人工智能全局概览：通用智能的当前困境和未来可能

理解人工智能的复杂性是一项挑战，但定义其本质更是难上加难。这并非因为我们无法理解人类智能，而是因为人工智能的进步更多地帮助我们理解人类智能的边界，而非其本身的定义。

过去几年里，人工智能领域在机器视觉、游戏等多个领域都取得了显著进展。如今，人工智能已从单纯的研究主题转变为早期企业应用。谷歌、Facebook等科技巨头已投入大量资源，并将人工智能技术应用于其产品之中。而这仅仅是开始，未来十年，人工智能将渗透到更多产品和服务中。我们将与智能体进行交流，它们的表现将如此自然，以至于我们可能无法意识到它们并非人类。我们将依赖人工智能进行路线规划、响应道路危险等任务。

在未来几十年里，每一种应用程序都将融入人工智能功能，如果我们不使用这些应用程序，几乎无法完成任何事情。我们需要理解人工智能的现状以及其发展走向。

当前，对人工智能的理解主要围绕其强度、广度、训练方式、能力和自主性等中心展开。虽然过去20年中，人工智能在某些领域取得了显著成果，如深蓝在国际象棋界的胜利，但我们必须认识到这些成功的局限性。当前的人工智能系统大多高度专业化，智能范围狭窄，无法泛化解决问题。

我们尚未创造出具有多种不同类型问题解答能力的人工通用智能。尽管AlphaGo在下围棋方面表现出色，但同样的程序却无法用于掌握国际象棋或进行对话生成。我们如何从特定领域的智能迈向更通用的智能呢？真正的通用智能意味着机器能在没有编码特定领域知识的情况下解决不同种类的问题，并做出人类的判断和决策。

实现通用智能并不意味着机器将具备创造力、直觉或本能等概念，但它将具备处理多种类型的任务和适应未曾预料的情形的能力。例如，自动驾驶汽车需要整合模式识别、推理、规划和记忆等多种能力。但它所具备的这些能力并不具备我们所期望的通用智能的灵活性。实现通用智能需要解决迁移学习的难题，即将在一个领域学到的知识应用到另一个领域。

展望未来，我们期待人工智能能在更多领域展现其潜力，并朝着更加通用和智能的方向发展。随着技术的不断进步，我们将逐步迈向一个由人工智能驱动的未来。在当前的软件领域，尽管我们可能可以重新构建和优化许多软件组件，但这仍难以掩盖一个问题：我们所拥有的AI仅仅能解决特定领域的问题，它们缺乏一种普遍解决问题的能力，缺乏通用智能的集成。叠加狭窄的人工智能系统，如在汽车中的闲聊机器人或餐厅推荐系统，虽然可以提供丰富的功能体验，但它们无法跨越成为真正的通用人工智能。真正关键的，不在于AI拥有多少种能力，而在于这些能力如何被整合在一起。

尽管神经网络等技术的初衷是模拟人脑的工作过程，但现在许多AI项目已经转向追求实用性而非完全模仿生物大脑。正如《Artificial Intelligence： A Modern Approach》一书中所提到的那样，莱特兄弟不再专注于模仿鸟类飞行原理而是专注于空气动力学原理后，“人工飞行”才得以实现。同理，对于人工智能来说，与其过于关注模仿大脑的生物过程，不如转而探索大脑所处理的问题和模式。人工智能可能会采用模式匹配、基于规则的系统以及穷举搜索树等技术手段，而这些都是与人类智能不同的独立过程。人工智能的本质不在于模仿大脑的功能，而在于理解和处理信息的智能方式。值得注意的是，人工智能的构建世界模型并根据模型行动的能力远超当前计算机的能力。这种能力是人类智能的核心部分之一。通用智能之后的一大挑战是超智能的发展。如何区分通用人工智能和超智能仍是一个待解决的问题。而当我们面对如何构建具有创造力和直觉的智能系统时，我们需要更多地探讨超智能的本质。对于超智能而言，可能并不局限于是否具备创造力等特质的问题，更在于能否实现自我学习、自我改进的能力。围棋专家对AlphaGo的评价揭示了这一点：虽然其落子具有创新性，但其背后的逻辑仍然是基于算法的模式匹配而非真正的创新视角。对于超智能的发展而言，如果我们能够解决通用智能的问题，那么下一步的发展可能会比人类智能快得多。对于未来的人工智能系统来说，可能会超越人类的感知和计算能力。至于训练问题也是AI领域的重要挑战之一。未来的AI系统可能需要更少的监督学习甚至无监督学习来适应环境变化并自主解决问题。例如AlphaGo的开发者强调其使用的算法相较于过去更为通用化并更多地依赖于自我学习而非预先设定的规则或知识库。这意味着未来的AI可能不再需要海量的标注数据进行训练而是能够自我组织并结构化数据以实现自我学习和改进。因此无监督学习的问题可能是通往真正人工智能的关键之一。同时研究者们正在探索如何让AI系统更好地理解和预测未来的事件如预测视频中的未来画面这需要AI系统建立对世界的理解并能够适应全新的环境如汽车面对冰面打滑的情况这需要AI具备真正的自我学习和适应能力而不仅仅是依赖现有的库和更快的硬件来实现问题的解决。因此未来的AI发展之路充满了挑战与机遇我们需要不断探索和创新以实现真正的通用人工智能和超智能为人类带来更大的价值和发展空间。在深度探讨人工智能领域时，我们不难发现监督学习、无监督学习以及半监督学习与强化学习之间的微妙平衡。一端，监督学习致力于复现标记模式，本质上属于模式识别，但往往容易陷入过拟合的困境。而在另一端，完全无监督学习则致力于归纳性推理，洞察情境本质，这还需要算法上的重大突破。介于这两者之间的半监督学习与强化学习，以其最少标注的使用和连续决策的能力，展示了跨越这两个极端的潜力。我们正拭目以待它们能达到何种程度。

接下来我们来谈谈“智能”的本质。智能的定义并非一成不变，它取决于我们希望人工智能完成的任务。在Radar 2014年的一篇佳作中，Beau Cronin精彩地总结了人工智能的多种定义。关于人工智能的探讨总是始于图灵测试，这一测试通过模拟人与计算机的沟通方式，为我们提供了一个理解计算机智能的框架。这一假设也限制了我们对计算机能力的期待。例如，我们不能期待计算机能驾驶汽车或组装电路，至少在目前的技术水平下是如此。尽管如此，我们已经见证了人工智能系统在路线规划和驾驶方面的卓越表现，甚至超越了大多数人类。

谷歌的自动驾驶汽车事故揭示了人工智能系统面临的一个关键问题：当算法被设计成模仿人类驾驶行为时，会引入新的风险和挑战。自动驾驶汽车面临的难题不仅仅在于技术层面，更多的是道德层面的抉择。例如，当面临突发情况时，汽车应该如何选择？这样的问题并没有简单的答案。尽管我们可以设想阿西莫夫的机器人定律作为规范机器人行为的准则，但在实际情况中，我们是否愿意接受这样的决策标准仍然存在争议。尤其在武器化的无人机已经打破了不伤害人类的界限后，这些问题变得更加复杂和紧迫。

人工智能的发展迫使我们重新思考机器人的行为准则和道德标准。我们应该如何定义机器人的智能行为？如何界定其责任？这些问题并没有简单的答案。人工智能的本质并非单一固定的定义，而是取决于我们希望它完成的任务和我们赋予它的能力。对于人工智能的定义和未来发展的探讨，我们必须以开放和包容的态度面对各种可能性和挑战。

关于人工智能是助手还是主角的问题，新闻报道往往聚焦于能够独立行动的机器系统。这样的报道引人入胜且令人震撼。相较于自动化设备，人工智能的真正价值在于其作为智能增强的角色。我们可能并不希望由人工智能系统来做出决定，而是希望保留自己的决定权。我们可能更倾向于让人工智能通过提供信息、预测后果、提出建议等方式增强我们的智慧。这样的未来，人工智能服务于人类智慧的提升而非取代人类，似乎更具有可能性。GPS导航系统就是一个绝佳的例子，它通过人工智能技术为人类提供导航服务，增强了我们的方向感和决策能力。人工智能的未来在于其如何更好地服务于人类智慧的提升和发展。大多数人拥有导航至从A点到B点的能力，得益于清晰的地图指引。在不熟悉的领域，这项任务变得复杂且棘手，尤其是在面对糟糕的交通和路况时。拥有自动驾驶车辆的人似乎并不担忧这个问题，因为车辆的导航引擎已无缝连接至方向盘上。实际上，GPS是一个提供建议的辅助技术，而非强制执行命令。当驾驶员决定忽视GPS建议时，听到的“重新计算路线中”，是GPS在适应新的情况。

过去的几年里，人工智能已在各种领域大放异彩。无论是基于何种框架的“机器学习”，几乎所有事物都有资格被纳入人工智能的范畴。亚马逊的Alexa就是一个典型的例子，它的智能语音助手背后就是强大的人工智能技术。与此许多其他形式的智能系统如雨后春笋般涌现，例如Stitchfix网站使用的推荐引擎。尽管我们常常与聊天机器人交互时的体验并不完美，但我们仍在期待通过它们解决一些常规问题。让计算机处理一些繁琐的信息录入工作已无太大意义，因为它们可以同样准确无误地完成工作。

下一代智能助理正在成为半自主性的存在。就如Larry Page所说，《星际迷航》中的计算机是我们理想的搜索引擎模式：一台能够理解人类、掌握所有可用信息，甚至在用户提问之前就能给出答案的机器。当你在使用谷歌时，它预测交通状况并提醒你提前出发时，你可能会觉得惊讶。这需要整合多种数据集：你的位置、约会地点、地图数据、实时交通状况以及预测模型等。它的目标是在用户意识到需求之前就提供帮助。

那么，为什么人工智能在经历了一段声名狼藉的“人工智能的冬天”之后，如今会如此热门呢？人工智能的崛起依赖于计算机硬件的巨大进步。从人工智能之冬开始到现在，计算机性能和存储技术已经有了巨大的进步。尤其是IBM的沃森机器支架和AlphaGo的成功应用引人注目。据报道，AlphaGo运行于数千个处理器之上，其硬件能力强大无比。机器学习的发展也得益于大数据的处理和存储能力的大幅提升。现在，大量的数据被生成并存储在网络服务商处，为训练人工智能系统提供了丰富的数据集。

除了数据处理能力外，人工智能的兴起还得益于算法方面的显著进展。神经网络虽然历史悠久，但深度学习的出现使得自我训练成为可能。通过反馈机制堆叠的网络试图解决机器学习中最具挑战的问题之一：从数据中学习最优表征。各种工具和框架如Caffe、TensorFlow等的出现使得人工智能的应用更加广泛和便捷。现在，越来越多的人像Pete Warden一样参与到人工智能的研究和应用中来。人工智能不再局限于学术界的计算机科学研究者，而是逐渐面向更广泛的人群。随着计算机科技的飞速发展，人工智能的革命正如火如荼地进行着，正如当年的计算机革命一样，人工智能也正在走出实验室，进入普通市民的生活。这场变革的一大特点在于其民主化进程，来自各行各业、各种背景的人们都在尝试利用人工智能进行各种实验，探索其无尽的可能性。许多新颖的应用正在涌现，其中一些如同科幻小说般令人惊叹，而更多的我们甚至无法想象。

与人工智能的寒冬时期相比，现在的我们处于一个数据丰富、计算机速度飞快的时代。到处都能看到人工智能系统的成功应用。谷歌翻译虽然无法替代人类翻译，但经常能提供令人满意的翻译结果。语音识别系统的准确度也令人惊讶，它们的普及程度也在不断提高。如果一台计算机能够准确地将问题转化为文本，那么下一步就是将这些问题转化为答案。

图像识别和计算机视觉技术也已经变得非常普遍。尽管存在一些尴尬的错误，但计算机视觉系统能够以令人难以想象的精确度识别人脸。这些技术的成功归功于多种因素，其中包括算法的改进、硬件的提升以及大规模数据的支持。

人工智能的进步离不开更好的算法和硬件的支持。像IBM的Watson这样的系统，集成了分类与聚类算法、决策树、遗传算法、支持向量机、分层式即时记忆等多种技术。这些技术可以单独使用，也可以相互结合。虽然这些系统的创建过程需要科学和艺术的结合，但它们也需要大量的手动调整来针对特定问题提供解决方案。这表明当前的人工智能系统仍然是狭窄的，只能解决特定的问题。

人工智能的未来充满了无限的可能性。随着更好的算法和硬件的支持，我们有望看到更多创新的应用涌现，解决我们面临的问题并创造新的可能性。人工智能的发展需要科学和艺术的结合，需要专家的手动调整，但更重要的是需要我们有开放的思维，去探索和创造新的可能性。在推动智能科技前行的征程中，即便 GPU 的发展速度放缓，我们依旧在不断压缩技术的边界。正如 AlphaGo 所展现的那样，即便面对成千上万个核心，我们依然有能力将 280 个 GPU 融入其中，轻松驾驭平均 20 万个核心的计算能力。这不仅仅是一场硬件的革命，更是智能技术在各领域不断拓展与渗透的真实写照。

对于 GPU 的未来而言，我们欣喜地看到众多改进展现在数学库和工具方面。ASIC 和 FPGA 等专用硬件将在未来的人工智能引擎中扮演重要角色。它们将成为在自动驾驶汽车等需要硬实时状态运行的硬件系统中嵌入人工智能的关键技术。这些硬件的进步无疑为人工智能的发展提供了强大的支撑。

单纯依赖硬件的提升并不足以推动人工智能的全面发展。并行计算虽然在人工智能中发挥着重要作用，但其局限性也不容忽视。在并行过程中，总有部分计算过程无法并行，而这些环节往往会成为提升性能的瓶颈。尽管 AlphaGo 可以利用众多 GPU 的优势进行高效计算，但当面临复杂问题时，它仍然需要浏览所有选项并评估最佳结果。那么，当一台拥有 280,000 个 GPU 的计算机出现时，我们如何有效利用这些巨大的计算能力？这将是未来人工智能研究的重要课题。

随着人工智能算法的广泛应用，我们见证了其在围棋、国际象棋等领域的卓越表现。更多的计算能力将使我们更深入地探索图像分类等领域。我们仍面临着许多挑战。更多的计算能力是否能引领我们从监督学习走向无监督学习？是否能实现从狭窄智能到通用智能的跨越？这些问题仍有待观察。

当我们谈论超智能时，很容易引发道德和未来的担忧。一些人认为现在是决定机器未来行为的关键时期。如何限制尚未诞生的设备是一个巨大的难题，因为我们对它们的能力还无法完全理解。尽管如此，我们不能因为恐惧而拒绝人工智能的发展。我们需要思考的是如何引导人工智能的发展，使其成为对人类有益的助手。

对于人工智能的未来，我们需要关注其道德和价值观的问题。因为机器学习可以像人类一样学习，如果我们在训练过程中不谨慎，可能会导致机器产生错误的价值观。例如种族主义和仇恨等不良思想可能会被机器所学习并传播。因此我们需要更加谨慎地对待训练数据的内容和标注方式，过滤出我们认可的答案类型。同时我们也需要在当前环境下达成共识认为种族主义和仇恨是不好的。这是人类价值观的问题而非机器智能的问题我们需要构建反映人类价值观的机器并确保它们传递的是我们所期望的价值观念。只有这样我们才能真正实现人工智能与人类和谐共存的美好愿景。白宫发布的《Big Risks，Big Opportunities：The Intersection of Big Data and Civil Rights》报告在总结中指出，为了保障人们得到公平对待，我们必须深入研究和审核算法。随着我们逐步迈向人工智能时代，对算法的审查及其反映我们所持价值观的必需性只会愈加凸显。

将人工智能研究的深度探索公之于众至关重要。这并非因为大众会对研究产生恐惧心理（或许对或错），也无关大众对超级智能的观念变得习以为常；而是因为比起闭门造车的研究，人们更倾向于关注公开的研究过程。

《Unethical Research》一文建议，建立一个健康的人工智能生态系统最有效的方法就是将打造恶毒机器的想法置于公众的视野之下。尽管有人可能会认为军事和情报部门不会涉足人工智能研究是天真之举，但我们必须警惕的是，如果研究在隐秘状态下进行，我们可能会受到军事或情报部门研究导向的影响。OpenAI的宗旨对此作出了鼓舞人心的回应：“以尽可能从整体上让人类受益的方式推进数字化智能的研究，不受财务收益的制约。”这表明公开透明的研究至关重要，以确保公共领域的研究超越秘密研究。

公开和开放对于研究至关重要，因为研究的起源往往决定了其应用的走向。以核能为例，我们能够研发安全高效的核反应堆，但由于军事和工业保密等原因，关于钍反应堆的研发一直被限制。因此我们必须警惕，军事和情报部门在人工智能领域的研究可能导向某种特定的目的。因此我们必须意识到，人工智能研究的公开透明是必要的。想象一下如果人工智能变成国家情报部门的专属领域，可能会带来令人担忧的后果。

当思考人工智能还能为我们做什么时，我们的想象力可能受到限制。但我们不能仅限于无人机和大奥威尔式的监视系统这样的想象。我们期望通过公开透明的讨论和研究开发出智能医疗系统和机器人护士助理等更实用的应用。作为人工智能研究人员和公众的一部分，我们需要共同参与到这场讨论中来。我们必须小心谨慎，避免创造出人类最可怕的噩梦。尽管噩梦可能只是人类自身强大力量的一种体现，但我们仍需要警惕噩梦的潜在风险。未来是充满未知和挑战的，公开透明的人工智能研究将有助于我们把握这个未来。扎克伯格近期指出人工智能在未来五到十年将在某些特定任务上超越人类的能力范围这是合理的预测但他同时也提醒我们讨论的是狭义的人工智能局限于特定任务领域而不等同于机器拥有自主思维和分析问题的能力我们与机器实现平等智能的时间可能还需要几十年甚至更久专家调查显示人类水平的通用智能可能在未来的几十年内实现正如LeCun所说的人工智能的发展是一个漫长的过程需要我们持续不断的努力和探索在这个过程中公开透明的研究和讨论是至关重要的正如Jason Huggins所说机器人总是在未来每一次的进步都将它们带入现实融入我们的生活在这个过程中人工智能不再被视为遥不可及而是逐渐融入我们的日常生活成为我们日常生活的一部分机器智能也是如此我们正在习以为常地接受越来越多的机器智能的应用比如亚马逊的推荐系统GPS导航等等我们相信人工智能最终会为我们带来前所未有的便利和惊喜只要我们保持开放的态度和持续的研究努力一起迎接这个充满机遇和挑战的未来所有热爱象棋的玩家们都会与象棋程序展开对决，围棋新手也不例外。在AlphaGo的成功之后，与计算机的对战甚至扩展到了专家级别。这些现象背后，正是人工智能的力量在推动。人工智能已经渗透到我们的日常生活中，成为我们世界不可或缺的一部分。在这个过程中，人工智能的形态也在不断变化，逐渐发展成了IA（智能增强）——一种能够辅助甚至超越人类能力的自动化技术。

那么，我们能否确定某样事物就是人工智能呢？答案是肯定的。现在，我们完全可以清晰地识别出人工智能的存在。更重要的是，人工智能将在我们生活的各个方面发挥越来越重要的作用，即便在我们意识到它们之前，我们已经被它们所包围。就像我们习以为常的管道和电力一样，人工智能也将成为我们日常生活中的理所当然。对于我们的孩子们来说，流媒体音乐是如此自然的一部分，同样地，未来的人工智能也会在他们生活中变得越来越普遍，直至成为他们生活中的常态。