节点使用的结果），层数可达 15 层。2006 年，当时供职于多伦多大学的 Geoff Hinton 对这一方法进行了一次关键改良，并将它命名为 " 深度学习 "。

他能从数学上优化每一层的结果，从而使学习速度加快。几年后，深度学习算法被移植到 GPU 上，速度提升巨大。深度学习算法并不足以保证复杂的逻辑思考，但它是目前所有 AI 必不可少的组成部分，包括 IBM 的 Watson、Google 的以及 Facebook 的算法。

这一由并行计算、和深度学习算法组成的完美风暴使得进行了 60 年的 AI 一夜成真。而这一交叉也表明，只要这些技术趋势延续下去（也没有理由不延续），AI 将继续得到改进。

随着改进的继续，这一基于云的 AI 将日益成为我们日常生活不可或缺的一部分。但这一切都有代价。遵循收益递增的法则（有时候也被称为网络效应），即网络越大，增长越快。网络越大，对新用户的吸引力就越大，从而使得网络变得更大，这又进一步增大了吸引力，如此往复。提供 AI 的云也遵循同样的法则。越多人使用 AI，AI 就会变得越聪明。一旦一家公司进入这一良性循环，它就会变得更大，增长得更快，没有任何新兴竞争对手能与之匹敌。，未来的 AI 将由两到三家大的通用云 AI 公司统治。

半人半 AI

1997 年，Watson 的前任深蓝击败了当时的国际象棋大师 Garry Kasparov。在机器又胜了几场类似的比赛后，人类基本上失去了对此类比赛的兴趣。你可能以为这就是故事的结局了，但 Kasparov 意识到，如果自己也能像深蓝一样立刻访问此前国际象棋棋局的海量数据库，他能表现得更好。

如果这一数据库工具对于 AI 来说是公平的，为什么人类不能用呢？为了探索这一想法，Kasparov 率先倡导人加机器比赛的概念，即用 AI 增强人类国际象棋选手，而不是人类对抗机器。

如今这类比赛被称为自由风格国际象棋比赛，选手们可以使用任意对抗技术，可以单人上，也可以完全按照国际象棋计算机的要求移动棋子，或者如 Kasparov 所倡导的成为 " 半人半 AI" 选手。" 半人半 AI" 选手将听取 AI 提供的下棋建议，但通常会不顾这一建议，就像我们在汽车上使用 GPS 导航一样。

在 2014 年的自由风格国际象棋冠军赛中，纯粹的国际象棋 AI 引擎赢了 42 场比赛，而 " 半人半 AI" 选手赢了 53 场比赛。现在最优秀的国际象棋选手就是 " 半人半 AI" 的 Intagrand，这是一个由人类和多个国际象棋程序组成的团队。

但最令人惊讶的是AI 的出现并没有降低纯人类国际象棋选手的表现。相反，便宜、超级聪明的国际象棋程序激发了更多人来玩国际象棋，联赛场数增多，选手们也变得更好了。现在的国际象棋大师人数是深蓝击败 Kasparov 时的两倍多。如今排名第一的人类国际象棋选手 Magnus Carlsen 接受了 AI 的训练，他被视为最像计算机的人类国际象棋选手，也是有史以来排名最高的人类国际象棋大师。

AI 定义了人类

如果 AI 能帮助人类成为更好的国际象棋选手，它也能帮助我们成为更好的飞行员、医生、裁判和老师。大多数由 AI 完成的商业工作都将使用专门的软件 AI，比如某个 AI 能将任意语言翻译成另一语言，但在其他方面就无能为力了；能开车，但不能对话；或者能回忆起 YouTube 上所有视频的每一个像素，却不能预测用户的日常工作。在未来 10 年中，人们直接或间接打交道的 AI 中有 99% 会是高度专一的专家 AI。

事实上，这并非真正的智能，起码不是我们所认为的智能。实际上，智能可能是一种倾向，尤其是如果我们认为 " 智能 " 是自我意识的话。我们希望汽车只专注于道路，而不是和车库争论。医院里的 Watson 应该专心于自己的工作，而不是想是否应该先主修英语。随着 AI 的发展，我们可能要预防 AI 产生意识，最高级的 AI 服务可能会以无意识来标榜自己。

相反，我们想要是人工智慧而非智能。与通常的智能不同，智慧专注、可度量，具有专门性。智慧也能以完全不同于人类认知的方式思考。这种非人类思考方式的有趣例子是，IBM 研究人员在今年 3 月的西南偏南大会上演示了用 Watson 生成菜谱。其中一个菜谱是使用了酸橘汁腌鱼和油炸车前草的炸鱼和薯条。有人试吃了后，感觉味道还不赖！人类可能根本就想不到这种菜谱。

非人类智能不是问题，而是功能。AI 的主要优点就是它们的异类智能。AI 思考食物的方式与大厨不同，从而也能让我们以不同的方式思考食物，思考制造材料、衣服，思考金融衍生物，或是任一门类的科学和艺术。人工智能的异类性对我们的价值将比其速度或力量更大。

AI 将帮助我们更好地理解智能。过去，我们会说超智能 AI 将驾驶汽车，或是在国际象棋大赛上击败人类。而一旦 AI 做到这些事情，我们就觉得这些成就并不足以称之为真正的智能。AI 取得的每一次成功都重新定义了自己。

但我们不只是在重新定义 AI 的含义，我们也在一直重新定义人类的含义。在过去 60 年中，随着机械加工复制了我们曾以为只有人类具有的行为和能力，我们不得不改变之前将人类与机器区分开的看法。随着更多种类 AI 的发明，我们将被迫放弃更多被视为只有人类具有的东西。

我们将在接下来的十年或一个世纪中面对一场永久的身份危机，不断追问人类存在的意义。最讽刺的是，日常使用的实用性 AI 带给人类最大的好处不是增加了效率，带来了丰饶经济，或是进行科学研究的新方式，而是帮助定义人类。我们需要 AI 来告诉我们是谁。