什麼是人工智能？你需要知道的關於人工智能的一切

人工智能（Artificial Intelligence，AI）的執行指南講述，從機器學習和通用人工智能到神經網絡。

什麼是人工智能？

這個問題取決於你問的對象是誰。

早在20世紀50年代，這個領域之父Minsky和McCarthy就將人工智能描述爲由程序（program）或機器（machine）執行的任何任務，這些任務是，如果人類執行相同的活動，我們會說人類必須運用智力來完成這項任務。

顯然，這是一個相當廣泛的定義，這就是爲什麼您有時會看到關於某物是否真的是AI的爭論的原因。

人工智能系統通常至少會展示出與人類智能相關的以下一些行爲：規劃（planning），學習（learning），推理（reasoning），問題解決（problem solving），知識表示（knowledge representation），感知（perception），運動（motion）和操作（manipulation），以及在較小程度上的社會智能（social intelligence）和創造力（creativity）。

AI有什麼用？

如今，人工智能無處不在，比如它被用來向您推薦下一步應該在網上購買什麼，瞭解您對亞馬遜的Alexa和蘋果的Siri等虛擬助手（virtual assistants）所說的話，識別照片中的人物和內容，發現垃圾郵件或檢測信用卡欺詐。

AI有哪些不同類型？

在很高的層次上，人工智能可以分爲兩種類型：狹義AI和通用AI（narrow AI，general AI）。

狹義AI是當今我們在計算機中所看到的一切：已經被教導或學會如何執行特定任務而無需明確編程如何執行這些任務的智能系統。

這種類型的機器智能很明顯，如在Apple iPhone上的Siri虛擬助手的語音和語言識別（the speech and language recognition），自動駕駛汽車（self-driving cars）的視覺識別系統（the vision-recognition systems），根據您過去購買的產品來推薦您喜歡的產品的推薦引擎（the recommendation engines）。與人類不同，這些系統只能學習或被教導如何執行特定任務，這就是爲什麼它們被稱爲狹義AI。

狹義AI能做什麼？

狹義AI有大量的新興應用：解釋無人機（drones）對石油管道等基礎設施進行視覺檢查的視頻信息，組織個人和企業日曆，迴應簡單的客戶服務（customer-service）查詢，與其他智能系統配合以執行任務，例如在合適的時間和地點預訂酒店，幫助放射線科醫生在X射線中發現潛在的腫瘤，在網上標記不適當的內容，從IoT設備收集的數據中檢測電梯的磨損，等等。

通用AI能做什麼？

人工通用智能與衆不同，它是在人類中發現的適應性智力（adaptable intellect ）的類型，是一種靈活的智能形式，能夠學習如何執行截然不同的任務，從理髮到構建電子表格，或根據積累的經驗推理各種各樣的主題。這類AI在電影中更爲常見，例如2001年的HAL或The Terminator中的Skynet，但如今還不存在，而且AI專家們對於它多久會變成現實存在着激烈的分歧。

特別報告：如何實施人工智能和機器學習（免費PDF）

AI研究人員Vincent CMüller和哲學家Nick Bostrom在2012/13年度對四組專家進行的一項調查顯示，到2040年至2050年，人工通用智能（Artificial General Intelligence，AGI）的開發機會將達到50％，到2075年將上升到90％。該小組甚至更進一步，預測所謂的“超級智能”（superintelligence），被Bostrom定義爲“在所有感興趣的領域中大大超過人類的認知（cognitive）表現的任何智力”，預計在AGI實現後約30年。

也就是說，一些AI專家認爲，鑑於我們對人類大腦的瞭解有限，這樣的預測是非常樂觀的，並且認爲AGI仍有幾個世紀之遙。

什麼是機器學習？

AI有着廣泛的研究領域，其中許多研究相互補充。

當前機器學習（machine learning）正在興起，它是向計算機系統饋送大量數據，然後用這些數據學習如何執行特定任務，例如理解語音或爲照片加說明文字（captioning a photograph）。

什麼是神經網絡？

機器學習過程的關鍵是神經網絡（neural networks）。這些是由大腦啓發的網絡，由相互連接的算法層（layers）的組成，稱爲神經元（neurons），它們相互饋送數據，並且可以通過修改輸入數據在各層之間傳遞的重要性來訓練它們執行特定任務。在訓練這些神經網絡的過程中，附加在不同輸入上的權重（weights）將繼續變化，直到神經網絡的輸出與期望的輸出非常接近爲止，此時網絡將“學習”如何執行特定任務。

機器學習的一個子集是深度學習（deep learning），在這種學習中，神經網絡被擴展爲具有大量層的龐大網絡，這些層使用大量數據進行訓練。正是這些深度神經網絡（deep neural networks）推動了當前計算機執行語音識別和計算機視覺等任務的能力的飛躍。

立即下載：IT領導者深度學習指南（技術專業研究）(Tech Pro Research)

有各種類型的神經網絡，各有優缺點。循環神經網絡（recurrent neural networks）是一種特別適合於語言處理和語音識別的神經網絡，而卷積神經網絡（convolutional neural networks）則更常用於圖像識別。神經網絡的設計也在不斷髮展，研究人員最近改進了一種更有效的深度神經網絡形式，稱爲長短時記憶或LSTM，使其能夠足夠快地運行以用於Google Translate等點播系統（on-demand systems ）。

深度神經網絡的結構和訓練

AI研究的另一個領域是進化計算(evolutionary computation)，它借鑑了達爾文（Darwin）的著名自然選擇（natural selection）理論，並發現遺傳算法（genetic algorithms）經歷了幾代之間的隨機突變（random mutations）和組合（combinations），試圖進化出給定問題的最優解決方案（the optimal solution）。

這種方法甚至被用來幫助設計AI模型，有效地利用AI來幫助構建AI。這種使用進化算法用於優化神經網絡的方法稱爲神經進化（neuroevolution），並且隨着智能系統的使用變得越來越普遍，尤其是當對數據科學家的需求經常超過供給時，這種方法在幫助設計高效AI方面可以發揮重要作用。 Uber AI Labs最近展示了該技術，該實驗室發佈了有關使用遺傳算法訓練深度神經網絡以解決強化學習（reinforcement learning）問題的論文。

最後還有專家系統（expert systems），在這種系統中，用規則（rules）對計算機進行編程，使它們可以基於大量輸入來做出一系列決策（decisions），從而使機器能夠模仿（mimic）特定領域中人類專家的行爲。這些基於知識的系統（knowledge-based systems）的一個例子可能是駕駛飛機的自動駕駛系統（an autopilot system）。

是什麼推動了AI的復興？

近年來，AI研究的最大突破是在機器學習領域，尤其是在深度學習領域。

這在某種程度上是由於數據的易獲得性所驅動，但更重要的是由於近年來並行計算能力的爆炸式增長，在此期間，使用GPU集羣來訓練機器學習系統變得更加普遍。

這些集羣不僅爲訓練機器學習模型提供了強大得多的系統，而且現在可以作爲Internet上的雲服務廣泛使用。隨着時間的推移，像Google和Microsoft這樣的主要科技公司已經轉向使用專門針對運行和最近用於訓練機器學習模型的專用芯片（chips）。

這些定製芯片中的一個例子是Google的Tensor處理單元（Tensor Processing Unit，TPU），其最新版本加快了使用Google TensorFlow軟件庫構建的有用的機器學習模型從數據中推斷信息的速率，以及它們被訓練的速率。

這些芯片不僅用於訓練DeepMind和Google Brain的模型，還用於支持Google Translate和Google Photo中的圖像識別的模型，以及允許公衆使用Google的TensorFlow Research Cloud構建機器學習模型的服務。第二代這些芯片已於去年5月在Google的I/O會議上揭曉，其中的一系列新TPU能夠訓練用於翻譯的Google機器學習模型，所需時間僅爲高端圖形處理單元（graphics processing units，GPU）的一半。

機器學習的要素是什麼？

如前所述，機器學習是AI的一個子集，通常分爲兩大類：監督學習和非監督學習。

監督學習

教導AI系統的一個常用技術是通過使用大量帶標籤的例子（labeled examples）來訓練它們。這些機器學習系統被饋入大量數據，這些數據已被標註以突出感興趣的特徵。這些可能是被標記以表明它們是否包含狗的照片，或帶有腳註以表明“bass”一詞與音樂還是魚類有關的書面句子。經過訓練後，系統便可以將這些標籤（labels）應用於新數據，例如剛剛上傳的照片中的一隻狗。

這種通過例子教導機器的過程稱爲監督學習（supervised learning），標記這些例子的角色通常由在線工作人員執行，他們通過Amazon Mechanical Turk之類的平臺僱用。

另請參閱：人工智能如何使call centers更上一層樓

訓練這些系統通常需要大量的數據，有些系統需要搜尋數百萬個例子來學習如何有效地執行任務，儘管在大數據和大規模數據挖掘的時代，這越來越有可能。訓練數據集龐大且規模不斷擴大，Google的Open Images Dataset擁有約900萬張圖像，而其帶有標籤的視頻存儲庫YouTube-8M鏈接了700萬個帶有標籤的視頻。 ImageNet是此類早期數據庫之一，擁有超過1400萬張分類圖像。該文件經過兩年的編寫，由近50,000人（其中大部分是通過Amazon Mechanical Turk招募的）彙集在一起的，他們檢查，分類並標記了將近10億張候選圖片。

從長遠來看，與龐大的計算能力相比，訪問具有大量標記數據集的重要性可能不那麼重要。

近年來，生成對抗網絡（Generative Adversarial Networks，GANs）展示了機器學習系統如何通過饋入少量標記數據然後能夠生成大量新數據來自學。

這種方法可能會導致半監督學習（semi-supervised learning）的興起，在半監督學習中，系統可以使用遠遠少於當今使用監督學習的訓練系統所需要的標記數據來學習如何執行任務。

非監督學習

相比之下，非監督學習（unsupervised learning）則使用另一種方法，即算法嘗試識別數據中的模式（patterns），尋找可用於對數據進行分類的相似性。

一個可能的例子是將重量相似的水果或發動機尺寸相似的汽車聚集在一起。

該算法並非預先設置爲挑選特定類型的數據，它只是尋找可以根據其相似性進行分組的數據，例如Google News每天將相似主題的故事分組在一起。

強化學習

強化學習（reinforcement learning）的粗略類比是當寵物在表演把戲時獎勵其零食。

在強化學習中，系統嘗試根據其輸入數據最大化獎勵，基本上要經過反覆試驗的過程，直到獲得最佳結果。

強化學習的一個例子是Google DeepMind的Deep Q-network，它已被用於在各種經典視頻遊戲中實現最佳人類表現。系統從每個遊戲中獲取像素，並確定各種信息，例如屏幕上對象之間的距離。

通過查看每場遊戲中獲得的分數，系統會建立一個模型，該模型的動作將在不同情況下使分數最大化，例如，在視頻遊戲Breakout的情況下，應將球拍移至哪個位置以攔截球。

許多與人工智能相關的技術正在接近或已經達到Gartner的Hype Cycle中的“過高期望峯值”（peak of inflated expectations'），而反彈驅動的“幻滅低谷”（trough of disillusionment）正處於等待之中。

AI中的領先企業是哪些？

隨着AI在現代軟件和服務中扮演越來越重要的角色，每家主要的技術公司都在努力開發強大的機器學習技術，以供內部使用並通過雲服務向公衆出售。

每一個都經常因爲在AI研究上的突破性進展而成爲頭條新聞，儘管可能是Google及其DeepMind AI的AlphaGo對AI的公衆意識產生了最大的影響。

可以使用哪些AI服務？

所有主要的雲平臺，Amazon Web Services，Microsoft Azure和Google Cloud Platform，提供對GPU陣列的訪問，以訓練和運行機器學習模型，而Google還準備讓用戶使用其張量處理單元（Tensor Processing Units）——定製芯片，其設計針對訓練和運行機器學習模型進行了優化。

所有必要的相關基礎設施和服務都可以從三大平臺獲得，基於雲的數據存儲，能夠存儲訓練機器學習模型所需的大量數據，轉換數據以準備進行分析的服務，清楚地顯示結果的可視化工具，以及簡化模型構建的軟件。

這些雲平臺甚至簡化了自定義機器學習模型的創建，Google最近發佈了一項名爲Cloud AutoML的服務，該服務可以自動創建AI模型。這項拖放服務可建立自定義的圖像識別模型，並且要求用戶沒有機器學習方面的專業知識。

基於雲的機器學習服務在不斷髮展，2018年初，亞馬遜（Amazon）透露了許多新的AWS產品，旨在簡化機器學習模型的訓練過程。

對於那些不想建立自己的機器學習模型而是想要使用AI驅動的按需服務（例如語音，視覺和語言識別）的公司，Microsoft Azure在服務的廣泛性方面脫穎而出，緊隨其後的是Google Cloud Platform，然後是AWS。與此同時，IBM除了更廣泛的按需產品之外，還試圖出售針對特定領域的AI服務，涵蓋從醫療保健到零售的所有領域，將這些產品組合在IBM Watson旗下，並於近期投資20億美元收購了The Weather Channel，以解鎖大量數據來增強其AI服務。

哪些主要技術公司贏得了AI競賽？

在內部，每個技術巨頭，以及Facebook等其他公司，都使用AI來幫助推動各種公共服務：提供搜索結果，提供建議，識別照片中的人物和事物，按需翻譯，發現垃圾郵件等等。

但是這場AI戰爭最明顯的體現之一就是虛擬助手的興起，例如蘋果的Siri，亞馬遜的Alexa，谷歌助手和微軟的Cortana。

Amazon Echo Plus是一款智能揚聲器，內置Amazon的Alexa虛擬助手。

開發這些助手需要大量技術，嚴重依賴語音識別和自然語言處理，以及需要龐大的語料庫來回答查詢。

但是，雖然蘋果的Siri可能首先成爲知名度，但谷歌和亞馬遜的助手此後在AI領域已經超過了蘋果，谷歌助手能夠回答各種各樣的查詢，而亞馬遜的Alexa則具有大量的“技能”，由第三方開發人員創建這些技能以增加其功能。

更多閱讀：我們如何學會與計算機交談，以及他們如何學會回覆（PDF下載）

儘管Cortana已內置在Windows 10中，但最近經歷了一段特別艱難的時期，有人建議主要的PC製造商將Alexa內置到筆記本電腦中，這增加了人們對Cortana的日子是否屈指可數的猜測，儘管微軟很快對此予以拒絕。

哪些國家在AI領域處於領先地位？

認爲美國科技巨頭擁有AI領域是一個很大的錯誤。中國公司阿里巴巴，百度和聯想正在從電子商務到自動駕駛等各個領域大力投資AI。作爲一個國家，中國正在推行三步走的計劃，將人工智能變成該國的核心產業，到2020年，人工智能產業的價值將達到1500億元人民幣（220億美元）。

百度已投資開發無人駕駛汽車（self-driving cars），該技術由其深度學習算法百度自動大腦（Baidu AutoBrain）提供支持，並且經過數年的測試，計劃在2018年推出全自動駕駛汽車並在2021年實現量產。

百度的自動駕駛汽車，一個BMW3系的改良版。

百度還與英偉達（Nvidia）合作，使用AI爲全球汽車製造商創建了雲到車自動駕駛汽車平臺。

薄弱的隱私法，龐大的投資，協同的數據收集，以及百度，阿里巴巴和騰訊等大型公司的大數據分析，將這些結合，意味着一些分析師認爲，在未來的人工智能研究方面，中國將比美國更具優勢，一位分析師描述了中國率先以達到500：1的優勢領先美國超過中國的可能性。

我如何開始使用AI？

雖然您可以嘗試在家中構建自己的GPU陣列並開始訓練機器學習模型，但嘗試與AI相關的服務的最簡單方法可能是通過雲。

所有主要的技術公司都提供各種AI服務，從用於構建和訓練自己的機器學習模型的基礎結構，到允許您按需訪問AI驅動的工具（如語音，語言，視覺和情感識別）的Web服務。

AI發展的最新里程碑是什麼？

太多的東西無法彙總成一個完整的列表，但是最近的一些亮點包括：2009年，谷歌表明其自動駕駛的豐田普銳斯（Toyota Prius）有可能完成10次100英里以上的旅程，使社會走上無人駕駛汽車的道路。

2011年，計算機系統IBM Watson贏得了美國問答遊戲節目《危險》（Jeopardy），擊敗了該節目有史以來最優秀的兩位選手，它成爲了全世界的頭條新聞。爲了贏得節目，Watson使用自然語言處理和對處理的大量數據倉庫的分析，從而可以回答人類提出的問題，通常只需不到一秒鐘的時間。

2011年1月14日，IBM Watson在參與Jeopardy競賽！

在2012年6月，顯而易見的是，機器學習系統在計算機視覺方面的表現非常出色，而Google訓練了一種識別互聯網上最喜歡的貓的系統。

自Watson獲勝以來，也許最著名的機器學習系統的有效性證明是2016年Google DeepMind AlphaGo AI擊敗了圍棋（Go）的人類特級大師，圍棋是一款古老的中國遊戲，其複雜性困擾了計算機數十年。圍棋每回合大約200步，而國際象棋中只有20步。在進行圍棋遊戲的過程中，有太多可能的動作，以至於從計算的角度來看，事先搜索每個動作以找出最佳玩法的成本太高。取而代之的是，AlphaGo受到了如何玩遊戲的訓練，方法是在3000萬個圍棋遊戲中採取人類專家的動作並將其饋入深度學習神經網絡。

訓練這些深度學習網絡可能會花費很長時間，隨着系統逐漸完善其模型以實現最佳結果時，需要攝取和迭代大量數據。

但是，最近Google使用AlphaGo Zero改進了訓練過程，這是一種跟自己玩“完全隨機”遊戲的系統，然後從結果中學習。在去年享有盛名的神經信息處理系統（Neural Information Processing Systems，NIPS）會議上，谷歌DeepMind首席執行官Demis Hassabis透露AlphaGo還精通了象棋和將棋（shogi）遊戲。

而且AI繼續衝刺超越新的里程碑，去年由OpenAI訓練的系統在在線多人遊戲Dota 2的一對一比賽中擊敗了世界頂級玩家。

同年，OpenAI創建了AI agents，這些agent發明了它們自己的語言來更有效地合作和實現它們的目標，隨後不久，Facebook訓練agent進行談判以及甚至撒謊。

AI將如何改變世界？

機器人和無人駕駛汽車

對機器人能夠自主行動、理解和導航周圍的世界的願望意味着機器人技術和人工智能之間自然存在重疊。儘管AI只是機器人技術中使用的一種技術，但AI的使用正在幫助機器人進入新領域，例如無人駕駛汽車，送貨機器人以及幫助機器人學習新技能。通用汽車（General Motors）最近表示，它將在2019年之前製造出無方向盤或踏板的無人駕駛汽車，而福特（Ford）承諾到2021年這樣做，而Google母公司Alphabet旗下的自動駕駛集團Waymo不久將在鳳凰城（Phoenix）提供無人出租車服務。

特別報道：技術與運輸的未來（免費PDF）。這本電子書探討了新興的自動運輸技術及其對社會和商業未來的影響。

虛假新聞

我們正處於擁有可以創建照片般逼真的圖像或以完美音調的方式複製某人聲音的神經網絡。隨之而來的是帶來巨大破壞性社會變革的潛力，例如不再能夠將視頻或音頻素材視爲真實的。人們也開始擔心這種技術將如何被用來盜用人們的形象，已經有工具被用來令人信服地將著名女演員拼接成成人電影。

語音和語言識別

機器學習系統已經幫助計算機以幾乎95％的準確度識別了人們在說什麼。微軟的人工智能與研究小組最近報告說，它已經開發出了一種系統，該系統能夠像人類轉錄員一樣準確地翻譯口語。

隨着研究人員追求99％的準確性目標，期望與計算機對話成爲一種常態（norm）和更傳統的人機交互形式。

面部識別和監視

近年來，人臉識別系統（facial-recognition systems）的準確性有了飛躍，中國科技巨頭百度表示，只要視頻中的人臉足夠清晰，它就可以以99％的準確性匹配人臉。雖然西方國家的警察通常只在大型活動中使用面部識別系統進行試驗，但在中國，官方正在實施一項全國性計劃，將全國的CCTV連接到面部識別系統，並使用AI系統跟蹤嫌疑人和可疑行爲，並且也正在試驗警察使用面部識別眼鏡。

儘管全球各地的隱私法規各不相同，但對AI技術（包括可以識別情緒的AI）的侵入性使用可能會逐漸在其他地方變得越來越普遍。

醫療保健

人工智能最終可能會對醫療保健產生巨大影響，幫助放射線醫師從X射線中挑選出腫瘤，幫助研究人員發現與疾病相關的基因序列，並確定可能導致更有效藥物的分子。

全世界的醫院已經進行了AI相關技術的試驗。其中包括IBM的Watson臨牀決策支持工具，該工具由Memorial Sloan Kettering癌症中心的腫瘤學家進行訓練，以及英國國家衛生服務局（National Health Service）對Google DeepMind系統的使用，它將幫助發現眼部異常並簡化頭頸部癌症患者的篩查流程。

AI會殺死我們所有人嗎？

同樣，這取決於您問誰。隨着以AI爲動力的系統變得越來越強大，因此關於不利因素的警告也變得更加嚴峻。

特斯拉（Tesla）和SpaceX首席執行官Elon Musk宣稱，人工智能是“人類文明生存的根本風險”。爲了推動更強大的監管監督和開展更多負責任的研究以減輕AI的負面影響，他成立了OpenAI，這是一家非盈利性人工智能研究公司，旨在促進和發展有利於整個社會的友好AI。同樣，著名的物理學家斯蒂芬·霍金（Stephen Hawking）警告說，一旦創建了足夠先進的人工智能，它將迅速發展到遠遠超過人類能力的地步，這種現象被稱爲奇點（singularity），並可能對人類構成生存威脅。

然而，對於某些AI研究人員而言，認爲人類即將瀕臨AI爆炸將使我們的智力相形見絀，這一觀點似乎很荒謬。

英國劍橋的微軟研究總監Chris Bishop強調，當今AI的狹義智能與人類的通用智能有多大不同，他說，當人們擔心“終結者和機器的崛起等等？毫無意義，是的，充其量，這樣的討論還需要幾十年。”

AI會竊取您的工作嗎？

人工智能系統替代許多現代體力勞動的可能性也許是更可靠的近期可能性。

儘管AI不會取代所有工作，但可以肯定的是AI會改變工作的性質，唯一的問題是自動化將如何快速和深刻地改變工作場所。

幾乎沒有一個人類領域是AI沒有潛力去發揮影響的。正如AI專家吳恩達（Andrew Ng）所說：“許多人都在做例行的重複性工作。不幸的是，技術特別擅長使例行的重複性工作自動化”，他說他認爲“未來幾十年技術失業的風險很大”。

關於哪些工作將被取代的證據開始出現。亞馬遜剛剛在西雅圖推出了無收銀超級市場Amazon Go，顧客可以從貨架上取走物品然後離開。對於美國超過300萬的收銀員來說，這意味着什麼尚待觀察。亞馬遜再次引領使用機器人提高倉庫效率的方式。這些機器人將產品貨架運送到人工揀選人員，人工揀選人員選擇要發送的物品。亞馬遜在其履行中心擁有超過100,000個機器人，並計劃增加更多機器人。但是亞馬遜還強調，隨着機器人數量的增長，這些倉庫中的人工人數也隨之增加。但是，亞馬遜和小型機器人公司正在努力使倉庫中剩餘的體力勞動自動化，因此，手動和機器人勞動將繼續齊頭並進並不是必然的。