前段時(shí)間專門撰文介紹了5G的來龍去脈，今天讓我們一起，來了解一下誕生于1950年代的“人工智能”。

如果你希望能對(duì)人工智能有一定程度理解的話，請耐心看完本文。

1

2001年，好萊塢電影《人工智能》公映。

人工智能的電影海報(bào)（圖片源自網(wǎng)絡(luò)）

1982年，電影大師斯坦利·庫布里克買下了《人工智能》的拍攝權(quán)，到1993年，斯蒂芬·斯皮爾伯格導(dǎo)演的《侏羅紀(jì)公園》的成功，促使庫布里克根據(jù)1969年布萊恩·阿爾迪斯（Brian Aldiss）的短篇故事《Super-Toys Last All Summer Long》改編了劇本，并與斯皮爾伯格探討了劇本，委托工業(yè)光魔公司設(shè)計(jì)特效。

1999年，庫布里克意外辭世，斯皮爾伯格于2000年初宣布了自己的拍攝計(jì)劃，并于2001年將亡友的這部未竟之作搬上銀幕。影片中應(yīng)用了當(dāng)時(shí)最新的“實(shí)時(shí)3D電腦游戲引擎”系統(tǒng)和“On-Set Visualization”技術(shù)。

劇情概要：

《人工智能》講述了21世紀(jì)中期，由于溫室效應(yīng)，南北極冰川融化，地球上很多城市被淹沒。此時(shí)，人類科技已經(jīng)高度發(fā)達(dá)，人工智能機(jī)器人就是人類發(fā)明出來用以應(yīng)對(duì)惡劣自然環(huán)境的科技手段之一，而且，機(jī)器人制造技術(shù)已經(jīng)高度發(fā)達(dá)，先進(jìn)的機(jī)器人不但擁有可以亂真的人類外表，還能感知自身的存在。

女主莫妮卡的兒子馬丁重病住院，生命危在旦夕，為了緩解傷痛的心情，她領(lǐng)養(yǎng)了機(jī)器人小孩大衛(wèi)，大衛(wèi)的生存使命就是愛她。隨著馬丁蘇醒，恢復(fù)健康，回到了家里，一系列的事情使大衛(wèi)“失寵”，最后被莫妮卡拋棄。

為了回到自己認(rèn)定的母親莫妮卡身邊，大衛(wèi)與一起被扔掉的機(jī)器玩具熊泰迪一起踏上了旅程，旅途中結(jié)識(shí)了逃亡中的牛郎機(jī)器人喬。之前也從莫妮卡講的故事中得知了木偶奇遇記中藍(lán)仙女的傳說，大衛(wèi)認(rèn)為藍(lán)仙女會(huì)幫助他實(shí)現(xiàn)愿望──變成真正的小男孩，這樣母親就能愛他了，因此大衛(wèi)改踏上了尋找藍(lán)仙女的旅程。之后大衛(wèi)隨喬到達(dá)了制作大衛(wèi)的公司，大衛(wèi)看到很多與自己完全一樣的“大衛(wèi)”機(jī)器人，他無法忍受，因?yàn)樗J(rèn)為莫妮卡只屬于他一個(gè)人，于是跳海自殺。于后被喬救起，但喬之后被警察抓走。大衛(wèi)一個(gè)人乘潛水艇在海中發(fā)現(xiàn)了被海水淹沒的一座樂園，里頭矗立著一尊藍(lán)仙女的雕像，大衛(wèi)認(rèn)為自己找到了，便拼命的向其請求自己想變成真正的小男孩的愿望。

大衛(wèi)在潛水艇中一直請求藍(lán)仙女，直到大衛(wèi)身體的能源用完，海水也被冰凍起來。時(shí)間又經(jīng)過了2000年，人類已經(jīng)滅亡，地球被厚實(shí)的冰層覆蓋，成為一片荒蕪的冰冷世界。世界上只剩下進(jìn)化的人工智能機(jī)器人，他們意外找到在海中機(jī)能停止的大衛(wèi)。

他們重新啟動(dòng)了大衛(wèi)，并希望大衛(wèi)快樂，所以決定滿足大衛(wèi)的心愿，利用DNA再生出同一個(gè)莫妮卡(母親)。但再生人只能存活一天，一旦再次入眠后便不會(huì)再醒來，所以大衛(wèi)與莫妮卡度過了一生中最開心的一天，實(shí)現(xiàn)他的愿望，在母親的懷抱中，微笑地進(jìn)入夢鄉(xiāng)。

2

當(dāng)然，今天文章的主題，并非當(dāng)年的好萊塢電影，而是作為第四次工業(yè)革命標(biāo)志之一的人工智能。

人工智能（Artificial Intelligence，縮寫為AI），亦稱機(jī)器智能，指由人制造出來的機(jī)器所表現(xiàn)出來的智能。通常，人工智能是指通過普通計(jì)算機(jī)程序來呈現(xiàn)人類智能的技術(shù)；該詞也指研究這樣的智能系統(tǒng)是否能夠?qū)崿F(xiàn)，以及如何實(shí)現(xiàn)的一系列活動(dòng)。

一般教材中，人工智能的定義領(lǐng)域是“智能主體（intelligent agent）的研究與設(shè)計(jì)”，智能主體指一個(gè)可以觀察周遭環(huán)境并作出行動(dòng)，以達(dá)致目標(biāo)的系統(tǒng)。

約翰·麥卡錫（John McCarthy）于1955年給出的定義是“制造智能機(jī)器的科學(xué)與工程”。

安德里亞斯·卡普蘭（Andreas Kaplan）和邁克爾·海恩萊因（Michael Haenlein）將人工智能定義為“系統(tǒng)正確解釋外部數(shù)據(jù)，從這些數(shù)據(jù)中學(xué)習(xí)，并利用這些知識(shí)通過靈活適應(yīng)實(shí)現(xiàn)特定目標(biāo)和任務(wù)的能力”。

人工智能的研究是高度技術(shù)性和專業(yè)的，各分支領(lǐng)域都是深入且各不相通的，因而涉及范圍極廣。人工智能(AI)的研究可以分為幾個(gè)技術(shù)問題。其分支領(lǐng)域主要集中在解決具體問題，其中之一是，如何使用各種不同的工具完成特定的應(yīng)用程序。

人工智能的核心問題包括：建構(gòu)能夠跟人類似甚至超越的推理、知識(shí)、規(guī)劃、學(xué)習(xí)、交流、感知、移動(dòng)和操作物體的能力等。

人工智能當(dāng)前仍然是該領(lǐng)域的長遠(yuǎn)目標(biāo)。當(dāng)前強(qiáng)人工智能已經(jīng)有初步成果，甚至在一些影像識(shí)別、語言分析、棋類游戲等等單方面的能力達(dá)到了超越人類的水平。

而且人工智能的通用性代表著，能解決上述問題的，是使用了同樣的AI程序，無須重新開發(fā)算法就可以直接使用現(xiàn)有的AI程序完成任務(wù)，這與人類的處理能力相同，但達(dá)到具備思考能力的統(tǒng)合強(qiáng)人工智能還需要時(shí)間研究。比較流行的方法包括統(tǒng)計(jì)方法，計(jì)算智能和傳統(tǒng)意義的人工智能。

當(dāng)前有大量的工具應(yīng)用了人工智能，其中包括搜索和數(shù)學(xué)優(yōu)化、邏輯推演。而基于仿生學(xué)、認(rèn)知心理學(xué)，以及基于概率論和經(jīng)濟(jì)學(xué)的算法等也在逐步探索中。

思維來源于大腦，而思維控制行為，行為需要意志去實(shí)現(xiàn)，而思維又是對(duì)所有數(shù)據(jù)采集的整理，相當(dāng)于數(shù)據(jù)庫，所以人工智能最后會(huì)演變?yōu)闄C(jī)器替換人類。

3

概論

人工智能的定義可以分為兩部分，即“人工”和“智能”?！叭斯ぁ奔从扇嗽O(shè)計(jì)，為人創(chuàng)造、制造。

關(guān)于什么是“智能”，較有爭議性。這涉及到其它諸如意識(shí)（consciousness）、自我（self）、心靈（mind），包括無意識(shí)的精神（unconscious mind）等等問題。

人唯一了解的智能是人本身的智能，這是普遍認(rèn)同的觀點(diǎn)。但是我們對(duì)我們自身智能的理解其實(shí)都非常有限，對(duì)構(gòu)成人的智能必要元素的了解也很有限，所以就很難定義什么是“人工”制造的“智能”了。

因此人工智能的研究往往涉及對(duì)人智能本身的研究。其它關(guān)于動(dòng)物或其它人造系統(tǒng)的智能也普遍被認(rèn)為是人工智能相關(guān)的研究課題。

人工智能當(dāng)前在計(jì)算機(jī)領(lǐng)域內(nèi)，得到了愈加廣泛的發(fā)揮。并在機(jī)器人、經(jīng)濟(jì)政治決策、控制系統(tǒng)、仿真系統(tǒng)中得到應(yīng)用。

4

人工智能的發(fā)展史

5

研究課題

當(dāng)前人工智能的研究方向已經(jīng)被分成幾個(gè)子領(lǐng)域，研究人員希望一個(gè)人工智能系統(tǒng)應(yīng)該具有某些特定能力，以下將這些能力列出并說明。

演繹、推理和解決問題

早期的人工智能研究人員直接模仿人類進(jìn)行逐步的推理，就像是玩棋盤游戲或進(jìn)行邏輯推理時(shí)人類的思考模式。

到了1980和1990年代，利用概率和經(jīng)濟(jì)學(xué)上的概念，人工智能研究還發(fā)展了非常成功的方法處理不確定或不完整的資訊。

對(duì)于困難的問題，有可能需要大量的運(yùn)算資源，也就是發(fā)生了“可能性組合爆增”：當(dāng)問題超過一定的規(guī)模時(shí)，計(jì)算機(jī)會(huì)需要天文數(shù)量級(jí)的存儲(chǔ)器或是運(yùn)算時(shí)間。尋找更有效的算法是優(yōu)先的人工智能研究項(xiàng)目。

人類解決問題的模式通常是用最快捷、直觀的判斷，而不是有意識(shí)的、一步一步的推導(dǎo)，早期人工智能研究通常使用逐步推導(dǎo)的方式。人工智能研究已經(jīng)于這種“次表征性的”解決問題方法獲取進(jìn)展：實(shí)體化Agent研究強(qiáng)調(diào)感知運(yùn)動(dòng)的重要性。神經(jīng)網(wǎng)絡(luò)研究試圖以模擬人類和動(dòng)物的大腦結(jié)構(gòu)重現(xiàn)這種技能。

知識(shí)表示法

知識(shí)表示是人工智能領(lǐng)域的核心研究問題之一，它的目標(biāo)是讓機(jī)器存儲(chǔ)相應(yīng)的知識(shí)，并且能夠按照某種規(guī)則推理演繹得到新的知識(shí)。有許多需要解決的問題需要大量的對(duì)世界的知識(shí),這些知識(shí)包括事先存儲(chǔ)的先驗(yàn)知識(shí)和通過智能推理得到的知識(shí)。

事先存儲(chǔ)的先驗(yàn)知識(shí)指：人類通過某種方式告訴給機(jī)器的知識(shí)。

通過智能推理得到的知識(shí)指：結(jié)合先驗(yàn)知識(shí)和某種特定的推理規(guī)則（邏輯推理）得到的知識(shí)。

首先，先驗(yàn)知識(shí)可以指描述目標(biāo)，特征，種類及對(duì)象之間的關(guān)系的知識(shí)，也可以描述事件，時(shí)間，狀態(tài)，原因和結(jié)果，以及任何知識(shí)你想要機(jī)器存儲(chǔ)的。比如：今天沒有太陽，沒有太陽就是陰天。那么以命題邏輯語言，這些知識(shí)可以被表示為：今天→沒有太陽， 沒有太陽→陰天。這些知識(shí)是先驗(yàn)知識(shí)，那么通過推理可以得到新知識(shí)：今天→陰天。由此例子可以看出，先驗(yàn)知識(shí)的正確性非常重要，這個(gè)例子中沒有太陽就是陰天，這個(gè)命題是不嚴(yán)謹(jǐn)?shù)摹⒈容^籠統(tǒng)的，因?yàn)闆]有太陽可能是下雨，也可能下雪。

邏輯命題表示在知識(shí)表示中非常重要，邏輯推理規(guī)則是當(dāng)前主要推理規(guī)則。可以在機(jī)器中用邏輯符號(hào)定義每一個(gè)邏輯命題，然后再讓機(jī)器存儲(chǔ)相應(yīng)的邏輯推理規(guī)則，那么自然而然機(jī)器便可進(jìn)行推理。

當(dāng)前知識(shí)表達(dá)有許多困境尚無法解決，比如：創(chuàng)建一個(gè)完備的知識(shí)庫幾乎不可能，所以知識(shí)庫的資源受到限制；先驗(yàn)知識(shí)的正確性需要進(jìn)行檢驗(yàn)，而且先驗(yàn)知識(shí)有時(shí)候不一定是只有對(duì)或者錯(cuò)兩種選擇。

本體論將知識(shí)表示為一個(gè)領(lǐng)域內(nèi)的一組概念以及這些概念之間的關(guān)系（圖片來自維基百科）

規(guī)劃

智能主體必須能夠制定目標(biāo)和實(shí)現(xiàn)這些目標(biāo)。他們需要一種方法來創(chuàng)建一個(gè)可預(yù)測的世界模型（將整個(gè)世界狀態(tài)用數(shù)學(xué)模型表現(xiàn)出來，并能預(yù)測它們的行為將如何改變這個(gè)世界），這樣就可以選擇功效最大的行為。

在傳統(tǒng)的規(guī)劃問題中，智能主體被假定它是世界中唯一具有影響力的，所以它要做出什么行為是已經(jīng)確定的。但是，如果事實(shí)并非如此，它必須定期檢查世界模型的狀態(tài)是否和自己的預(yù)測相匹配。

如果不匹配，它必須改變它的計(jì)劃。因此智能代理必須具有在不確定結(jié)果的狀態(tài)下推理的能力。在多智能主體中，多個(gè)智能主體規(guī)劃以合作和競爭的方式去完成一定的目標(biāo)，使用演化算法和群體智能可以達(dá)成一個(gè)整體的突現(xiàn)行為目標(biāo)。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的主要目的是為了讓機(jī)器從用戶和輸入數(shù)據(jù)等處獲得知識(shí)，從而讓機(jī)器自動(dòng)地去判斷和輸出相應(yīng)的結(jié)果。這一方法可以幫助解決更多問題、減少錯(cuò)誤，提高解決問題的效率。

對(duì)于人工智能來說，機(jī)器學(xué)習(xí)從一開始就很重要。1956年，在最初的達(dá)特茅斯夏季會(huì)議上，雷蒙德·索洛莫諾夫（Ray Solomonoff）寫了一篇關(guān)于非監(jiān)督的概率性機(jī)器學(xué)習(xí)：一臺(tái)歸納推理機(jī)。

機(jī)器學(xué)習(xí)的方法各種各樣，主要分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩大類。

監(jiān)督學(xué)習(xí)：指事先給定機(jī)器一些訓(xùn)練樣本并且告訴樣本的類別，然后根據(jù)這些樣本的類別進(jìn)行訓(xùn)練，提取出這些樣本的共同屬性或者訓(xùn)練一個(gè)分類器，等新來一個(gè)樣本，則通過訓(xùn)練得到的共同屬性或者分類器進(jìn)行判斷該樣本的類別。監(jiān)督學(xué)習(xí)根據(jù)輸出結(jié)果的離散性和連續(xù)性，分為分類和回歸兩類。

非監(jiān)督學(xué)習(xí)：是不給定訓(xùn)練樣本，直接給定一些樣本和一些規(guī)則，讓機(jī)器自動(dòng)根據(jù)一些規(guī)則進(jìn)行分類。無論哪種學(xué)習(xí)方法都會(huì)進(jìn)行誤差分析，從而知道所提的方法在理論上是否誤差有上限。

自然語言處理

自然語言處理探討如何處理及運(yùn)用自然語言，自然語言認(rèn)知?jiǎng)t是指讓計(jì)算機(jī)“懂”人類的語言。自然語言生成系統(tǒng)把計(jì)算機(jī)數(shù)據(jù)轉(zhuǎn)化為自然語言。自然語言理解系統(tǒng)把自然語言轉(zhuǎn)化為計(jì)算機(jī)程序更易于處理的形式。

運(yùn)動(dòng)和控制

機(jī)器感知是指能夠使用感測器所輸入的數(shù)據(jù)（如照相機(jī)、麥克風(fēng)、聲納以及其他的特殊感測器）然后推斷世界的狀態(tài)。計(jì)算機(jī)視覺能夠分析影像輸入。另外還有語音識(shí)別、人臉識(shí)別和物體識(shí)別。

社交

情感和社交技能對(duì)于一個(gè)智能主體是很重要的。首先，通過了解他們的動(dòng)機(jī)和情感狀態(tài)，代理人能夠預(yù)測別人的行動(dòng)（這涉及要素博弈論、決策理論以及能夠塑造人的情感和情緒感知能力檢測）。此外，為了良好的人機(jī)交互，智能代理人也需要表現(xiàn)出情緒來。至少它必須出現(xiàn)禮貌地和人類打交道。至少，它本身應(yīng)該有正常的情緒。

Kismet，一個(gè)具有表情等社交能力的機(jī)器人

創(chuàng)造力

一個(gè)人工智能的子領(lǐng)域，代表了理論（從哲學(xué)和心理學(xué)的角度）和實(shí)際（通過特定的實(shí)現(xiàn)產(chǎn)生的系統(tǒng)的輸出是可以考慮的創(chuàng)意，或系統(tǒng)識(shí)別和評(píng)估創(chuàng)造力）所定義的創(chuàng)造力。相關(guān)領(lǐng)域研究的包括了人工直覺和人工想像。

倫理管理

史蒂芬·霍金、比爾·蓋茨、馬斯克（Elon Musk）、Jaan Tallinn以及Nick Bostrom等人都對(duì)于人工智能技術(shù)的未來公開表示憂心，人工智能若在許多方面超越人類智能水平的智能、不斷更新、自我提升，進(jìn)而獲取控制管理權(quán)，人類是否有足夠的能力及時(shí)停止人工智能領(lǐng)域的“軍備競賽”，能否保有最高掌控權(quán)？現(xiàn)有事實(shí)是：機(jī)器常失控導(dǎo)致人員傷亡，這樣的情況是否會(huì)更加擴(kuò)大規(guī)模出現(xiàn)，歷史顯然無法給出可靠的樂觀答案。

馬斯克在麻省理工學(xué)院（MIT）航空航天部門百年紀(jì)念研討會(huì)上稱人工智能是“召喚惡魔”行為，英國發(fā)明家Clive Sinclair認(rèn)為，一旦開始制造抵抗人類和超越人類的智能機(jī)器，人類可能很難生存，蓋茨同意馬斯克和其它人所言，且不知道為何有些人不擔(dān)憂這個(gè)問題。

DeepMind的人工智能（AI）系統(tǒng)在2016年“AlphaGo”對(duì)戰(zhàn)韓國棋王李世乭獲勝，開發(fā)商表示在內(nèi)部設(shè)立倫理委員會(huì)，針對(duì)人工智能的應(yīng)用制定政策，防范人工智能淪為犯罪開發(fā)者。

隨著科技進(jìn)步，人工智能科技產(chǎn)生“自主武器”軍備競賽已悄悄展開，英國、以色列與挪威，都已部署自主導(dǎo)彈與無人操控的無人機(jī)，具有“射后不理”（fire-and-forget）能力的導(dǎo)彈，多枚導(dǎo)彈還可互相溝通，分享找到攻擊目標(biāo)。目前，這些武器還未被大量投入，但很快就會(huì)出現(xiàn)在戰(zhàn)場上，且并非使用人類所設(shè)計(jì)的程序，而是完全利用機(jī)器自行決策。

霍金等人在英國獨(dú)立報(bào)發(fā)表文章，警告未來人工智能可能會(huì)比人類金融市場、科學(xué)家、人類領(lǐng)袖更能操縱人心、甚至研發(fā)出人們無法理解的武器。專家恐發(fā)展到無法控制的局面，援引聯(lián)合國禁止研發(fā)某些特定武器的“特定常規(guī)武器公約”加以限制。新南威爾士大學(xué)（New South Wales）人工智能的沃爾什（Toby Walsh）教授認(rèn)為這是一種欺騙，因?yàn)闄C(jī)器無區(qū)別戰(zhàn)敵和平民的技術(shù)。

經(jīng)濟(jì)沖擊

CNN財(cái)經(jīng)網(wǎng)數(shù)字媒體未來學(xué)家兼Webbmedia集團(tuán)創(chuàng)始人艾米·韋伯（Amy Webb）；美國在線等紛紛預(yù)測一些即將被機(jī)器人取代的職業(yè)，日本野村總合研究所也與英國牛津大學(xué)的研究學(xué)者共同調(diào)查指出，10至20年后，日本有49%的職業(yè)(235種職業(yè))可能會(huì)被機(jī)械和人工智能取代而消失，直接影響約達(dá)2500萬人。

例如：超市店員、一般事務(wù)員、計(jì)程車司機(jī)、收費(fèi)站運(yùn)營商和收銀員、市場營銷人員、客服人員、制造業(yè)工人、金融中間人和分析師、新聞?dòng)浾?、電話公司職員、麻醉師、士兵和保安、律師、醫(yī)生、軟件開發(fā)者和操盤手、股票交易員等等高薪酬的腦力職業(yè)將最先受到?jīng)_擊。

2017年6月份馬云在美國底特律舉行“鏈接世界”（Gateway 17）產(chǎn)業(yè)大會(huì)上提出，人工智能可能導(dǎo)致第三次世界大戰(zhàn)。

因?yàn)榍皟纱萎a(chǎn)業(yè)革命都導(dǎo)致兩次大戰(zhàn)，戰(zhàn)爭原因并非這些創(chuàng)新發(fā)明本身，而是發(fā)明對(duì)社會(huì)上許多人的生活方式?jīng)_擊處理不當(dāng)，新科技在社會(huì)上產(chǎn)生新工作也取代舊工作，產(chǎn)生了新的輸家和贏家，若是輸家的人數(shù)太多將造成一股社會(huì)不穩(wěn)的能量而這股能量被有心人利用可能導(dǎo)致各種事件。

他認(rèn)為各國應(yīng)該強(qiáng)制制定規(guī)定：人工智能機(jī)器只能用于人類不能做的工作，避免短時(shí)間大量人類被取代的失業(yè)大潮，但馬云沒有提出這種世界性規(guī)定將如何實(shí)現(xiàn)并確保遵守的細(xì)節(jié)方案。

數(shù)據(jù)科學(xué)和人工能被哈佛商業(yè)評(píng)論稱為《二十一世紀(jì)最Sexy的職業(yè)》，人工智能需求量大，鼓勵(lì)了不少大學(xué)諸如伯克利大學(xué)專門成立數(shù)據(jù)科學(xué)系。2014年，著名的《數(shù)據(jù)孵化器（The Data Incubator）》公司成立于紐約，主要提供數(shù)據(jù)科學(xué)培訓(xùn)服務(wù)，涉及的服務(wù)內(nèi)容包括數(shù)據(jù)科學(xué)，大數(shù)據(jù)，和人工智能的企業(yè)培訓(xùn)。

5

強(qiáng)人工智能和弱人工智能

人工智能的一個(gè)比較流行的定義，也是該領(lǐng)域較早的定義，是由當(dāng)時(shí)麻省理工學(xué)院的約翰·麥卡錫（John McCarthy）在1956年的達(dá)特矛斯會(huì)議上提出的：人工智能就是要讓機(jī)器的行為看起來就像是人所表現(xiàn)出的智能行為一樣。但是這個(gè)定義似乎忽略了強(qiáng)人工智能的可能性。

另一個(gè)定義指人工智能是人造機(jī)器所表現(xiàn)出來的智能。

總體來講，當(dāng)前對(duì)人工智能的定義大多可劃分為四類，即機(jī)器“像（like）人一樣思考”、“像人一樣行動(dòng)”、“理性地思考”和“理性地行動(dòng)”。這里“行動(dòng)”應(yīng)廣義地理解為采取行動(dòng)，或制定行動(dòng)的決策，而不是肢體動(dòng)作。

強(qiáng)人工智能

強(qiáng)人工智能觀點(diǎn)認(rèn)為“有可能”制造出“真正”能推理（Reasoning）和解決問題的智能機(jī)器，并且，這樣的機(jī)器將被認(rèn)為是具有知覺、有自我意識(shí)的。

強(qiáng)人工智能可以有兩類：

• 人類的人工智能，即機(jī)器的思考和推理就像人的思維一樣。

• 非人類的人工智能，即機(jī)器產(chǎn)生了和人完全不一樣的知覺和意識(shí)，使用和人完全不一樣的推理方式。

弱人工智能

弱人工智能觀點(diǎn)認(rèn)為，“不可能”制造出能“真正”地推理和解決問題的智能機(jī)器，這些機(jī)器只不過“看起來”像是智能的，但是并不真正擁有智能，也不會(huì)有自主意識(shí)。

弱人工智能是對(duì)比強(qiáng)人工智能才出現(xiàn)的，因?yàn)槿斯ぶ悄艿难芯恳欢忍幱谕磺暗臓顟B(tài)下，直到類神經(jīng)網(wǎng)絡(luò)有了強(qiáng)大的運(yùn)算能力加以模擬后，才開始改變并大幅超前。但人工智能研究者不一定同意弱人工智能，也不一定在乎或者了解強(qiáng)人工智能和弱人工智能的內(nèi)容與差別，因此對(duì)定義爭論不休。

就當(dāng)下的人工智能研究領(lǐng)域來看，研究者已大量造出“看起來”像是智能的機(jī)器，獲取相當(dāng)豐碩的理論上和實(shí)質(zhì)上的成果。

如2009年康乃爾大學(xué)教授Hod Lipson和其博士研究生Michael Schmidt 研發(fā)出的Eureqa計(jì)算機(jī)程序，只要給予一些數(shù)據(jù)，這計(jì)算機(jī)程序自己只用幾十個(gè)小時(shí)計(jì)算就推論出牛頓花費(fèi)多年研究才發(fā)現(xiàn)的牛頓力學(xué)公式，等于只用幾十個(gè)小時(shí)就自己重新發(fā)現(xiàn)牛頓力學(xué)公式，這計(jì)算機(jī)程序也能用來研究很多其他領(lǐng)域的科學(xué)問題上。

這些所謂的弱人工智能在神經(jīng)網(wǎng)絡(luò)發(fā)展下已經(jīng)有巨大進(jìn)步，但對(duì)于要如何集成成強(qiáng)人工智能，現(xiàn)在還沒有明確定論。

對(duì)強(qiáng)人工智能的哲學(xué)爭論

“強(qiáng)人工智能”一詞最初是約翰·羅杰斯·希爾勒（John Rogers Searle）針對(duì)計(jì)算機(jī)和其它信息處理機(jī)器創(chuàng)造的，其定義為：“強(qiáng)人工智能觀點(diǎn)認(rèn)為計(jì)算機(jī)不僅是用來研究人的思維的一種工具；相反，只要運(yùn)行適當(dāng)?shù)某绦?，?jì)算機(jī)本身就是有思維的?！保↗ Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）

關(guān)于強(qiáng)人工智能的爭論，不同于更廣義的一元論和二元論的爭論。其爭論要點(diǎn)是：如果一臺(tái)機(jī)器的唯一工作原理就是轉(zhuǎn)換編碼數(shù)據(jù)，那么這臺(tái)機(jī)器是不是有思維的？

希爾勒認(rèn)為，這是不可能的。他用中文房間（Chinese room）的實(shí)驗(yàn)來說明，如果機(jī)器僅僅是轉(zhuǎn)換數(shù)據(jù)，而數(shù)據(jù)本身是對(duì)某些事情的一種編碼表現(xiàn)，那么，在不理解這一編碼和這實(shí)際事情之間的對(duì)應(yīng)關(guān)系的前提下，機(jī)器不可能對(duì)其處理的數(shù)據(jù)有任何理解?；谶@一論點(diǎn)，希爾勒認(rèn)為即使有機(jī)器通過了圖靈測試，也不一定說明機(jī)器就真的像人一樣有自我思維和自由意識(shí)。

中文房間的實(shí)驗(yàn)過程可表述如下：

一個(gè)對(duì)中文一竅不通，只說英語的人關(guān)在一間只有一個(gè)開口的封閉房間中。房間里有一本用英文寫成的手冊，指示該如何處理收到的漢語訊息及如何以漢語相應(yīng)地回復(fù)。房外的人不斷向房間內(nèi)遞進(jìn)用中文寫成的問題。房內(nèi)的人便按照手冊的說明，查找到合適的指示，將相應(yīng)的中文字符組合成對(duì)問題的解答，并將答案遞出房間。

約翰·希爾勒認(rèn)為，盡管房里的人可以以假亂真，讓房外的人以為他確確實(shí)實(shí)說漢語，他卻壓根不懂漢語。在上述過程中，房外人的角色相當(dāng)于程序員，房中人相當(dāng)于計(jì)算機(jī)，而手冊則相當(dāng)于計(jì)算機(jī)程序：每當(dāng)房外人給出一個(gè)輸入，房內(nèi)的人便依照手冊給出一個(gè)答復(fù)（輸出）。而正如房中人不可能通過手冊理解中文一樣，計(jì)算機(jī)也不可能通過程序來獲得理解力。既然計(jì)算機(jī)沒有理解能力，所謂“計(jì)算機(jī)于是便有智能”便更無從談起了。

也有哲學(xué)家對(duì)此持不同的觀點(diǎn)。丹尼爾·丹尼特在其著作《意識(shí)的解釋（Consciousness Explained）》里認(rèn)為，人也不過是一臺(tái)有靈魂的機(jī)器而已，為什么我們認(rèn)為：“人可以有智能，而普通機(jī)器就不能”呢？他認(rèn)為像上述的數(shù)據(jù)轉(zhuǎn)換機(jī)器是有可能有思維和意識(shí)的。

“所有人都認(rèn)為，人是擁有智能的，而人的智能決策來自于腦細(xì)胞的電信號(hào)轉(zhuǎn)換，每一個(gè)腦細(xì)胞并不理解單詞的意義，只是簡單的緩沖、傳遞或抑制一個(gè)電信號(hào)，腦細(xì)胞創(chuàng)造了語法規(guī)則，創(chuàng)造了決策策略（相當(dāng)于規(guī)則書與不懂中文的人），但是它們并不懂每個(gè)單詞的意義。而人類卻顯示出與人溝通的能力。如果按照希爾勒的觀點(diǎn)，那么人類也不存在認(rèn)知能力，但這與事實(shí)是不符的。所以依然可以認(rèn)為若某段計(jì)算機(jī)程序，能夠完成圖靈測試，則說明該段計(jì)算機(jī)程序具有認(rèn)知能力”。

然而，此一觀點(diǎn)也被提出存在兩項(xiàng)根源性謬誤，以至甚至被認(rèn)為錯(cuò)誤理解“中文房間”概念。

其一為此論過于倚賴“智能決策來自于腦細(xì)胞的電信號(hào)轉(zhuǎn)換”此一前題，并將人類作出智能決策時(shí)，涉及腦細(xì)胞電信號(hào)轉(zhuǎn)換的現(xiàn)象，錯(cuò)誤地演繹為“智能決策‘唯獨(dú)’由腦細(xì)胞的電信號(hào)轉(zhuǎn)換‘所產(chǎn)生’”。

此演繹不但從未被證明過，也無足夠證據(jù)支持。

其次，此說只能推導(dǎo)出“單獨(dú)一個(gè)腦細(xì)胞的緩沖、傳遞或抑制一個(gè)電信號(hào)，不能使其理解單詞的意義”而已，至于腦細(xì)胞（集體）如何創(chuàng)造語法規(guī)則、決策策略，是否單純倚靠個(gè)別腦細(xì)胞的緩沖、傳遞或抑制電信號(hào)等等，并未作出任何合理推論；

同時(shí)也忽略了“單獨(dú)一個(gè)腦細(xì)胞”與一個(gè)擁有智能的人類之間，后者包涵前者、前者與眾多他者組成后者等復(fù)雜關(guān)系，便直接將“單獨(dú)一個(gè)腦細(xì)胞不理解單詞的意義而人類擁有智能”此一現(xiàn)實(shí)，用作否定“機(jī)器不能透過程序獲得理解能力”與及“智能直接關(guān)系于理解能力”的根據(jù)，其邏輯難以明白，推演也過于草率。

有的哲學(xué)家認(rèn)為如果弱人工智能是可實(shí)現(xiàn)的，那么強(qiáng)人工智能也是可實(shí)現(xiàn)的。

比如西蒙·布萊克本（Simon Blackburn）在其哲學(xué)入門教材《Think》里說到：一個(gè)人的看起來是“智能”的行動(dòng)，并不能真正說明這個(gè)人就真的是智能的。我永遠(yuǎn)不可能知道，另一個(gè)人是否真的像我一樣是智能的，還是說她／他僅僅是“看起來”是智能的。

基于這個(gè)論點(diǎn)，既然弱人工智能認(rèn)為可以令機(jī)器“看起來”像是智能的，那就不能完全否定這機(jī)器是真的有智能的。布萊克本認(rèn)為這是一個(gè)主觀認(rèn)定的問題。

需要指出的是，弱人工智能并非和強(qiáng)人工智能完全對(duì)立，也就是說，即使強(qiáng)人工智能是可能的，弱人工智能仍然是有意義的。至少，今日的計(jì)算機(jī)能做的事，像算術(shù)運(yùn)算等，在一百多年前是被認(rèn)為很需要智能的。

并且，即使強(qiáng)人工智能被證明為可能的，也不代表強(qiáng)人工智能必定能被研制出來。

6

研究方法

當(dāng)前沒有統(tǒng)一的原理或范式指導(dǎo)人工智能研究。在許多問題上，研究者都存在爭論。

其中幾個(gè)長久以來仍沒有結(jié)論的問題是：是否應(yīng)從心理或神經(jīng)方面模擬人工智能?或者像鳥類生物學(xué)對(duì)于航空工程一樣，人類生物學(xué)對(duì)于人工智能研究是沒有關(guān)系的？智能行為能否用簡單的原則（如邏輯或優(yōu)化）來描述？還是必須解決大量完全無關(guān)的問題？

智能是否可以使用高級(jí)符號(hào)表達(dá)，如詞和想法？還是需要“子符號(hào)”的處理？約翰·豪格蘭德（John Haugeland）提出了GOFAI（Good Old-Fashioned Artificial Intelligence，有效的老式人工智能）的概念，也提議人工智能應(yīng)歸類為綜合智能（synthetic intelligence），這個(gè)概念后來被某些非GOFAI研究者采納。

控制論與大腦模擬

20世紀(jì)40年代到50年代，許多研究者探索神經(jīng)學(xué)、信息理論及控制論之間的聯(lián)系。其中還造出一些使用電子網(wǎng)絡(luò)構(gòu)造的初步智能，如格雷·華特（W. Grey Walter）的烏龜（turtle）和約翰霍普金斯野獸（Johns Hopkins Beast）。

這些研究者還經(jīng)常在普林斯頓大學(xué)和英國的Ratio Club舉行技術(shù)協(xié)會(huì)會(huì)議。[41]直到1960，大部分人已經(jīng)放棄這個(gè)方法，盡管在80年代再次提出這些原理。

符號(hào)處理

當(dāng)20世紀(jì)50年代，數(shù)字計(jì)算機(jī)研制成功，研究者開始探索人類智能是否能簡化成符號(hào)處理。研究主要集中在卡內(nèi)基梅隆大學(xué)，斯坦福大學(xué)和麻省理工學(xué)院，而各自有獨(dú)立的研究風(fēng)格。約翰·豪格蘭德（John Haugeland）稱這些方法為GOFAI（有效的老式人工智能）。1960年代，符號(hào)方法在小型證明程序上模擬高級(jí)思考有很大的成就?；诳刂普摶蛏窠?jīng)網(wǎng)絡(luò)的方法則置于次要。1960－1970年代的研究者確信符號(hào)方法最終可以成功創(chuàng)造強(qiáng)人工智能的機(jī)器，同時(shí)這也是他們的目標(biāo)。

• 認(rèn)知模擬

經(jīng)濟(jì)學(xué)家赫伯特·西蒙（Herbert Alexander Simon）和艾倫·紐厄爾（Allen Newell）研究人類問題解決能力和嘗試將其形式化，同時(shí)他們?yōu)槿斯ぶ悄艿幕驹泶蛳禄A(chǔ)，如認(rèn)知科學(xué)、運(yùn)籌學(xué)和經(jīng)營科學(xué)。他們的研究團(tuán)隊(duì)使用心理學(xué)實(shí)驗(yàn)的結(jié)果開發(fā)模擬人類解決問題方法的程序。這方法一直在卡內(nèi)基梅隆大學(xué)沿襲下來，并在1980年代于Soar發(fā)展到高峰。

• 基于邏輯

不像艾倫·紐厄爾和赫伯特·西蒙，約翰·麥卡錫（John McCarthy）認(rèn)為機(jī)器不需要模擬人類的思想，而應(yīng)嘗試找到抽象推理和解決問題的本質(zhì)，不管人們是否使用同樣的算法。他在斯坦福大學(xué)的實(shí)驗(yàn)室致力于使用形式化邏輯解決多種問題，包括知識(shí)表示，智能規(guī)劃和機(jī)器學(xué)習(xí)。致力于邏輯方法的還有愛丁堡大學(xué)，而促成歐洲的其他地方開發(fā)編程語言Prolog和邏輯編程科學(xué)。

• “反邏輯”

斯坦福大學(xué)的研究者，如馬文·閔斯基（Marvin Lee Minsky）和西摩爾·派普特（Seymour Aubrey Papert）發(fā)現(xiàn)要解決計(jì)算機(jī)視覺和自然語言處理的困難問題，需要專門的方案：他們主張不存在簡單和通用原理（如邏輯）能夠達(dá)到所有的智能行為。羅杰·單克（Roger Schank）描述他們的“反邏輯”方法為“蕪雜派（scruffy）”。

常識(shí)知識(shí)庫（如道格拉斯·萊納特的Cyc）就是“scruffy”AI的例子，因?yàn)樗麄儽仨毴斯ひ淮尉帉懸粋€(gè)復(fù)雜的概念。

• 基于知識(shí)

大約在1970年出現(xiàn)大容量內(nèi)存計(jì)算機(jī)，研究者分別以三個(gè)方法開始把知識(shí)構(gòu)造成應(yīng)用軟件。這場“知識(shí)革命”促成專家系統(tǒng)的開發(fā)與計(jì)劃，這是第一個(gè)成功的人工智能軟件形式?！爸R(shí)革命”同時(shí)讓人們意識(shí)到，許多簡單的人工智能軟件可能需要大量的知識(shí)。

子符號(hào)方法

1980年代，符號(hào)人工智能停滯不前，很多人認(rèn)為符號(hào)系統(tǒng)永遠(yuǎn)不可能模仿人類所有的認(rèn)知過程，特別是感知、機(jī)器人、機(jī)器學(xué)習(xí)和模式識(shí)別。很多研究者開始關(guān)注子符號(hào)方法解決特定的人工智能問題。

• 自下而上、接口主體、嵌入環(huán)境（機(jī)器人）、行為主義、新式AI

機(jī)器人領(lǐng)域相關(guān)的研究者，如羅德尼·布魯克斯（Rodney Brooks），否定符號(hào)人工智能而專注于機(jī)器人移動(dòng)和求生等基本的工程問題。他們的工作再次關(guān)注早期控制論研究者的觀點(diǎn)，同時(shí)提出了在人工智能中使用控制理論。這與認(rèn)知科學(xué)領(lǐng)域中的表征感知論點(diǎn)是一致的：更高的智能需要個(gè)體的表征（如移動(dòng)，感知和形象）。

• 計(jì)算智能

1980年代中大衛(wèi)·魯姆哈特（David E. Rumelhart）等再次提出神經(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義。這和其他的子符號(hào)方法，如模糊控制和進(jìn)化計(jì)算，都屬于計(jì)算智能學(xué)科研究范疇。

• 統(tǒng)計(jì)學(xué)方法

1990年代，人工智能研究發(fā)展出復(fù)雜的數(shù)學(xué)工具來解決特定的分支問題。這些工具是真正的科學(xué)方法，即這些方法的結(jié)果是可測量的和可驗(yàn)證的，同時(shí)也是近期人工智能成功的原因。共享的數(shù)學(xué)語言也允許已有學(xué)科的合作（如數(shù)學(xué)，經(jīng)濟(jì)或運(yùn)籌學(xué)）。

Stuart J. Russell和Peter Norvig指出，這些進(jìn)步不亞于“革命”和“簡約派（neats）的成功”。有人批評(píng)這些技術(shù)太專注于特定的問題，而沒有考慮長遠(yuǎn)的強(qiáng)人工智能目標(biāo)。

集成方法

• 智能主體范式

智能主體是一個(gè)會(huì)感知環(huán)境并作出行動(dòng)以達(dá)致目標(biāo)的系統(tǒng)。最簡單的智能主體是那些可以解決特定問題的程序。更復(fù)雜的主體包括人類和人類組織（如公司）。

這些范式可以讓研究者研究單獨(dú)的問題和找出有用且可驗(yàn)證的方案，而不需考慮單一的方法。一個(gè)解決特定問題的主體可以使用任何可行的方法，一些主體用符號(hào)方法和邏輯方法，一些則是子符號(hào)神經(jīng)網(wǎng)絡(luò)或其他新的方法。范式同時(shí)也給研究者提供一個(gè)與其他領(lǐng)域溝通的共同語言，如決策論和經(jīng)濟(jì)學(xué)，也使用抽象主體（abstract agents）的概念。1990年代，智能主體范式被廣泛接受。

• 主體體系結(jié)構(gòu)和認(rèn)知體系結(jié)構(gòu)：

研究者設(shè)計(jì)出一些系統(tǒng)，來處理多主體系統(tǒng)中智能主體之間的相互作用。一個(gè)系統(tǒng)中包含符號(hào)和子符號(hào)部分的系統(tǒng)，稱為混合智能系統(tǒng)，而對(duì)這種系統(tǒng)的研究則是人工智能系統(tǒng)集成。分級(jí)控制系統(tǒng)則給反應(yīng)級(jí)別的子符號(hào)AI和最高級(jí)別的傳統(tǒng)符號(hào)AI提供橋梁，同時(shí)放寬了規(guī)劃和世界建模的時(shí)間。

7

人工智能的實(shí)際應(yīng)用包括：

機(jī)器視覺、指紋識(shí)別、人臉識(shí)別、視網(wǎng)膜識(shí)別、虹膜識(shí)別、掌紋識(shí)別、專家系統(tǒng)、自動(dòng)規(guī)劃等。

人工智能的應(yīng)用領(lǐng)域包括：

智能控制，機(jī)器人學(xué)，自動(dòng)化技術(shù)，語言和圖像理解，遺傳編程，法學(xué)信息系統(tǒng)，下棋，醫(yī)學(xué)領(lǐng)域。

人工智能是一門邊緣學(xué)科，屬于自然科學(xué)和社會(huì)科學(xué)的交叉。

人工智能的學(xué)科范疇包括：

認(rèn)知科學(xué)，數(shù)學(xué)及統(tǒng)計(jì)學(xué)，物理學(xué)，邏輯學(xué)，控制論及決定論，社會(huì)學(xué)，犯罪學(xué)及智能犯罪學(xué)。

人工智能的研究范疇包括：

自然語言處理（NLP; Natural Language Processing）

知識(shí)表現(xiàn)（Knowledge Representation）

智能搜索（Intelligent Search）

推理（Reasoning）

規(guī)劃（Planning）

機(jī)器學(xué)習(xí)（Machine Learning）

增強(qiáng)式學(xué)習(xí)（Reinforcement Learning）

知識(shí)獲?。↘nowledge acquisition）

感知問題（Perception Problems）

模式識(shí)別（Pattern Recognition）

邏輯程序設(shè)計(jì)（Logic Programming）

軟計(jì)算（Soft Computing）

不精確和不確定的管理（Imprecision and Uncertainty Management）

人工生命（Artificial Life）

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）

復(fù)雜系統(tǒng)（Complex System）

遺傳算法（Genetic Algorithm（GA））

數(shù)據(jù)挖掘（Data Mining）

模糊控制（Fuzzy Control）。

8

1997年5月11日，深藍(lán)成為戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫的第一個(gè)計(jì)算機(jī)系統(tǒng)。

2005年，Stanford開發(fā)的一臺(tái)機(jī)器人在一條沙漠小徑上成功地自動(dòng)行駛了131英里，贏得了DARPA挑戰(zhàn)大賽頭獎(jiǎng)。

2009年，藍(lán)腦計(jì)劃聲稱已經(jīng)成功地模擬了部分鼠腦。

2011年，IBM沃森參加《危險(xiǎn)邊緣》節(jié)目，在最后一集打敗了人類選手。

2016年3月，AlphaGo擊敗李世石，成為第一個(gè)不讓子而擊敗職業(yè)圍棋棋士的電腦圍棋程式。

2017年5月，AlphaGo在中國烏鎮(zhèn)圍棋峰會(huì)的三局比賽中擊敗當(dāng)時(shí)世界排名第一的中國棋手柯潔。

這些成就的取得并不是因?yàn)榉妒缴系母锩?。它們?nèi)匀皇枪こ碳夹g(shù)的復(fù)雜應(yīng)用，但是計(jì)算機(jī)性能已經(jīng)今非昔比了。事實(shí)上，深藍(lán)計(jì)算機(jī)比克里斯多福·斯特雷奇（Christopher Strachey）在1951年用來下棋的Ferranti Mark 1快一千萬倍。這種劇烈增長可以用摩爾定律描述：計(jì)算速度和內(nèi)存容量每兩年翻一番。計(jì)算性能上的基礎(chǔ)性障礙已被逐漸克服。

現(xiàn)在，最先進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在某些領(lǐng)域已經(jīng)能夠達(dá)到甚至超過人類平均準(zhǔn)確率，例如在計(jì)算機(jī)視覺領(lǐng)域，特別是一些具體的任務(wù)上，比如MNIST數(shù)據(jù)集（一個(gè)手寫數(shù)字識(shí)別數(shù)據(jù)集）、交通信號(hào)燈識(shí)別等。再如游戲領(lǐng)域，Google的deepmind團(tuán)隊(duì)研發(fā)的AlaphaGo，在問題搜索復(fù)雜度極高的圍棋上，已經(jīng)打遍天下無敵手。

那么，人工智能的未來會(huì)如何發(fā)展？

牛津大學(xué)人類未來研究院的院長，哲學(xué)家和超人類主義學(xué)家尼克?波斯特洛姆所預(yù)言的超級(jí)智能會(huì)被人類創(chuàng)造出來嗎？

史蒂芬·霍金、比爾·蓋茨、馬斯克等人的擔(dān)憂會(huì)變成事實(shí)嗎？

人工智能是天使還是滅霸？人工智能真的會(huì)成為壓垮人類的最后一根稻草嗎？

誰也無法預(yù)知。

正如美國哲學(xué)家、作家及認(rèn)知科學(xué)家Daniel C. Dennett教授在《人工智能會(huì)有意識(shí)嗎？問題問錯(cuò)了》一文中所陳述的那樣：“.......所以我們在創(chuàng)造的（人工智能）并不是——也不應(yīng)該是——有意識(shí)的類人主體，而是一種全新的存在?；蛟S它們更像圣人，沒有良心，不懼死亡，不受愛與恨干擾，沒有性格（但是各種各樣的弱點(diǎn)和怪癖無疑將被認(rèn)作該系統(tǒng)的“個(gè)性”）：真理的盒子里（如果我們足夠幸運(yùn)）幾乎總是散落著各種錯(cuò)誤。

與人工智能一起生活，我們很難不去分心想象它們會(huì)以何種奇特的方式奴役（字面意義上的）我們。人對(duì)人的用處很快將被再一次永久的改變，但我們可以把握這個(gè)改變的方向；如果我們對(duì)人類前進(jìn)的道路負(fù)起責(zé)任，就能避開危險(xiǎn)?！?/strong>