【中國傳動網 行業動態】 近兩年，隨便問個路人什么最火，答案一定是人工智能（AI）。甚至有研究者直言：“我做了這么多年模式識別(圖像、聲音等識別技術)，都不敢稱自己是做人工智能。而在AlphaGo之后，現在隨便個和識別搭邊的都稱自己是搞人工智能了。”

“人工智能”其實緣起1956年達特茅斯學院召開的夏季研討會，麥卡錫對這次研討會命名為“人工智能夏季研討會”(SummerResearchProjectonArtificialIntelligence)，此后人工智能迎來了初生的太陽，可以說是傳統人工智能的黃金時期。

在高潮后的質疑聲中，人工智能迎來了多個寒冬，其中不乏是計算資源短缺的原因，還有曾成功預測線性模型的perception(感知機)無法預測異或的邏輯的致命缺陷，另外第二次寒冬出現于1990年政府縮減對AI計算機的投入。

然而在2006年JeffHinton提出“深度學習”的神經網絡的方法后，人工智能又進入了另一個春天。如今“人工智能”已經普遍走進中國大學校園，初創企業甚至手機鏡頭里。

所有創業項目都稱與AI相關，人工智能工程師身價也隨之水漲船高，年薪可50萬起跳。而由學術界人士主導的人工智能項目，往往會將學術界“刷論文”的風氣帶到公司領域。

在媒體中，我們經常能聽到某家AI公司又取得了“突破性”進展，其實這些突破性進展往往完全是難以落地的學術字眼。

在熱潮下的人會跟風學習，不禁重新審視對人工智能的看法，整理出了網上現在傳播最為廣泛的人工智能所存在的十大問題：

1.我們被圖靈對智能的定義所束縛了。圖靈有關智能構想很著名，他將智力限制為一種和人類進行語言游戲的解決方案。具體來說，圖靈將智能設定為(1)游戲的解決方案，(1)將人類置于判斷的位置。這個定義非常具有迷惑性，并很適合人工智能領域。狗，猴子，大象，甚至嚙齒類動物都是非常聰明的生物，但它們沒有語言，因此也不可能通過圖靈測試。

2.人工智能的核心問題莫拉維克悖論（Moravec'sparadox）。莫拉維克悖論的核心論點是，現實中最簡單的問題比最復雜的游戲更難解。我們沉迷于令AI在游戲中超越人類(以及其他受限且定義明確的話語領域，如數據集)，將其作為智能的指標，作為一種與圖靈測試一致的標準。我們完全忽略這樣一個事實：對智能的最終判斷由現實本身，而不是由一個人類組成的委員會作出。

3.我們的模型甚至可能起作用，但往往是出于錯誤的原因。其他文章詳細闡述過這點，深度學習就是一個很好的例子。深度學習顯然已經解決了物體識別問題，但是大量研究表明，深度神經網絡能識別物體的原因與人類能觀察到物體的原因大不相同。對于用圖靈測試精神欺騙人類的人來說，這可能并不重要。但對于關注人工智能體處理非預期(域外)現實的能力的人來說，這是至關重要的。

4.現實不是游戲。智能是一種機制，它會進化以令智能體能夠解決問題。由于智能是一種輔助我們玩“規則不斷變化的游戲”的機制，因此作為一種副作用，它能讓我們玩有一套固定規則的實際游戲也就不足為奇了。但反過來就不成立了：構建在玩固定規則游戲時勝過人類能力的機器，跟構建一個能夠玩“規則不斷變化的游戲”的系統差得遠了。

5.物理現實中有一些規則是不變的——即物理定律。我們用語言描述他們，并利用它們來做預測，從而建立文明。但是為了在這個物理環境中行動，這個星球上的每一種生物體都掌握了這些定律，并不需要語言。小孩子在學會牛頓運動定律之前，就知道蘋果會從樹上掉下來。

6.我們的視覺統計模型其實是非常不足的，因為它們僅依賴于某一時間的事物和人類指定的抽象標簽進行識別。深度神經網絡能夠看到數以百萬計的蘋果掛在樹上的圖像，但永遠不可能發現萬有引力定律(以及許多對我們來說很顯然的東西)。

7.常識的困難之處在于它對我們而言是在太顯而易見了，甚至很難用語言去描述它，進而在數據中給它打標簽。對于所有“顯而易見”的東西，我們存在巨大的盲點。因此，我們無法教計算機常識，不僅因為這可能不切實際，更根本的原因是我們甚至沒有意識到“常識”是什么。直到我們發現機器人做了一些很愚蠢的事情，我們才頓悟：“哦，原來它不懂......[這里可以填任何顯而易見的常識]”。

8.如果我們想解決“莫拉維克的悖論”(應該是當今任何嚴肅的AI工作的焦點)，我們就多少需要模仿生物體純粹依靠觀察世界學習的能力，而不需要標簽。實現這一目標的一個有希望的想法是構建一個系統，對未來的事件進行預測，并通過將實際的發展與系統的預測進行比較來學習。大量的實驗表明，這確實是生物大腦中發生的事情，并且從許多角度來看這樣做都很有意義，因為這些系統必須要學習物理定律。預測視覺模型(predictivevisionmodel)是朝這個方向邁出的一步，但肯定不是最后一步。

9.我們迫切需要在圖靈的定義之外定義“智能”的特征。一個不錯的想法來自非平衡態熱力學(non-equilibriumthermodynamics)，并與預測假設一致。我們需要這樣做，因為我們需要構建智能體，這些智能體肯定通不過圖靈測試(因為它們沒有語言智能)，但我們需要一個框架來衡量我們的進展。

10.我們今天所做的幾乎所有稱之為AI的事情，都是可以用語言表達的某種形式的自動化。在許多領域，這些所謂AI可能有用，但這與用Excel取代紙質表格來幫助會計師，實際上沒有什么不同。有問題(并且問題始終存在)的領域是自主(autonomy)。自主不是自動化(automation)。自主不僅僅意味著自動化。如果是要求比人類更安全的自主的話，那么它意味著更多，比如說自動駕駛汽車。自主應該是廣義智能的同義詞，因為它假設能夠處理意外的、未經訓練的，未知的事物。

在Alphago打敗李世石的時候，我們都為人工智能迅猛發展感到開心，但是同時有些人也會對其未來發展感到緊張不安。而真正需要我們思考的是，人工智能給我們帶來什么。

當我們說的話可以迅速被翻譯成另一種語言，當我們可以搜索、轉錄與總結數小時的視頻，當汽車可以自動駕駛、貨運成本急劇下降......人工智能對未來的影響值得拭目以待！