A. 从深蓝到“阿法狗”，人工智能进步了多少

自AlphaGo以5:0战胜樊麾，又登上《自然》封面后，越来越多的人开始了解的人工智能机器AlphaGo。姚晨等明星对于“人机大战”的关注更是使其家喻户晓。近日“阿法狗”又4:1战胜职业围棋选手李世石，跻身世界围棋排名第四位，攻下了人类最后的骄傲——围棋。
1997年是人类第一次败给人工智能，深蓝以2胜1负3平战胜国际象棋第一名卡斯帕罗夫。
深蓝所运用的战术是“蛮算”。它运用并行计算系统，有32个微处理器，可同时执行多个指令，以提高计算速度来解决大型复杂的计算问题。97年时深蓝已经可以预测到12步之后，而卡斯帕罗夫只能预测到10步之后。凭借快速而又复杂的运算，深蓝赢得了国际象棋世界第一的位置。
深蓝说来并不算非常智能，但IBM公司的另一个超级电脑，深蓝的同门师弟沃森则算是比较智能了。
沃森致力于深度自然语言处理技术的研究，建立与人类回答问题水平相当的计算系统。沃森也像深蓝一样输入存储了很多数据，但沃森具有逻辑推理的程序，可以推理出它认为最正确的答案。
与师兄相同，沃森也曾击败人类冠军。沃森参加了智力问答节目《危险边缘》对战两位人类冠军且轻松取胜。不仅是由于沃森存储了大量的数据，它可以在3秒内搜索上百万条信息并用人类的语言来输出处理结果，而且可以分析题目的含义，讽刺语气等。还能根据自己的情况，擅长领域，对手实力等情况分析是否要选择抢答。
但现有的人工智能多是对于人类直观思维的模拟研究，沃森就很难理解语言中的微妙含义，对于输入的俚语等内容常分析错误导致滥用，坚持“中文屋”的哲学家塞尔认为沃森与其他电脑一样，只能处理文字符号，并不能真正理解他们的含义。
深蓝是做大规模的计算，是人类数学能力的体现，沃森是语言处理做到理解输出人类语言的程度。家喻户晓的阿法狗则是机器学习。
围棋AI一直发展不顺利，较强的业余选手都无法打败，国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有361种落子，一盘棋可以长达150回合。这使得围棋无法运用复杂的计算来获胜。
阿法狗则选择了模拟人类大师下棋。阿法狗有两个“大脑”，通过“价值网络”来评估局势，通过“策略网络”来选择落子。“价值网络”主要是通过计算来评估预测赢棋的可能性，“策略网络”则包括对于大师棋局的学习，模拟。
深蓝与阿法狗的不同正在于此，深蓝只是计算评估，阿法狗却可以通过对现有棋局的输入来判断各种情况下最适合的落子位置，再加以上万次的自我对弈来强化学习，这也是许多人评价阿法狗和李世石的棋局中偶尔出现的具有前辈大师风范的落子出现的原因。
阿法狗的学习能力之强也让许多人惊讶不已。在阿法狗刚刚战胜樊麾时，当前世界排名第一的天才围棋少年柯洁便感叹在不清楚哪一方是AI的情况下根本看不出来与人类下棋风格有任何区别。当时柯洁认为阿法狗已经达到了高于业余略低于职业水平的阶段，但今年阿法狗对战职业九段选手李世石时却以4:1完胜。仅仅几个月却提高了这么多，是普通人几年甚至几十年也做不到的。
阿法狗“大脑”所使用的神经网络也是对于人类的一个模拟，模拟人类的直觉思维，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。和人的神经系统相似，小个体聚集起来却拥有复杂的功能。
阿法狗也有不擅长的，例如在与李世石对战的五局之中，第三局才使用了一次“打劫”，十棋七劫，大师级别的棋局里没有出现“打劫”的情况是非常少见的，阿法狗却连续两局避免打劫，李世石没用自己管用的“打劫”可能是因为打劫是需要计算之后的情况的，自认为算不过电脑而放弃。阿法狗不用却是AI并不完美的原因。打劫主要依靠人的逻辑判断，对于人类来说是一件简单易理解的事情，对于AI来说逻辑是相当复杂的，需要在每一次都考虑打劫问题而使运算量翻很多倍，于是阿法狗尽量避免考虑打劫问题。
阿法狗的成功也让许多人担心会出现奴役人类的“天网”一样的强人工智能，而从深蓝到“阿法狗”，人工智能进步了多少？反对继续发展AI。但目前的AI都是弱人工智能，且都需要人工干预，并不能像人脑一样独立的输入，处理，输出数据。而且神经网络也是在模拟人类的直观思维，抽象思维和直觉方面暂无研究，还有人类最复杂的情感也无从下手，对于自己大脑都只是一知半解的我们还无法涉足强人工智能领域，至于拥有自我保护意识，反抗人类等情感的AI，应当是不会出现的吧。当一个AI完全独立，不需要人工干预还可以干预人类生活时，它便需要考虑耗能问题了。我们总是长胖容易减肥难，胰岛素分泌的同时胰高血糖素立刻停止分泌，方便多储存能量，胰高血糖素分泌时，胰岛素也同时分泌，来以防消耗的糖类过多，这些都是身体希望多储存能量以供消耗。当AI需要考虑耗能问题时，估计就不会想要费很大力气去压迫消灭发展进化很多年同样很智能的人类了。反正如果我是需要考虑耗能的强人工智能，我一定节省能量不去做这种“中二”的事。

B. 当今世界，最强人工智能是阿法吗

自AlphaGo以5:0战胜樊麾，又登上《自然》封面后，越来越多的人开始了解Google的人工智能机器AlphaGo。姚晨等明星对于“人机大战”的关注更是使其家喻户晓。近日“阿法狗”又4:1战胜职业围棋选手李世石，跻身世界围棋排名第四位，攻下了人类最后的骄傲——围棋。
1997年是人类第一次败给人工智能，深蓝以2胜1负3平战胜国际象棋第一名卡斯帕罗夫。
深蓝所运用的战术是“蛮算”。它运用并行计算系统，有32个微处理器，可同时执行多个指令，以提高计算速度来解决大型复杂的计算问题。97年时深蓝已经可以预测到12步之后，而卡斯帕罗夫只能预测到10步之后。凭借快速而又复杂的运算，深蓝赢得了国际象棋世界第一的位置。
深蓝说来并不算非常智能，但IBM公司的另一个超级电脑，深蓝的同门师弟沃森则算是比较智能了。
沃森致力于深度自然语言处理技术的研究，建立与人类回答问题水平相当的计算系统。沃森也像深蓝一样输入存储了很多数据，但沃森具有逻辑推理的程序，可以推理出它认为最正确的答案。
与师兄相同，沃森也曾击败人类冠军。沃森参加了智力问答节目《危险边缘》对战两位人类冠军且轻松取胜。不仅是由于沃森存储了大量的数据，它可以在3秒内搜索上百万条信息并用人类的语言来输出处理结果，而且可以分析题目的含义，讽刺语气等。还能根据自己的情况，擅长领域，对手实力等情况分析是否要选择抢答。
但现有的人工智能多是对于人类直观思维的模拟研究，沃森就很难理解语言中的微妙含义，对于输入的俚语等内容常分析错误导致滥用，坚持“中文屋”的哲学家塞尔认为沃森与其他电脑一样，只能处理文字符号，并不能真正理解他们的含义。
深蓝是做大规模的计算，是人类数学能力的体现，沃森是语言处理做到理解输出人类语言的程度。家喻户晓的阿法狗则是机器学习。
围棋AI一直发展不顺利，较强的业余选手都无法打败，国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有361种落子，一盘棋可以长达150回合。这使得围棋无法运用复杂的计算来获胜。
阿法狗则选择了模拟人类大师下棋。阿法狗有两个“大脑”，通过“价值网络”来评估局势，通过“策略网络”来选择落子。“价值网络”主要是通过计算来评估预测赢棋的可能性，“策略网络”则包括对于大师棋局的学习，模拟。
深蓝与阿法狗的不同正在于此，深蓝只是计算评估，阿法狗却可以通过对现有棋局的输入来判断各种情况下最适合的落子位置，再加以上万次的自我对弈来强化学习，这也是许多人评价阿法狗和李世石的棋局中偶尔出现的具有前辈大师风范的落子出现的原因。
阿法狗的学习能力之强也让许多人惊讶不已。在阿法狗刚刚战胜樊麾时，当前世界排名第一的天才围棋少年柯洁便感叹在不清楚哪一方是AI的情况下根本看不出来与人类下棋风格有任何区别。当时柯洁认为阿法狗已经达到了高于业余略低于职业水平的阶段，但今年阿法狗对战职业九段选手李世石时却以4:1完胜。仅仅几个月却提高了这么多，是普通人几年甚至几十年也做不到的。
阿法狗“大脑”所使用的神经网络也是对于人类的一个模拟，模拟人类的直觉思维，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。和人的神经系统相似，小个体聚集起来却拥有复杂的功能。
阿法狗也有不擅长的，例如在与李世石对战的五局之中，第三局才使用了一次“打劫”，十棋七劫，大师级别的棋局里没有出现“打劫”的情况是非常少见的，阿法狗却连续两局避免打劫，李世石没用自己管用的“打劫”可能是因为打劫是需要计算之后的情况的，自认为算不过电脑而放弃。阿法狗不用却是AI并不完美的原因。打劫主要依靠人的逻辑判断，对于人类来说是一件简单易理解的事情，对于AI来说逻辑是相当复杂的，需要在每一次都考虑打劫问题而使运算量翻很多倍，于是阿法狗尽量避免考虑打劫问题。
阿法狗的成功也让许多人担心会出现奴役人类的“天网”一样的强人工智能，而从深蓝到“阿法狗”，人工智能进步了多少？反对继续发展AI。但目前的AI都是弱人工智能，且都需要人工干预，并不能像人脑一样独立的输入，处理，输出数据。而且神经网络也是在模拟人类的直观思维，抽象思维和直觉方面暂无研究，还有人类最复杂的情感也无从下手，对于自己大脑都只是一知半解的我们还无法涉足强人工智能领域，至于拥有自我保护意识，反抗人类等情感的AI，应当是不会出现的吧。当一个AI完全独立，不需要人工干预还可以干预人类生活时，它便需要考虑耗能问题了。我们总是长胖容易减肥难，胰岛素分泌的同时胰高血糖素立刻停止分泌，方便多储存能量，胰高血糖素分泌时，胰岛素也同时分泌，来以防消耗的糖类过多，这些都是身体希望多储存能量以供消耗。当AI需要考虑耗能问题时，估计就不会想要费很大力气去压迫消灭发展进化很多年同样很智能的人类了。反正如果我是需要考虑耗能的强人工智能，我一定节省能量不去做这种“中二”的事。

C. 人工智能的具体发展历史是什么

【1950-1956年是人工智能的诞生年】
图灵测试1950
Dartmouth 会议1956
（1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。）

【1956-1974 年是人工智能的黄金年】
第一个人工智能程序LT逻辑理论家1958（西蒙和纽维尔）
LISP编程语言1958（约翰麦卡锡）
用于机器翻译的语义网1960（马斯特曼和剑桥大学同事）
模式识别-第一个机器学习论文发表（1963）
Dendral 专家系统1965
基于规则的Mycin医学诊断程序1974

【1974-1980年是人工智能第一个冬天】
人工智能：综合调查1973（来特希尔）
项目失败，列强削减科研经费

【1980-1987年是人工智能繁荣期】
AAAI在斯坦福大学召开第一届全国大会1980
日本启动第五代计算机用于知识处理1982
决策树模型带动机器学习复苏1980中期
ANN及多层神经网络1980中期

【1987-1993年是人工智能第二个冬天】
Lisp机市场崩溃1987
列强再次取消科研经费1988
专家系统滑翔谷底1993
日本第五代机退场1990年代

【1993-现在突破期】
IBM深蓝战胜卡斯帕罗夫1997
斯坦福大学Stanley 赢得无人驾驶汽车挑战赛2005
深度学习论文发表2006
IBM的沃森机器人问答比赛夺魁2011
谷歌启动谷歌大脑2011
苹果公司的Siri上线2012
微软通用实时翻译系统2012
微软Cortana 上线2014
网络度秘2015
IBM发布truenorth芯片2014
阿尔法狗打败人类棋手2016

D. 目前人工智能有那些应用还是空中楼阁、只停留在理论上吗

所谓人工智能，就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。或许“人工智能”听起来总让人想起科幻小说或者科幻电影中的那些聪明的robot，很有趣，但却缺乏真实感。可实际上机器人外形只不过是人工智能的容器之一，人工智能很早之前就以多种形态出现在生活之中。


沃森：击败最强大脑的人工智能

如果说深蓝只体现于对弈的人工智能并不算足够智能的话，那么另一款人工智能程序“沃森”，则能够符合大众对“智能”的认知。在一档类似于“最强大脑”的综艺节目《危险边缘》中，沃森击败了两位最高纪录保持者，获得百万奖金。问答过程中，沃森在无人类协助的情况下，独自完成对自然语言的分析，并且以远超人类的速度完成抢答。

图：智能私人助理Siri

Siri对人类生活产生的影响无需赘述，从最初的聊天解闷，到后来能有效的帮助主人搜索并解决问题，现今Siri俨然成为最合格的“私人助理”。在并不遥远的未来，以Siri为代表的人工智能语音识别技术亦将有着更大的发展：类似于“沃森”的医疗求助、车载导航乃至教育领域都可以利用该技术来达到解放人力的目的。

E. 沃森机器人能替代医生吗

就目前情况而言，人工智能并不能完全替代人类医生。疾病个体以及诊疗过程的影响因素非常复杂，患者同时具有生物性和社会性的特点，随时随地都在发生变化，临床决策不仅需要专业，但也同样需要经验交流和情感互动，这是人工智能目前所无法达到的，跟灵感难以被复制是一个道理。但毋庸置疑的是，越来越多的人工智能将会被加入到临床诊疗过程，助力医生决策，帮助患者作出最佳选择。

沃森机器人由IBM公司研发，是一种以机器人或者专家系统软件形式存在的诊疗工具。沃森机器人的大脑中配备有由IBM开发的具有人工智能技术的认知计算系统，目前已经吸纳全球知名医院——美国纪念斯隆·凯瑟琳癌症中心（MSKCC）及美国几十家医疗机构的大量肿瘤病例，超过300种医学专业期刊，超过250本肿瘤专著，超过1500万的论文研究数据，并采集美国国立综合癌症网络（NCCN）的癌症治疗指南和MSKCC在美国100多年癌症临床治疗实践经验。沃森制定的治疗方案与MSKCC医学专家的治疗方案有高达90%的符合度。

沃森机器人如何给病人诊断并提出治疗方案的？

据《新民晚报》报道，基于它的“最强大脑”，医生在输入患者信息后，沃森机器人会先从患者的病历中提取关键词，再从海量数据中筛选出重点数据，随后为患者量身订制多款个性化治疗建议。同时，它会在提出的每一种建议后面注明出处和依据，并按照可信度的高低顺序排列，供医生参考；当医生选定了某一种治疗方案之后，它还会给出采用此方案的病例数、生存率、不良反应发生率等相关信息，帮助医生评估该方案的疗效与风险。

F. 深蓝到沃森 人工智能跨步 电脑能替代人脑吗

可以肯定的说短期内不会！
至少一百年内实现不了。
因为人脑相对于电脑的先天优势是具有很强的认知能力。
而且人脑做计算时的消耗的能量远远小于电脑。
深蓝与沃森具有的仅仅是计算与存储能力，
与人类大脑具备的认知、情感、第六感等等能力相距十万八千里。
目前还没有任何一位顶级的人工智能科学家说过，电脑可以替代人脑。
散布电脑替代人脑的都是所谓的“砖家”，
因为当前的科学家在人工智能的理论上还没有什么大的突破。
所谓的DL算法，与人类学习的能力还相去甚远。
一个两岁小孩，你告诉他说，这个是冰箱。有可能小孩子一次就记住了。
但是目前的电脑，你告诉它一百遍它也不能自主的认出来。
GoogleBrain可以自主识别猫是通过千万张图片的训练才达到的。
由此便可以看出两者之间的差距。
关键的差距在认知的机制完全不同！
电脑室通过蛮力计算做到的，人类更多时候是通过直觉感知做到的。
所以说人脑与电脑根本就不在一个级别上。

但是当前全球一些顶尖的人工智能专家正在开展类脑研究。
比如：美国的Human Brain Project，欧盟的Brain Activity Map Project。
不管是从原理上还是实现上，从软件方面还是到硬件方面，
目前这类研究工作都开展的红红火火。
值得关注的是：去年8月份IBM研发出了一种模拟神经元计算的芯片，这种芯片可以作为放置手机中实现语言识别、图像识别相关运算。
与当前云计算相比不仅计算速度快而且芯片的功耗小。

G. 人工智能辩赢人类为何是非里程碑突破

无论是沃森辩手还是沃森医生，以及现在的项目辩手，都属于弱人工智能，因为它们只是按人类的设计来完成任务。

其实，这就是人工智能与人类的区别。项目辩手还达不到“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”的等级，更难达到像人一样有情绪和感情（动情）的表达，而且可以结合言语和肢体语言，甚至唾沫横飞，声嘶力竭。

但不管怎样，项目辩手的出现标志着人工智能正在逐步向前发展，不过，能否在未来达到强人工智能（在各方面都能和人脑比肩）和超人工智能（几乎所有领域都比人类大脑更聪明），需要时间和实践来检验。

来源：新京报

H. 人工智能如何重新定义人类的意义

数月前，我长途跋涉来到位于纽约州约克城高地的IBM研究实验室的林间园区，为的就是能早早一窥那近在眼前却让人期待许久的人工智能的未来。这儿是超级电脑“沃森”(Watson)的研发地，而沃森在2011年就在“危险边缘”(Jeopardy!)节目的比赛里拔得头筹。最初的沃森电脑仍留于此处——它是一个体积约与一个卧室相当，由10台直立的冷柜式机器围成四面墙的计算机系统。技术人员可以通过系统内部的小细孔把各种线缆接到机器背部。系统内部温度高得出奇，仿佛这个计算机集群是活生生的一般。
如今的沃森系统与之前相比有了显著差异。它不再仅仅存在于一排机柜之中，而是通过大量对用户免费开放的服务器传播，这些服务器能够即时运行上百种人工智能的“情况”。同所有云端化的事物一样，沃森系统为世界各地同时使用的客户服务，他们能够用手机、台式机以及他们自己的数据服务器连上该系统。这类人工智能可以根据需求按比例增加或减少。鉴于人工智能会随人们的使用而逐步改进，沃森将始终变得愈发聪明;它在任何一次情况中所获悉的改进点都会立即传送至其他情况中。并且，它也不是一个单一的程序，而是各种软件引擎的集合——其逻辑演绎引擎和语言解析引擎可以在不同的代码、芯片以及位置上运行——所有这些智慧的因素都汇集成了一个统一的智能流。
用户可以直接接入这一永久连接(always-on)的智能系统，也可以通过使用这一人工智能云服务的第三方应用程序接入。正如许多高瞻远瞩的父母一样，IBM想让沃森电脑从事医学工作，因此他们正在开发一款医疗诊断工具的应用程序，这倒也不足为奇。之前，诊疗方面的人工智能尝试大多以惨败告终，但沃森却卓有成效。简单地说，当我输入我曾经在印度感染上的某种疾病症状时，它会给我一个疑似病症的清单，上面一一列明了可能性从高到低的疾病。它认为我最可能感染了贾第鞭毛虫病(Giardia)——说的一点儿也没错。这一技术尚未直接对患者开放;IBM将沃森电脑的智能提供给合作伙伴接入使用，以帮助他们开发出用户友好界面为预约医生及医院方面服务。“我相信类似沃森这种——无论它是机器还是人——都将很快成为世界上最好的诊疗医生”，创业公司Scana的首席医疗官艾伦·格林(Alan Greene)说道，该公司受到电影《星际迷航》中医用三录仪[2]的启发，正在利用云人工智能技术制造一种诊疗设备。“从人工智能技术改进的速率来看，现在出生的孩子长大后，很可能不太需要通过看医生来得知诊疗情况了。”
医学仅仅只是一个开始。所有主流的云计算公司，加上数十家创业公司都在争先恐后地开展类似沃森电脑的认知服务。根据量化分析公司Quid的数据，自2009年以来，人工智能已经吸引了超过170亿美元的投资。仅去年一年，就有322家拥有类似人工智能技术的公司获得了超过20亿美元的投资。Facebook和谷歌也为其公司内部的人工智能研究小组招聘了研究员。自去年以来，雅虎、英特尔、Dropbox、LinkedIn、Pinterest以及推特也都收购了人工智能公司。过去四年间，人工智能领域的民间投资以平均每年62%的增长速率增加，这一速率预计还会持续下去。
纵观所有这些活动，人工智能的未来正进入我们的视野之中，它既非如那种哈尔9000(HAL 9000)(译者注：小说及电影《2001：太空漫游》中的超级电脑)——一台拥有超凡(但有潜在嗜杀倾向)的类人意识并依靠此运行的独立机器那般——也非让奇点论者心醉神迷的超级智能。即将到来的人工智能颇似亚马逊的网络服务——廉价、可靠、工业级的数字智慧在一切事物的背后运行，偶尔在你的眼前闪烁几下，其他时候近乎无形。这一通用设施将提供你所需要的人工智能而不超出你的需要。和所有设施一样，即使人工智能改变了互联网、全球经济以及文明，它也将变得令人厌倦。正如一个多世纪以前电力所做的那样，它会让无生命的物体活跃起来。之前我们电气化的所有东西，现在我们都将使之认知化。而实用化的新型人工智能也会增强人类个体(加深我们的记忆、加速我们的认知)以及人类群体的生活。通过加入一些额外的智能因素，我们想不到有什么东西不能变得新奇、不同且有趣。实际上，我们能轻易地预测到接下来的一万家创业公司的商业计划：“做某项事业，并加入人工智能”。兹事体大，近在眼前。
大约在2002年时，我参加了谷歌的一个小型聚会——彼时谷歌尚未IPO，还在一心一意地做网络搜索。我与谷歌杰出的联合创始人、2011年成为谷歌CEO的拉里·佩奇(Larry Page)随意攀谈起来。“拉里，我还是搞不懂，现在有这么多搜索公司，你们为什么要做免费的网络搜索?你是怎么想到这个主意的?”我那缺乏想象力的无知着实证明了我们很难去做预测，尤其是对于未来的预测。但我要辩解的是，在谷歌增强其广告拍卖方案并使之形成实际收益，以及进行对YouTube的并购或其他重要并购之前，预测未来是很难的。我并不是唯一一个一边狂热地用着谷歌的搜索引擎一边认为它撑不了多久的用户。但佩奇的回答让我一直难以忘怀：“哦，我们实际上是在做人工智能。”
过去数年间，关于那次谈话我想了很多，谷歌也收购了14家人工智能以及机器人方面的公司。鉴于搜索业务为谷歌贡献了80%的收入，因此乍一看去，你可能会觉得谷歌正在扩充其人工智能方面的投资组合以改善搜索能力。但是我认为正好相反。谷歌正在用搜索技术来改善人工智能，而非使用人工智能来改进搜索技术。每当你输入一个查询词，点击搜索引擎生成的链接，或者在网页上创造一个链接，你都是在训练谷歌的人工智能技术。当你在图片搜索栏中输入“复活节兔子”(Easter Bunny)并点击看起来最像复活节兔子的那张图片时，你都是在告诉人工智能，复活节兔子是长成什么样的。谷歌每天拥有12亿搜索用户，产生1210亿搜索关键词，每一个关键词都是在一次又一次地辅导人工智能进行深度学习。如果再对人工智能的算法进行为之10年的稳固改进，加之一千倍以上的数据以及一百倍以上的计算资源，谷歌将会开发出一款无与伦比的人工智能产品。我的预言是：到2024年，谷歌的主营产品将不再是搜索引擎，而是人工智能产品。
这个观点自然也会招来怀疑的声音。近60年来，人工智能的研究者都预测说人工智能时代即将到来，但是直到几年前，人工智能好像还是遥不可及。人们甚至发明了一个词来描述这个研究结果匮乏、研究基金更加匮乏的时代：人工智能之冬。那么事情真的有变化吗?
是的。近期的三大突破让人们期待已久的人工智能近在眼前：
1. 成本低廉的并行计算
思考是一种人类固有的并行过程，数以亿计的神经元同时放电以创造出大脑皮层用于计算的同步脑电波。搭建一个神经网络——即人工智能软件的主要结构——也需要许多不同的进程同时运行。神经网络的每一个节点都大致模拟了大脑中的一个神经元——其与相邻的节点互相作用，以明确所接收的信号。一项程序要理解某个口语单词，就必须能够听清(不同音节)彼此之间的所有音素;要识别出某幅图片，就需要看到其周围像素环境内的所有像素——二者都是深层次的并行任务。但直到最近，标准的计算机处理器也仅仅能一次处理一项任务。
事情在十多年前就已经开始发生变化，彼时出现了一种被称为图形处理单元(graphics processing unit -GPU)的新型芯片，它能够满足可视游戏中高密度的视觉以及并行需求，在这一过程中，每秒钟都有上百万像素被多次重新计算。这一过程需要一种专门的并行计算芯片，该芯片添加至电脑主板上，作为对其的补充。并行图形芯片作用明显，游戏可玩性也大幅上升。到2005年，GPU芯片产量颇高，其价格便降了下来。2009年，吴恩达(Andrew Ng)(译者注：华裔计算机科学家)以及斯坦福大学的一个研究小组意识到，GPU芯片可以并行运行神经网络。
这一发现开启了神经网络新的可能性，使得神经网络能容纳上亿个节点间的连接。传统的处理器需要数周才能计算出拥有1亿节点的神经网的级联可能性。而吴恩达发现，一个GPU集群在一天内就可完成同一任务。现在，一些应用云计算的公司通常都会使用GPU来运行神经网络，例如，Facebook会籍此技术来识别用户照片中的好友，Netfilx也会依其来给5000万订阅用户提供靠谱的推荐内容。
2. 大数据
每一种智能都需要被训练。哪怕是天生能够给事物分类的人脑，也仍然需要看过十几个例子后才能够区分猫和狗。人工思维则更是如此。即使是(国际象棋)程序编的最好的电脑，也得在至少对弈一千局之后才能有良好表现。人工智能获得突破的部分原因在于，我们收集到来自全球的海量数据，以给人工智能提供了其所需的训练。巨型数据库、自动跟踪(self-tracking)、网页cookie、线上足迹、兆兆字节级存储、数十年的搜索结果、维基网络以及整个数字世界都成了老师，是它们让人工智能变得更加聪明。
3. 更优的算法
20世纪50年代，数字神经网络就被发明了出来，但计算机科学家花费了数十年来研究如何驾驭百万乃至亿级神经元之间那庞大到如天文数字一般的组合关系。这一过程的关键是要将神经网络组织成为堆叠层(stacked layer)。一个相对来说比较简单的任务就是人脸识别。当某神经网络中的一组比特被发现能够形成某种图案——例如，一只眼睛的图像——这一结果就会被向上转移至该神经网络的另一层以做进一步分析。接下来的这一层可能会将两只眼睛拼在一起，将这一有意义的数据块传递到层级结构的第三层，该层可以将眼睛和鼻子的图像结合到一起(来进行分析)。识别一张人脸可能需要数百万个这种节点(每个节点都会生成一个计算结果以供周围节点使用)，并需要堆叠高达15个层级。2006年，当时就职于多伦多大学的杰夫·辛顿(Geoff Hinton)对这一方法进行了一次关键改进，并将其称之为“深度学习”。他能够从数学层面上优化每一层的结果从而使神经网络在形成堆叠层时加快学习速度。数年后，当深度学习算法被移植到GPU集群中后，其速度有了显著提高。仅靠深度学习的代码并不足以能产生复杂的逻辑思维，但是它是包括IBM的沃森电脑、谷歌搜索引擎以及Facebook算法在内，当下所有人工智能产品的主要组成部分。
这一由并行计算、大数据和更深层次算法组成的完美风暴使得持续耕耘了60年的人工智能一鸣惊人。而这一聚合也表明，只要这些技术趋势继续下去——它们也没有理由不延续——人工智能将精益求精。
随着这一趋势的持续，这种基于云技术的人工智能将愈发成为我们日常生活中不可分割的一部分。但天上没有掉馅饼的事。云计算遵循收益递增(increasing returns)[4]法则，这一法则有时也被称为网络效应(network effect)，即随着网络发展壮大，网络价值也会以更快的速度增加。网络(规模)越大，对于新用户的吸引力越强，这又让网络变得更大，又进一步增强了吸引力，如此往复。为人工智能服务的云技术也遵循这一法则。越多人使用人工智能产品，它就会变得越聪明;它变得越聪明，就有越多人来使用它;然后它变得更聪明，进一步就有更多人使用它。一旦有公司迈进了这个良性循环中，其规模会变大、发展会加快，以至于没有任何新兴对手能望其项背。因此，人工智能的未来将有两到三家寡头公司统治，它们会开发出大规模基于云技术的多用途商业智能产品。
1997年，沃森电脑的前辈、IBM公司的深蓝电脑在一场著名的人机大赛中击败了当时的国际象棋大师加里·卡斯帕罗夫(Garry Kasparov)。在电脑又赢了几场比赛之后，人们基本上失去了对这类比赛的兴趣。你可能会认为故事到此就结束了，但卡斯帕罗夫意识到，如果他也能像深蓝一样立即访问包括以前所有棋局棋路变化在内的巨型数据库的话，他在对弈中能表现得更好。如果这一数据库工具对于人工智能设备来说是公平的话，为什么人类不能使用它呢?为了探究这一想法，卡斯帕罗夫率先提出了“人加机器”(man-plus-machine)比赛的概念，即用人工智能增强国际象棋选手水平，而非让人与机器之间对抗。
这种比赛如今被称为自由式国际象棋比赛，它有点儿像混合武术对抗赛，选手们可以使用任何他们想要用的作战技巧。你可以单打独斗;也可以接受你那装有超级聪明的国际象棋软件的电脑给出的帮助，你要做的仅仅是按照它的建议来移动棋子;或者你可以当一个卡斯帕罗夫所提倡的那种“半人半机”的选手。半人半机选手会听取人工智能设备在其耳边提出的棋路建议，但是也间或不会采用这些建议——颇似我们开车时候用的GPS导航一般。在接受任何模式选手参赛的2014年自由式国际象棋对抗锦标赛上，纯人工智能的国际象棋引擎赢得了42场比赛，而半人半机选手则赢得了53场。当今世上最优秀的国际象棋选手就是半人半机选手Intagrand，它是一个由多人以及数个不同国际象棋程序所组成的小组。
但最令人惊讶的是：人工智能的出现并未让纯人类的国际象棋棋手的水平下降。恰恰相反，廉价、超级智能的国际象棋软件吸引了更多人来下国际象棋，比赛比以前增多了，棋手的水平也比以前上升了。现在的国际象棋大师(译者注：国际象棋界的一种等级)人数是深蓝战胜卡斯帕罗夫那时候的两倍多。现在的排名第一的人类国际象棋棋手马格努斯·卡尔森(Magnus Carlsen)就曾接受人工智能的训练，他被认为是所有人类国际象棋棋手中最接近电脑的棋手，同时也是有史以来积分最高的人类国际象棋大师。
如果人工智能能帮助人类成为更优秀的国际象棋棋手，那么它也能帮助我们成为更为优秀的飞行员、医生、法官以及教师。大多数由人工智能完成的商业工作都将是有专门目的的工作，严格限制在智能软件能做到的工作之内，比如，(人工智能产品)把某种语言翻译成另一种语言，但却不能翻译成第三种语言。再比如，它们可以开车，但却不能与人交谈。或者是能回忆起YouTube上每个视频的每个像素，却无法预测你的日常工作。在未来十年，你与之直接或者间接互动的人工智能产品，有99%都将是高度专一、极为聪明的“专家”。
实际上，这并非真正的智能，至少不是我们细细想来的那种智能。的确，智能可能是一种倾向——尤其是如果我们眼中的智能意味着我们那特有的自我意识、一切我们所有的那种狂乱的自省循环以及凌乱的自我意识流的话。我们希望无人驾驶汽车能一心一意在路上行驶，而不是纠结于之前和车库的争吵。医院中的综合医生“沃森”能专心工作，不要去想自己是不是应该专攻英语。随着人工智能的发展，我们可能要设计出一些阻止它们拥有意识的方式——我们所宣称的最优质的人工智能服务将是无意识服务。
我们想要的不是智能，而是人工智慧。与一般的智能不同，智慧(产品)具有专心、可衡量、种类特定的特点。它也能够以完全异于人类认知的方式来思考。这儿有一个关于非人类思考的一个很好的例子，今年三月在德克萨斯州奥斯汀举行的西南偏南音乐节(South by Southwest festival)上，沃森电脑就上演了一幕厉害的绝技：IBM的研究员给沃森添加了由在线菜谱、美国农业部(USDA)出具的营养表以及让饭菜更美味的味道研究报告组成的数据库。凭借这些数据，沃森依靠味道配置资料和现有菜色模型创造出了新式的菜肴。其中一款由沃森创造出的受人追捧的菜肴是美味版本的“炸鱼和炸薯条”(fish and chips)，它是用酸橘汁腌鱼和油炸芭蕉制成。在约克城高地的IBM实验室里，我享用了这道菜，也吃了另一款由沃森创造出的美味菜肴：瑞士/泰式芦笋乳蛋饼。味道挺不错!
非人类的智能不是错误，而是一种特征。人工智能的主要优点就是它们的“相异智能”(alien intelligence)。一种人工智能产品在思考食物方面与任何的大厨都不相同，这也能让我们以不同的方式看待食物，或者是以不同的方式来考虑制造物料、衣服、金融衍生工具或是任意门类的科学和艺术。相较于人工智能的速度或者力量来说，它的相异性对我们更有价值。
实际上，人工智能将帮助我们更好地理解我们起初所说的智能的意思。过去，我们可能会说只有那种超级聪明的人工智能产品才能开车，或是在“危险边缘”节目以及国际象棋大赛中战胜人类。而一旦人工智能做到了那些事情，我们就会觉得这些成就明显机械又刻板，并不能够被称为真正意义上的智能。人工智能的每次成功，都是在重新定义自己。
但我们不仅仅是在一直重新定义人工智能的意义——也是在重新定义人类的意义。过去60年间，机械加工复制了我们曾认为是人类所独有的行为和才能，我们不得不改变关于人机之间区别的观点。随着我们发明出越来越多种类的人工智能产品，我们将不得不放弃更多被视为人类所独有能力的观点。在接下来的十年里——甚至，在接下来的一个世纪里——我们将处于一场旷日持久的身份危机(identity crisis)中，并不断扪心自问人类的意义。在这之中最为讽刺的是，我们每日接触的实用性人工智能产品所带来的最大益处，不在于提高产能、扩充经济或是带来一种新的科研方式——尽管这些都会发生。人工智能的最大益处在于，它将帮助我们定义人类。我们需要人工智能来告诉我们，我们究竟是谁。

I. 人工智能沃森哪个国家的

超级电脑“沃森”来由IBM公司和美国源德克萨斯大学历时四年联合打造，电脑存储了海量的数据，而且拥有一套逻辑推理程序，可以推理出它认为最正确的答案。"沃森"（Watson）是为了纪念IBM创始人Thomas J. Watson而取的。IBM开发沃森旨在完成一项艰巨挑战：建造一个能与人类回答问题能力匹敌的计算系统。这要求其具有足够的速度、精确度和置信度，并且能使用人类的自然语言回答问题。这一系统没有连接至互联网，因此不会通过网络进行搜索，仅靠内存资料库作答。
详细请参考：http://ke..com/subview/2242228/9007521.htm