什么是人工智能

定义:什么是人工智能?

人工智能 (Artificial Intelligence, AI) 是当前全球最热门的话题之一,是21世纪引领世界未来科技领域发展和生活方式转变的风向标。

人们总是把人工智能和电影想到一起,星球大战、终结者、复仇者联盟等等,但其实真正意义上的人工智能并不是电影中的样子。

人工智能是个很宽泛的话题,从手机上的智能语音助理到无人驾驶汽车,到智能音箱、智能家居,未来可能你能想到的东西都可以与人工智能相结合;

人工智能的定义

  • 人工智能的一种定义:《人工智能,一种现代的方法》笔记:人工智能是类人思考、类人行为,理性的思考、理性的行动。人工智能的发展,经过了孕育、诞生、早期的热情、现实的困难等数个阶段;

  • 人工智能的另一种定义:人工智能是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学,它是计算机科学的一个分支;

人工智能是一门什么科学?

人工智能科学的主旨是研究和开发出智能实体,‍‍在这一点上它属于工程学。基础学科涉及数学、逻辑学、归纳学、统计学,‍‍系统学、控制学‍‍、工程学、计算机科学‍‍,还包括对哲学、心理学、生物学、神经科学、认知科学‍‍、仿生学‍‍、经济学‍‍、语言学‍‍等其它学科的研究‍‍,可以说‍‍这是一门‍‍集数门学科精华的‍‍尖端学科中的尖端学科——因此说人工智能是一门综合学科。‍

人工智能是一门综合学科

图灵测试验证人工智能

图灵测试(The Turing test)由艾伦·麦席森·图灵发明,指测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。进行多次测试后,如果有超过30%的测试者不能确定出被测试者是人还是机器,那么这台机器就通过了测试,并被认为具有人类智能。

更多图灵测试见:图灵测试

传统软件 VS 人工智能

传统软件是「if-then」的基本逻辑,人类通过自己的经验总结出一些有效的规则,然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界,因为所有规则都是人类制定的。

简单的说:传统软件是「基于规则」的,需要人为的设定条件,并且告诉计算机符合这个条件后该做什么。

这种逻辑在处理一些简单问题时非常好用,因为规则明确,结果都是可预期的,程序员就是软件的上帝。

但是现实生活中充满了各种各样的复杂问题,这些问题几乎不可能通过制定规则来解决,比如人脸识别通过规则来解决效果会很差。

传统软件基于规则逻辑
传统软件基于规则逻辑

人工智能现在已经发展出很多不同分支,技术原理也多种多样,这里只介绍当下最火的深度学习。

深度学习的技术原理跟传统软件的逻辑完全不同:

机器从「特定的」大量数据中总结规律,归纳出某些「特定的知识」,然后将这种「知识」应用到现实场景中去解决实际问题。

这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像传统软件一样,可以直观精确的表达出来。它更像人类学习到的知识一样,比较抽象,很难表达。

人工智能从数据中归纳知识人工智能从数据中归纳知识

人工智能是一种工具

AI 跟我们使用的锤子、汽车、电脑……都一样,其本质都是一种工具。

工具必须有人用才能发挥价值,如果他们独立存在是没有价值的,就想放在工具箱里的锤子一样,没有人挥舞它就没有任何价值。

人工智能是一种工具
人工智能是一种工具

人工智能这种工具之所以全社会都在说,是因为它大大扩展了传统软件的能力边界。之前有很多事情计算机是做不了的,但是现在人工智能可以做了。

归功于摩尔定律,计算机的能力呈指数级的上涨,只要是计算机能解参与的环节,生产力都得到了大幅提升,而人工智能让更多的环节可以搭上摩尔定律的快车,所以这种改变是意义非凡的。

但是不管怎么变,传统软件和人工智能都是工具,是为了解决实际问题而存在的。这点并没有变化。

人工智能目前只解决特定问题

《终结者》《黑客帝国》…很多电影里都出现了逆天的机器人,这种电影让大家有一种感觉:人工智能好像是无所不能的。

实际情况是:现在的人工智还处在单一任务的阶段。

人工智能截目2022年,只能处理单一任务人工智能截目2022年,只能处理单一任务

单一任务的模式。

打电话用座机、玩游戏用游戏机、听音乐用MP3、开车用导航…

多任务模式

这个阶段类似智能手机,在一台手机上可以安装很多 App,做很多事情。

但是这些能力还是相互独立的,在旅行App上定好机票后,需要自己用闹钟App定闹钟,最后需要自己用打车App叫车。多任务模式只是单一任务模式的叠加,离人类智慧还差的很远。

融会贯通

你在跟朋友下围棋,你发现朋友的心情非常不好,你本来可以轻松获胜,但是你却故意输给了对方,还不停的夸赞对方,因为你不想让这个朋友变得更郁闷,更烦躁。

在这件小事上,你就用到了多种不同的技能:情绪识别、围棋技能、交流沟通、心理学…

但是大名鼎鼎的 AlphaGo 绝对不会这么做。不管对方处在什么情况下,哪怕输了这盘棋会丧命,AlphaGo 也会无情的赢了这场比赛,因为它除了下围棋啥都不会!

只有将所有的知识形成网状结构,才能做到融会贯通。例如:商业领域可以运用军事上的知识,经济学也可以用到生物学的知识。

知其然,但不知所以然

当下的人工智能是从大量数据中总结归纳知识,这种粗暴的「归纳法」有一个很大的问题是:并不关心为什么

归纳知识,知其然,不知其所以然归纳知识,知其然,不知其所以然

庞氏骗局类的诈骗手段就充分利用了这一点!

  • 它利用超高的回报来吸引韭菜,然后让早起参与的所有人都转到钱;

  • 当旁观者发现所有参与者都真实赚到了钱,就简单的归纳为:历史经验说明这个靠谱;

  • 于是越来越多的人眼红,加入,直到有一天骗子跑路。

当我们用逻辑来推导一下这个事情就能得出骗子的结论:

  • 这么高的回报并不符合市场规律;

  • 稳赚不赔?我不需要承担高回报的高风险?好像不太合理;

  • 为什么这么好的事情会落在我头上?好像不太对劲。

正是因为当下的人工智能是建立在「归纳逻辑」上的,所以也会犯很低级的错误

AI犯的低级错误AI犯的低级错误

  • 左:摩托车的遮挡让 AI 把一只猴子误认为人类。

  • 中:自行车的遮挡让 AI 把猴子误认为人类,同时丛林背景导致 AI 将自行车把手误认为是鸟。

  • 右:吉他把猴子变成了人,而丛林把吉他变成了鸟

上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类,同时将吉他误认为鸟,大概是因为它认为人类比猴子更可能携带吉他,而鸟类比吉他更可能出现在附近的丛林中。

也正是因为归纳逻辑,所以需要依赖大量的数据。数据越多,归纳出来的经验越具有普适性。

人工智能的四大技术分支

模式识别

是指对表征事物或者现象的各种形式(数值的文字、逻辑的关系等等)信息进行处理分析,以及对事物或现象进行描述分析分类解释的过程,例如汽车车牌号的辨识,涉及到计算机视觉、图像处理分析等技术;

机器学习

研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构是指不断完善自身的性能,或者达到操作者的特定要求,含机器学习和深度学习;

数据挖掘和推理

知识库的知识发现,通过算法搜索挖掘出有用的信息,应用于市场分析、科学探索、疾病预测等等;

智能算法

解决某类问题的一些特定模式算法,例如我们最熟悉的最短路径问题,以及工程预算问题等等。算法是机器学习和数据处理的基础,是数学在计算机上应用的实际落地。

人工智能的分层

人工智能分层:弱人工智能、强人工智能、超人工智能
人工智能分层:弱人工智能、强人工智能、超人工智能


弱人工智能

弱人工智能 (Artificial Narrow Intelligence, ANI) 是擅长与单个方面的人工智能,比如有能战胜象棋世界冠军的人工智能,但是它只会下象棋,你要问它怎样更好地在硬盘上存储数据,它就不知道怎么回答你了;

一些场景的弱人工智能例子 :

  • 谷歌,一个巨大的搜索热人工智能;

  • 智能手机,弱人工智能系统;

  • 智能汽车,很多已经安装了控制汽油渗入,控制防抱死系统的电脑等;

  • 垃圾邮箱过滤器也是经典的弱人工智能。

强人工智能

强人工智能 (Artificial General Intelligence, AGI) ,是人类级别的人工智能,强人工智能是指在各方面都能和人类比肩的人工智能,人类能干的脑力活它都能干。

创造强人工智能比创造弱人工智能要难得多,我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念,快速学习和从经验中学习等操作”。强人工智能在进行这些操作时,应该和人类一样得心应手;

超人工智能

超人工智能 (Artificial Super Intelligence, ASI),牛津哲学家,知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多,包括科技创新、通识和社交技能”。

超人工智能可以是各方面都比人类强一点,也可以是各方面都比人类强万亿倍,超人工智能也正是为什么人工智能这个话题这么火热的缘故,同样也是为什么永生和灭绝这两个词会在本文中多次出现。

硬件上,运算速度往着几何级的速度增长;容量和存储空间也会迅速提升,远超人类,而且不断拉开距离;可靠性、持续性,不会疲惫,能持续不断的思考;

软件上,可编辑性、升级性,以及更多的可能性。

和人脑不同,电脑软件可以进行更多的升级和修正,并且很容易做测试,另外一个则是集体能力,人类的集体智能是我们统治其它物种的重要原因之一,而电脑在这方面比我们要强得很多,一个运行特定程序的人工智能网络能够经常在全球范围内自我同步,这样一台电脑学到的东西会立刻被其它所有电脑学得,而电脑集群可以共同执行同一个任务,因为异见、动力、自利这些人类特有的东西未必会出现在电脑身上。

弱人工智能到强人工智能有多难?

弱人工智能已经实现了,强人工智能还有一段路要走。那么目前究竟遇到了哪些困难呢?

一个大困难:人类的大脑是我们所知宇宙中最复杂的东西,至今我们都还没完全搞清楚;

可以简单解决的:可简单解决的造一个能在瞬间算出10位数乘法的计算器;

目前比较难以解决的:选一个能分辨出一个动物是猫还是狗的计算机;

已经成功的:造一个能战胜世界象棋冠军的电脑;

还没做出来的:谷歌目前花了几十亿美元在做一个能够读懂六岁小朋友的图片书中的文字,并且了解那些词汇意思的电脑;

逻辑容易感知难:一些我们觉得困难的事情——微积分,金融市场策略、翻译等等,对于电脑来说都太简单了;而且我们觉得容易的事情——视觉、动态、转移、直觉——对电脑来说太难了;

计算机科学家Donald Knuth:人工智能已经在几乎所有需要思考的领域超过了人类,但是在那些人类和其它动物不需要思考就能完成的事情上还差得很远;

人工智能的一个典型目标例子:要想达到人类级别的智能电脑,电脑必须要理解更高深的东西,比如微小的脸部表情变化,开心、放松、满足、满意、高兴这些类似情绪间的区别,以及为什么《布达佩斯大饭店》是好电影,而《富春山居图》是烂电影。

弱人工智能的前进方式

弱人工智能已经实现了,强人工智能还有一段路要走。那么目前究竟遇到了哪些困难呢?

第一步:增加电脑处理速度:

要达到强人工智能,肯定要满足的就是电脑硬件的运算能力,如果一个人工智能要像人脑一般聪明,他至少要能达到人脑的运算能力。从电脑的发展速度来看,预计到了2025年就能花1000美元买到可以和人脑运算速度抗衡的电脑了;

第二步:让电脑变得更智能:

  • 抄袭人脑

参考人脑范本做一个复杂的人工神经网络,科学界正在努力逆向工程人脑,来理解生物进化是怎么造出这个神奇的东西的,乐观的估计是我们在2030年之前能够完成这个任务,我们已经能模拟小虫子的大脑了,蚂蚁的大脑也不远了,接着就是老鼠的大脑,到那时模拟人类大脑就不是那么不现实的事情了;

  • 模仿生物演化

除了抄袭人了,也可以像制造飞机、模拟小鸟那样模拟类似的生物形式。不全部复制,包括部分人工的设计干预,因为人类主导的演化会比自然快很多很多,但是我们依然不清楚这些优势是否能使演化模拟成为可行的策略。

  • 让电脑来解决这些问题

如果抄学霸的答案和模拟学霸备考的方法都走不通,那就干脆让考题自己解答自己吧。这种想法很无厘头,却是最有希望的一种。

总的思路是我们建造一个能进行两项任务的电脑——研究人工智能和修改自己的代码,这样他就不只能改进自己的架构了,我们直接把电脑变成了电脑科学家,提高电脑的智能就变成了电脑自己的任务,前期会很慢,但一旦上路,后面会飞速发展。

强人工智能到超级人工智能之路

如果强人工智能时代来临,地球将是一幅怎样的景象呢?

强人工智能时代

  • 人类统治地球观

人类对于地球的统治教给我们一个道理——智能就是力量,也就是说一个超人工智能,一旦被创造出来,将是地球有史以来最强大的东西,而所有生物,包括人类都只能屈居于其下——而这一切有可能在未来几十年就发生。当一个超人工智能出生的时候,对我们来说,就像一个全能的上帝降临地球一般;

  • 递归的自我改进概念

一个运行在特定智能水平的人工智能,比如说脑残人类水平,有自我改进的机制,当它完成一次自我改进后,她比原来更加聪明了,我们假设它到了爱因斯坦水平,而这个时候它继续进行自我改进,然而现在它有了爱因斯坦水平的智能,所以这次改进会比上一次更加容易,效果也更好。

第二次的改进使它比爱因斯坦还要聪明很多,但它接下来的改进进步更加明显。如此反复,这个强人工智能的智能水平越长越快,直到它达到了超人工智能的水平——这就是智能爆炸,也是加速回报定律的终极体现;

  • 以下的情景可能会发生

一个人工智能系统,花了几十年时间到达了人类脑残智能水平,而这个节点发生的时候,电脑对于世界的感知大概和一个四岁小孩一般;而这个节点后一个小时,电脑立马推导出了统一广义相对论和量子力学的物理理论;而在这之后一个半小时,这个超人工智能变成了超人工智能,智能达到了普通人类的17万倍;

科技大佬警惕人工智能的原因:现在很多科技大佬包括科学家都在提出警惕人工智能,要建立和完善法律法规,目的就是担心未来人类会因此毁灭。

那些在我们看来超自然的只属于全能的上帝的能力,对于一个超人工智能来说,可能就像按下一个电灯开关那么简单,防止人类衰老、治疗各种不治之症、解决世界饥荒、甚至让人类永生、操纵气候来保护地球未来什么的,这一切都将变得可能,同样可能的是地球上所有生命的终结。

现人工智能的能力边界是什么?

如果在深入一点,从理论层面来解释 目前AI 的能力边界,就要把图灵大师搬出来了。图灵在上世纪30年代中期,就在思考3个问题:

  1. 世界上是否所有数学问题都有明确的答案?

  2. 如果有明确的答案,是否可以通过有限的步骤计算出答案?

  3. 对于那些有可能在有限步骤计算出来的数学问题,能否有一种假象的机械,让他不断运动,最后当机器停下来的时候,那个数学问题就解决了?

图灵还真设计出来一套方法,后人称它为图灵机。今天所有的计算机,包括全世界正在设计的新的计算机,从解决问题的能力来讲,都没有超出图灵机的范畴。

通过上面的3个问题,图灵已经划出了界限,这个界限不但适用于今天的 AI ,也适用于未来的 AI 。

下面我们再进一步把边界清晰的描述一下:

人工智能目前(截止2022年)能解决问题范围人工智能目前(截止2022年)能解决问题范围

  • 世界上有很多问题,只有一小部分是数学问题;

  • 在数学问题里,只有一小部分是有解的;

  • 在有解的问题中,只有一部分是理想状态的图灵机可以解决的;

  • 在后一部分(图灵机可解决的部分),又只有一部分是今天的计算机可以解决的;

  • 而 AI 可以解决的问题,又只是计算机可以解决问题的一部分。

在一些特定场景中, AI 可以表现的很好,但是在大部分场景中,AI在形成自己的意识前没有什么用。

人工智能会让你失业吗?

这个问题是大家最关心的问题,也是对每一个个体影响最大的问题。所以单独拿出来说一下。

首先,人工智能替代「部分人类的行为」是必然的趋势,每一项新技术或者新发明都会替代一部分劳动力:

  • 报时间的工作——表

  • 拉人力车的工作——汽车

  • 挖井的工作——钻进机

  • ……

需要注意的是,科技替代的只是某些特定的工作。挖井机只能帮你挖洞,但是无法帮你判断应该在哪里挖洞。

目前的人工智能也是如此,它并不是针对某些职业或者某些人,而是替代一些具体的劳动行为。

其次,失业的同时会出现更好新职业,几次技术革命的历史告诉我们,虽然新技术的出现导致了部分人失业,但是同时也会产生很多新的职业。被替代的工作往往是低效的,而创造出来的工作往往更高效。想想拉人力车,再想想开汽车。

当人工智能解放了一部分劳动力,这部分劳动力就可以做更有价值,更有意思的事情。你应该主动去学习AI,成为最早会用AI的人,成为能把AI用好的人,想想20年前会使用电脑和网络的人,他们在那时代是非常稀缺的,所以他们赚到了互联网时代的红利。同样的道理,智能时代的红利将属于会用AI的人。

哪些工作会被人工智能替代?

李开复提出过一个判断依据:

如果一项工作,它做决策的时间在 5 秒钟以内,那么大概率是会别人工智能取代的。

哪些特点的工作容易被人工智能取代哪些特点的工作容易被人工智能取代

这种工作有4个特点:

  1. 做决策所需要的信息量不大

  2. 做决策的过程并不复杂,逻辑简单

  3. 能独自完成,不需要协作

  4. 重复性工作

不容易被人工智能取代的工作特点
不容易被人工智能取代的工作特点

科学家总结出了3个人工智能很难替代的技能:

  • 社交智慧(洞察力、谈判技巧、同理心…)

  • 创造力(原创力、艺术审美…)

  • 感知和操作能力(手指灵敏度、协调操作能力、应付复杂环境的能力…)

如何迎接智能时代?

人工智能将像工业时代一样,席卷全球。这种情况下,我们要做的不是逃避,而是拥抱这种变化。下面给大家一些具体的建议:

  • 了解智能时代的底层逻辑和基本原理,不需要学习写代码,但是需要知道可能会发生什么,不可能发生什么。

  • 人工智能未来将像计算机一样渗透到各行各业,你要尽量了解人工智能,学习如何利用他解决现有的问题,成为早期使用人工智能的人。

  • 做好职业规划。不要选择三无职业(不需要社交、不需要创造力、不需要强感知和操作能力)

总结

人工智能的基本原理:机器从「特定的」大量数据中总结规律,形成某些「特定的知识」,然后将这种「知识」应用到现实场景中去解决实际问题。

在这个基本原理的基础上,有3个特征:

  1. 人工智能本质上是一种工具

  2. 人工智能技能只能解决特定的问题,而不是什么都能做

  3. 人工智能属于归纳逻辑,可以告诉你是什么,但是不能告诉你为什么

人工智能分为3个级别:

  • 弱人工智能

  • 强人工智能

  • 超人工智能

在失业问题上,人工智能的确会替代部分人类的工作,不过在替代的同时也会出现一些新的更有价值的工作。未来不容易被人工智能替代的技能有3点:

  1. 社交智慧(洞察力、谈判技巧、同理心…)

  2. 创造力(原创力、艺术审美…)

  3. 感知和操作能力(手指灵敏度、协调操作能力、应付复杂环境的能力…)

「附」人工智能(AI)编年史

参考文献

License:  CC BY 4.0

©2024 AI全书. Some rights reserved.