什么是人工智能？你需要知道的關于人工智能的一切

人工智能執行指南，從機器學習和通用人工智能到神經網路，

作者： 尼克希思 | 2020 年 12 月 11 日 -- 格林威治標準時間 09:58（新加坡標準時間 17:58） | 主題：[在企業中管理 AI 和 ML

• 什么是人工智能？你需要知道的關于人工智能的一切
  • 什么是人工智能（AI）？
  • 人工智能有什么用途？
  • 有哪些不同型別的人工智能？
  • 狹義人工智能可以做什么？
  • 通用人工智能能做什么？
  • 人工智能發展的最新里程碑是什么？
  • 什么是機器學習？
  • 什么是神經網路？
  • 什么是其他型別的人工智能？
  • 是什么推動了人工智能的復興？
  • 機器學習的要素是什么？
  • 哪些是人工智能領域的領先公司？
  • 有哪些人工智能服務可用？
  • 哪家主要科技公司正在贏得人工智能競賽？
  • 哪些國家在人工智能領域處于領先地位？
  • 如何開始使用 AI？
  • AI將如何改變世界？
  • AI會殺死我們所有人嗎？
  • 人工智能會搶走你的作業嗎？

什么是人工智能（AI）？

這取決于你問誰，

早在 1950 年代，該領域的先驅 明斯基和麥卡錫將人工智能描述為由機器執行的任何任務，而這些任務以前被認為需要人類智能，

這顯然是一個相當寬泛的定義，這就是為什么你有時會看到關于某物是否是真正的 AI 的爭論，

創造智能意味著什么的現代定義更加具體，谷歌人工智能研究員、機器學習軟體庫 Keras 的創建者弗朗索瓦喬萊表示，智能與系統在新環境中適應和即興發揮的能力、概括其知識并將其應用于不熟悉的場景的能力有關，

“智能是你在以前沒有準備的任務中獲得新技能的效率，”他說，

“智力不是技能本身，也不是你能做什么，而是你學習新事物的能力和效率，”

在這個定義下，現代人工智能驅動的系統，如虛擬助手，將被描述為展示了“狹義人工智能”；在執行一組有限的任務時概括訓練的能力，例如語音識別或計算機視覺，

通常，人工智能系統至少表現出以下與人類智能相關的一些行為：計劃、學習、推理、解決問題、知識表示、感知、運動和操縱，以及在較小程度上的社交智能和創造力，

人工智能有什么用途？

AI 在今天無處不在，用于推薦您接下來應該在線購買什么，了解您對虛擬助手（例如亞馬遜的 Alexa 和 Apple 的 Siri）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，

有哪些不同型別的人工智能？

在非常高的層面上，人工智能可以分為兩大類：狹義人工智能和通用人工智能，

如上所述，狹義 AI 是我們今天在計算機中看到的一切：智能系統已經被教導或學會了如何執行特定任務，而無需明確編程如何去做，

這種型別的機器智能在 Apple iPhone 上的 Siri 虛擬助手的語音和語言識別、自動駕駛汽車的視覺識別系統或根據您的喜好推薦您可能喜歡的產品的推薦引擎中很明顯，過去買的，與人類不同，這些系統只能學習或被教導如何完成定義的任務，這就是為什么它們被稱為狹義人工智能，

狹義人工智能可以做什么？

狹義人工智能有大量新興應用：解釋來自無人機的視頻源，對石油管道等基礎設施進行目視檢查，組織個人和企業日歷，回應簡單的客戶服務查詢，與其他智能系統協調以執行在合適的時間和地點預訂酒店、幫助放射科醫生發現X 射線中的潛在腫瘤、在線標記不當內容、根據物聯網設備收集的資料檢測電梯的磨損、從衛星生成世界的 3D 模型等任務影像，這個串列不勝列舉，

這些學習系統的新應用一直在涌現，顯卡設計師Nvidia 最近公布了一個基于人工智能的系統 Maxine，它可以讓人們進行高質量的視頻通話，幾乎不管他們的互聯網連接速度如何，該系統通過不通過互聯網傳輸完整的視頻流，而是以一種旨在重現呼叫者面部表情和動作的方式為呼叫者的少量靜態影像制作影片，從而將此類呼叫所需的帶寬減少了 10 倍，實時且與視頻無法區分，

然而，盡管這些系統具有未開發的潛力，但有時對該技術的雄心壯志超過了現實，一個典型的例子是自動駕駛汽車，它本身由計算機視覺等人工智能驅動的系統提供支持，電動汽車公司特斯拉落后于首席執行官埃隆·馬斯克 (Elon Musk) 將汽車自動駕駛系統從系統更有限的輔助駕駛功能升級為“全自動駕駛”的原始時間表，而全自動駕駛選項最近才推出作為 Beta 測驗計劃一部分的精選專家驅動程式組，

通用人工智能能做什么？

通用人工智能非常不同，它是人類中發現的適應性智力型別，是一種靈活的智力形式，能夠學習如何執行截然不同的任務，從理發到構建電子表格，或基于推理對各種主題進行推理其積累的經驗，這是在電影中更常見的那種人工智能，比如 2001 年的 HAL 或終結者中的天網，但今天并不存在——人工智能專家們對于它多久會成為現實存在激烈的分歧，

人工智能研究人員文森特·C·穆勒 (Vincent C Müller) 和哲學家尼克·博斯特羅姆 (Nick Bostrom) 在 2012/13 年對四組專家進行的一項調查報告稱，在 2040 年至 2050 年之間開發通用人工智能 (AGI) 的可能性為 50%，到 2075 年上升到 90%，小組更進一步，預測所謂的“超級智能”——博斯特羅姆將其定義為“在幾乎所有感興趣的領域都大大超過人類認知能力的任何智力”——預計在 AGI 實作大約 30 年后出現，

然而，人工智能專家最近的評估更加謹慎，現代人工智能研究領域的先驅，如 Geoffrey Hinton、Demis Hassabis 和 Yann LeCun 表示，社會離發展 AGI 還很遠，鑒于現代人工智能領域領先者的懷疑以及現代狹義人工智能系統與 AGI 的截然不同的性質，擔心社會將在不久的將來被通用人工智能擾亂可能沒有什么根據，

也就是說，一些人工智能專家認為，鑒于我們對人類大腦的了解有限，這種預測是非常樂觀的，并且認為 AGI 還有幾個世紀的路程，

人工智能：如何構建商業案例

AI 可能是一個熱門話題，但您仍然需要證明這些專案的合理性，

人工智能發展的最新里程碑是什么？

雖然現代狹義人工智能可能僅限于執行特定任務，但在其專業范圍內，這些系統有時能夠表現出超人的表現，在某些情況下甚至表現出卓越的創造力，這種特質通常被認為是人類的本能，

已經有太多的突破無法列出一個明確的清單，但一些亮點包括：2009 年，谷歌表明其自動駕駛豐田普銳斯有可能完成 10 多次 100 英里的旅程，使社會走上無人駕駛的道路車輛，

IBM Watson 與 Jeopardy 競爭！2011年1月14日圖片：IBM

2011 年，IBM Watson計算機系統贏得美國智力競賽節目 Jeopardy！，擊敗了該節目有史以來最好的兩名球員，為了贏得這場演出，Watson 使用自然語言處理和分析對大量資料存盤庫進行了處理，以回答人工提出的問題，通常在幾分之一秒內完成，

2012 年，另一項突破預示著 AI 有潛力處理許多以前認為對任何機器來說都過于復雜的新任務，那一年，AlexNet 系統在 ImageNet 大規模視覺識別挑戰賽中果斷獲勝，AlexNet 的準確性如此之高，與影像識別競賽中的競爭對手系統相比，它的錯誤率減少了一半，

AlexNet 的性能證明了基于神經網路的學習系統的強大功能，這種機器學習模型已經存在了幾十年，但由于架構的改進和摩爾定律使并行處理能力的飛躍成為可能，它最終實作了其潛力，機器學習系統在執行計算機視覺方面的實力也在當年成為頭條新聞，谷歌訓練了一個系統來識別互聯網上的最愛：貓的照片，

引起公眾注意的機器學習系統功效的下一個展示是2016 年谷歌 DeepMind AlphaGo AI 戰勝人類圍棋大師，圍棋是一種古老的中國游戲，其復雜性困擾了計算機數十年，圍棋每回合大約有 200 步，而國際象棋大約有 20 步，在圍棋程序中，有很多可能的走法，從計算的角度來看，提前搜索每個走法以確定最佳棋法成本太高，取而代之的是，AlphaGo 通過將人類專家在 3000 萬場圍棋游戲中的動作輸入深度學習神經網路來訓練如何下棋，

訓練這些深度學習網路可能需要很長時間，隨著系統逐漸完善其模型以實作最佳結果，需要攝取和迭代大量資料，

然而，最近谷歌使用 AlphaGo Zero 改進了訓練程序，該系統與自己玩“完全隨機”的游戲，然后從結果中學習，谷歌 DeepMind 首席執行官德米斯·哈薩比斯 (Demis Hassabis) 還推出了新版本的 AlphaGo Zero，它掌握了國際象棋和將棋游戲，

AI 繼續沖刺突破新的里程碑： OpenAI 訓練的系統在在線多人游戲 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 代理，該代理發明了 自己的語言來更有效地合作并實作目標，隨后 Facebook 培訓代理進行談判甚至撒謊，

2020 年是人工智能系統似憾訓得了像人類一樣寫作和談話的能力的一年，幾乎可以討論任何你能想到的話題，

有問題的系統，被稱為 Generative Pre-trained Transformer 3 或簡稱 GPT-3，是一個神經網路，它訓練了開放網路上數十億篇英語文章，

在非營利組織 OpenAI 將其提供給測驗使用后不久，互聯網上就充斥著 GPT-3 能夠生成幾乎任何主題的文章的能力，這些文章乍一看往往難以理解，區別于人寫的，在其他領域也取得了同樣令人印象深刻的結果，它能夠令人信服地回答有關廣泛主題的問題，甚至可以通過 JavaScript 新手，

但是，盡管許多 GPT-3 生成的文章都具有真實性，但進一步的測驗發現生成的句子通常沒有通過審核，提供表面上看似合理但令人困惑的陳述，有時甚至是徹頭徹尾的胡說八道，

使用模型的自然語言理解作為未來服務的基礎仍然有相當大的興趣，并且可以選擇開發人員通過 OpenAI 的 beta API 構建到軟體中，它還將被納入未來通過微軟 Azure 云平臺提供的服務中，

人工智能潛力最顯著的例子可能出現在 2020 年末，當時基于谷歌注意力的神經網路 AlphaFold 2 展示了一些人認為值得獲得諾貝爾化學獎的結果，

該系統能夠查看蛋白質的組成部分（稱為氨基酸）并推匯出該蛋白質的 3D 結構，這可能會對了解疾病和開發藥物的速度產生深遠的影響，在蛋白質結構預測的關鍵評估競賽中，AlphaFold 2 能夠確定蛋白質的 3D 結構，其準確度可與晶體學相媲美，這是令人信服地建模蛋白質的黃金標準，

與需要數月才能回傳結果的晶體學不同，AlphaFold 2 可以在數小時內模擬蛋白質，由于蛋白質的 3D 結構在人類生物學和疾病中發揮著如此重要的作用，這種加速被認為是醫學科學的里程碑式突破，更不用說在生物技術中使用酶的其他領域的潛在應用了，

什么是機器學習？

迄今為止提到的幾乎所有成就都源于機器學習，這是人工智能的一個子集，占該領域近年來的絕大多數成就，當人們今天談論人工智能時，他們通常談論的是機器學習，

目前正在復興，簡單來說機器學習是計算機系統學習如何執行任務，而不是被編程如何執行，這種對機器學習的描述可以追溯到 1959 年，當時它是由該領域的先驅 Arthur Samuel 創造的，他開發了世界上第一個自學系統之一，即 Samuel Checkers-playing Program，

為了學習，這些系統需要輸入大量資料，然后它們會使用這些資料來學習如何執行特定任務，例如理解語音或為照片添加字幕，該資料集的質量和大小對于構建能夠準確執行其指定任務的系統很重要，例如，如果您正在構建一個機器學習系統來預測房價，則訓練資料應不僅包括房產大小，還應包括其他重要因素，例如臥室數量或花園大小，

什么是神經網路？

機器學習成功的關鍵是神經網路，這些數學模型能夠調整內部引數以改變它們的輸出，在訓練期間，神經網路會收到資料集，這些資料集會教它在呈現某些資料時應該吐出什么，具體來說，網路可能會收到 0 到 9 之間數字的灰度影像，以及一串二進制數字——0 和 1——指示每個灰度影像中顯示的數字，然后對網路進行訓練，調整其內部引數，直到它以高精度對每個影像中顯示的數字進行分類，然后，這個經過訓練的神經網路可用于對 0 到 9 之間數字的其他灰度影像進行分類，

神經網路的結構和功能非常松散地基于大腦中神經元之間的連接，神經網路由相互連接的演算法層組成，這些演算法層相互饋送資料，并且可以通過修改資料在這些層之間傳遞時的重要性來對其進行訓練以執行特定任務，在這些神經網路的訓練程序中，當資料在層之間傳遞時附加到資料上的權重將繼續變化，直到神經網路的輸出非常接近所需的值，此時網路將“學習”如何攜帶出一個特定的任務，所需的輸出可以是任何東西，從正確標記影像中的水果到根據傳感器資料預測電梯何時可能發生故障，

機器學習的一個子集是深度學習，其中神經網路被擴展為具有大量使用大量資料訓練的相當大的層的龐大網路，正是這些深度神經網路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，

有各種型別的神經網路，具有不同的優點和缺點，回圈神經網路 (RNN) 是一種特別適用于自然語言處理 (NLP)（理解文本的含義）和語音識別的神經網路，而卷積神經網路的根源在于影像識別，其用途多種多樣推薦系統和 NLP，神經網路的設計也在不斷發展，研究人員改進了一種更有效的深度神經網路形式，稱為長期短期記憶或 LSTM——一種用于 NLP 等任務和股票市場預測的 RNN 架構——使其能夠運行足夠快，可以在谷歌翻譯等按需系統中使用，

深度神經網路的結構和訓練，圖片：細微差別

什么是其他型別的人工智能？

AI 研究的另一個領域是進化計算，它借鑒了達爾文的自然選擇理論，并看到遺傳演算法在世代之間經歷隨機突變和組合，以試圖進化出給定問題的最佳解決方案，

這種方法甚至被用于幫助設計 AI 模型，有效地使用 AI 來幫助構建 AI，這種使用進化演算法來優化神經網路的方法被稱為神經進化，隨著智能系統的使用變得越來越普遍，尤其是在對資料科學家的需求往往超過供應的情況下，它可能在幫助設計高效人工智能方面發揮重要作用，Uber AI Labs展示了這項技術，該實驗室發布了關于使用遺傳演算法訓練深度神經網路以解決強化學習問題的論文，

最后，還有專家系統，其中計算機被編程規則，允許它們根據大量輸入做出一系列決策，從而允許該機器在特定領域模仿人類專家的行為，例如，這些基于知識的系統的一個例子可能是駕駛飛機的自動駕駛系統，

是什么推動了人工智能的復興？

如上所述，近年來人工智能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，

這在一定程度上是由于資料易于獲得，但更重要的是并行計算能力的爆炸式增長，在此期間，使用圖形處理單元 (GPU) 集群來訓練機器學習系統變得更加普遍，

這些集群不僅為訓練機器學習模型提供了更強大的系統，而且它們現在作為云服務在互聯網上廣泛可用，隨著時間的推移，谷歌、微軟和特斯拉等主要科技公司已經轉向使用專門為運行和最近訓練機器學習模型量身定制的芯片，

這些定制芯片之一的一個例子是谷歌的張量處理單元 (TPU)，其最新版本加快了使用谷歌 TensorFlow 軟體庫構建的有用機器學習模型從資料中推斷資訊的速度，以及他們可以接受培訓，

這些芯片不僅用于訓練 DeepMind 和 Google Brain 的模型，還用于支持 Google Translate 和 Google Photos 中的影像識別的模型，以及允許公眾使用Google 的 TensorFlow Research構建機器學習模型的服務云，第三代芯片于 2018 年 5 月在谷歌的 I/O 大會上亮相，此后被打包成機器學習引擎，稱為 pods，每秒可執行超過十萬萬億次浮點運算（100 petaflops） . 這些正在進行的 TPU 升級使谷歌能夠改進其建立在機器學習模型之上的服務，例如將訓練谷歌翻譯中使用的模型所需的時間減半，

機器學習的要素是什么？

如前所述，機器學習是人工智能的一個子集，通常分為兩大類：監督學習和無監督學習，

監督學習

教授 AI 系統的常用技術是使用大量標記示例對其進行訓練，這些機器學習系統接受了大量資料，這些資料已經過注釋以突出顯示感興趣的特征，這些可能是貼有標簽的照片，以表明它們是否包含狗或帶有腳注的書面句子，以表明“低音”一詞與音樂或魚有關，一旦經過訓練，系統就可以將這些標簽應用于新資料，例如應用于剛剛上傳的照片中的狗，

這種通過示例教授機器的程序稱為監督學習，標記這些示例的角色通常由在線作業人員執行，通過 Amazon Mechanical Turk 等平臺雇用，

訓練這些系統通常需要大量資料，有些系統需要搜索數百萬個樣本才能學習如何有效地執行任務——盡管在大資料和廣泛的資料挖掘時代，這越來越有可能，訓練資料集龐大且規模不斷擴大 ——Google 的 Open Images Dataset 擁有大約 900 萬張影像，而其標記視頻存盤庫 YouTube-8M鏈接到 700 萬個標記視頻， ImageNet是此類早期資料庫之一，擁有超過 1400 萬張分類影像，經過兩年多的編譯，它由近 50,000 人（其中大部分是通過 Amazon Mechanical Turk 招募的）組裝在一起，他們檢查、分類和標記了近 10 億張候選圖片，

從長遠來看，訪問大量標記資料集也可能不如訪問大量計算能力重要，

近年來，生成對抗網路 ( GAN ) 已被用于機器學習系統中，該系統只需要少量標記資料和大量未標記資料，顧名思義，這需要較少的人工準備作業，

這種方法可以允許更多地使用半監督學習，與當今使用監督學習的訓練系統相比，系統可以使用更少的標記資料來學習如何執行任務，

無監督學習

相比之下，無監督學習使用不同的方法，其中演算法嘗試識別資料中的模式，尋找可用于對資料進行分類的相似性，

一個例子可能是將重量相似的水果或具有相似發動機尺寸的汽車聚集在一起，

該演算法不是預先設定來挑選特定型別的資料，它只是尋找可以按其相似性分組的資料，例如 Google 新聞每天將類似主題的故事分組在一起，

強化學習

強化學習的一個粗略類比是在寵物表演技巧時獎勵它，在強化學習中，系統試圖根據其輸入資料最大化獎勵，基本上會經歷一個反復試驗的程序，直到達到可能的最佳結果，

強化學習的一個例子是 Google DeepMind 的 Deep Q-network，它已被用于在各種經典視頻游戲中實作最佳人類表現，該系統從每個游戲中獲取像素并確定各種資訊，例如螢屏上物件之間的距離，

通過查看每場比賽的得分，系統建立了一個模型，說明在不同情況下哪些動作將使得分最大化，例如，在視頻游戲 Breakout 的情況下，應該將球拍移到那里以攔截球，

該方法還用于機器人研究，其中強化學習可以幫助教授自主機器人在現實世界環境中的最佳行為方式，

許多與 AI 相關的技術正在接近或已經達到 Gartner 炒作周期中的“期望過高的峰值”，而由強烈反對驅動的“幻滅低谷”正在等待中，圖片：Gartner / 注釋：ZDNet

哪些是人工智能領域的領先公司？

Google 的 DeepMind 和 NHS：一瞥人工智能對未來醫療保健的意義

谷歌子公司與英國醫療服務機構達成了一系列交易——那么到底發生了什么？

隨著人工智能在現代軟體和服務中發揮越來越重要的作用，各大科技公司都在努力開發強大的機器學習技術供內部使用，并通過云服務向公眾銷售，

每個人都經常成為人工智能研究新領域的頭條新聞，盡管谷歌的 DeepMind 人工智能 AlphaFold 和 AlphaGo 系統可能對公眾的人工智能意識產生了最大的影響，

有哪些人工智能服務可用？

所有主要的云平臺——亞馬遜網路服務、微軟 Azure 和谷歌云平臺——都提供了對 GPU 陣列的訪問，用于訓練和運行機器學習模型，谷歌還準備讓用戶使用其張量處理單元 ——其設計的定制芯片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巨頭中獲得，基于云的資料存盤，能夠保存訓練機器學習模型所需的大量資料，轉換資料以準備分析的服務，可視化工具清晰地顯示結果，以及簡化模型構建的軟體，

這些云平臺甚至簡化了自定義機器學習模型的創建，谷歌提供了一項服務，可以自動創建 AI 模型，稱為 Cloud AutoML，這種拖放式服務可構建自定義影像識別模型，并且要求用戶沒有機器學習專業知識，

基于云的機器學習服務在不斷發展，亞馬遜現在提供了一系列旨在簡化機器學習模型訓練程序的 AWS 產品，并且最近推出了 Amazon SageMaker Clarify，這是一種幫助組織消除訓練資料中可能導致訓練模型出現偏差預測的偏見和不平衡的工具.

對于那些不想構建自己的機器學習模型，而是想使用 AI 驅動的按需服務（例如語音、視覺和語言識別）的公司，Microsoft Azure 在以下方面的服務范圍內脫穎而出提供，緊隨其后的是 Google Cloud Platform，然后是 AWS，與此同時，IBM 與其更通用的按需產品一起，還試圖銷售針對從醫療保健到零售的各個領域的特定行業人工智能服務，將這些產品組合在IBM Watson 保護傘下，并已投資 20 億美元收購 The Weather Channel解鎖大量資料以增強其人工智能服務，

哪家主要科技公司正在贏得人工智能競賽？

在內部，每一家科技巨頭——以及 Facebook 等其他巨頭——都使用人工智能來幫助推動無數的公共服務：提供搜索結果、提供推薦、識別照片中的人和事物、按需翻譯、發現垃圾郵件——名單非常廣泛，

但這場人工智能戰爭最明顯的表現之一是虛擬助手的興起，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，可以訪問內置的亞馬遜 Alexa 虛擬助手，圖片：Jason Cipriani/ZDNet

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，大量的技術用于開發這些助手，

但是，雖然蘋果的 Siri 可能首先脫穎而出，但谷歌和亞馬遜的助手已經在人工智能領域超越了蘋果——谷歌助手能夠回答廣泛的查詢，亞馬遜的 Alexa 擁有大量“技能”第三方開發人員創建以增加其功能，

隨著時間的推移，這些助理正在獲得能力，使他們的反應更快，能夠更好地處理人們在常規對話中提出的問題型別，例如，谷歌助手現在提供了一項名為“持續對話”的功能，用戶可以在其中詢問他們最初查詢的后續問題，例如“今天天氣怎么樣？”，然后是“明天怎么樣？” 并且系統理解后續問題也與天氣有關，

這些助手和相關服務還可以處理的不僅僅是語音，最新版本的 Google Lens 能夠翻譯影像中的文本，并允許您使用照片搜索衣服或家具，

盡管內置于 Windows 10 中，但 Cortana 最近經歷了一段特別艱難的時期，亞馬遜的 Alexa 現在可以在 Windows 10 PC 上免費使用，而微軟則 改造了 Cortana 在作業系統中的角色， 以更多地關注生產力任務，例如管理用戶的日程安排，而不是其他助手中更多以消費者為中心的功能，例如播放音樂，

哪些國家在人工智能領域處于領先地位？

認為美國科技巨頭將人工智能領域縫合起來是一個很大的錯誤，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領域大力投資人工智能，作為一個國家，中國正在推行三步走計劃，將人工智能轉變為國家的核心產業，到2020 年底，該產業的 價值將達到 1500 億元人民幣（220 億美元）， 目標是成為世界領先的人工智能強國，到 2030 年，

百度已投資開發自動駕駛汽車，由其深度學習演算法百度 AutoBrain 提供支持，經過幾年的測驗，其 Apollo 自動駕駛汽車已 在測驗中行駛超過 300 萬英里，并搭載在全球 27 個城市運送超過 100,000 名乘客，

百度今年在北京推出了一支由 40 輛 Apollo Go Robotaxis 組成的車隊，該公司創始人預測，自動駕駛汽車將在五年內在中國城市普及，

百度的自動駕駛汽車，改裝的寶馬3系，圖片：百度

百度、阿里巴巴和騰訊等大公司薄弱的隱私法、巨額投資、協同資料收集和大資料分析的結合，意味著一些分析人士認為，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將中國領先美國的可能性描述為 500 比 1 對中國有利，

如何開始使用 AI？

雖然你可以為你的 PC 購買一個中等強大的 Nvidia GPU——在 Nvidia GeForce RTX 2060 或更快的某個地方——并開始訓練機器學習模型，但最簡單的人工智能相關服務試驗方法可能是通過云，

所有主要的科技公司都提供各種 AI 服務，從構建和訓練您自己的機器學習模型的基礎設施到允許您按需訪問 AI 驅動的工具（例如語音、語言、視覺和情感識別）的網路服務.

AI將如何改變世界？

機器人和無人駕駛汽車

機器人能夠自主行動并理解和導航周圍世界的愿望意味著機器人和人工智能之間存在自然重疊，雖然人工智能只是機器人技術中使用的技術之一，但人工智能的使用正在幫助機器人進入新領域，如自動駕駛汽車、送歡訓器人，以及幫助機器人學習新技能，2020 年初，通用汽車和本田推出了電動無人駕駛汽車Cruise Origin，谷歌母公司 Alphabet 旗下的自動駕駛集團 Waymo 最近在亞利桑那州鳳凰城向公眾開放了機器人出租車服務，提供了服務覆寫城市50平方英里的區域，

假新聞

我們即將擁有可以創建逼真影像或以完美音調復制某人聲音的神經網路，隨之而來的是具有巨大破壞性的社會變革的潛力，例如不再能夠相信視頻或音頻片段是真實的，人們也開始擔心這些技術將如何被用來盜用人們的形象，已經創建了一些工具來 令人信服地將名人面孔拼接到XX電影中，

語音和語言識別

機器學習系統幫助計算機識別人們在說什么，準確率接近 95%，微軟的人工智能和研究小組還報告說，它已經開發出一種系統，能夠像人工轉錄員一樣準確地轉錄口語英語，

隨著研究人員追求 99% 準確率的目標，預計與計算機對話與更傳統的人機互動形式一起變得越來越普遍，

與此同時，OpenAI 的語言預測模型 GPT-3 最近引起了轟動，因為它能夠創建可以被視為由人類撰寫的文章，

人臉識別和監控

近年來，人臉識別系統的準確率有了飛躍，中國科技巨頭百度表示，只要視頻中的人臉足夠清晰，它就能以 99% 的準確率匹配人臉，雖然西方國家的警察部隊一般只在大型活動中試用面部識別系統，但在中國，當局正在開展一項全國性計劃，將全國的閉路電視與面部識別系統連接起來，并使用人工智能系統跟蹤嫌疑人和可疑行為，以及已經還擴大警察使用的面部識別眼鏡，

盡管世界各地的隱私法規各不相同，但這種對人工智能技術（包括可以識別情緒的人工智能）的更具侵入性的使用可能會逐漸變得更加普遍，盡管對面部識別系統公平性的強烈反對和質疑已經導致亞馬遜， IBM 和 Microsoft 暫停或停止向執法部門出售這些系統，

衛生保健

人工智能最終可能對醫療保健產生巨大影響，幫助放射科醫生從 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并識別可能導致更有效藥物的分子，谷歌的 AlphaFold 2 機器學習系統最近取得的突破有望將開發新藥的關鍵步驟所需的時間從幾個月縮短到幾小時，

世界各地的醫院都在試驗人工智能相關技術，其中包括 IBM 的 Watson 臨床決策支持工具，該工具由紀念斯隆凱特琳癌癥中心的腫瘤學家進行培訓，以及英國國家衛生服務中心對 Google DeepMind 系統的使用，它將幫助發現眼睛例外并簡化篩查患者的程序頭頸癌，

強化歧視和偏見

一個日益令人擔憂的問題是機器學習系統如何將其訓練資料中反映的人類偏見和社會不平等編入法典，多個例子證實了這些擔憂，這些例子表明，用于訓練此類系統的資料缺乏多樣性會對現實世界產生負面影響，

2018 年，麻省理工學院和微軟的一份研究論文發現，主要科技公司銷售的面部識別系統在識別膚色較深的人時出現錯誤率明顯更高的問題，這一問題歸因于訓練資料集主要由白人組成，

一年后的另一項研究強調，亞馬遜的 Rekognition 面部識別系統在識別膚色較深個體的性別時存在問題，亞馬遜高管對這一指控提出質疑，促使其中一名研究人員解決亞馬遜反駁中提出的觀點，

自從這些研究發表以來，許多大型科技公司至少暫時停止了向警察部門銷售面部識別系統，

另一個訓練資料偏差不足的例子在 2018 年成為頭條新聞，當時亞馬遜取消了一種機器學習招聘工具，該工具將男性申請人視為首選，今天，正在研究如何抵消自學系統中的偏見，

人工智能與全球變暖

隨著機器學習模型的規模和用于訓練它們的資料集的增長，塑造和運行這些模型的龐大計算集群的碳足跡也在增加，為這些計算農場供電和冷卻對環境的影響是世界經濟論壇 2018 年一篇論文的主題，2019 年的一項估計是，機器學習系統所需的功率每 3.4 個月翻一番，

最近，語言預測模型 GPT-3 的發布使訓練強大的機器學習模型所需的大量能量成為焦點，這是一個擁有約 1750 億個引數的龐大神經網路，

雖然訓練這些模型所需的資源可能是巨大的，而且主要只有大公司才能使用，但一旦訓練好，運行這些模型所需的能量就會大大減少，然而，隨著基于這些模型的服務需求的增長，功耗和由此產生的環境影響再次成為一個問題，

一種論點是，需要權衡訓練和運行更大模型對環境的影響與潛在的機器學習必須產生重大的積極影響，例如，在谷歌 DeepMind 的 AlphaFold 2 取得突破之后，醫療保健領域的進步可能會更快.

AI會殺死我們所有人嗎？

同樣，這取決于你問誰，隨著人工智能驅動的系統變得越來越強大，對不利因素的警告也變得更加可怕，

特斯拉和 SpaceX首席執行官埃隆馬斯克聲稱人工智能是“人類文明存在的根本風險”，作為他推動加強監管和更負責任的研究以減輕人工智能負面影響的一部分，他成立了 OpenAI，這是一家非營利性人工智能研究公司，旨在促進和開發有益于整個社會的友好人工智能，同樣，受人尊敬的物理學家斯蒂芬霍金警告說，一旦創造出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程度，這種現象被稱為奇點，并可能對人類構成生存威脅，

然而，對于一些人工智能研究人員來說，人類正處于人工智能爆炸的邊緣，這將使我們的智力相形見絀的想法似乎很荒謬，

微軟在英國劍橋的研究主管克里斯畢曉普強調，今天人工智能的狹隘智能與人類的一般智能有多么不同，他說，當人們擔心“終結者和機器的崛起等等？胡說八道，是的，充其量，這種討論還需要幾十年的時間，”

人工智能會搶走你的作業嗎？

人工智能系統取代大部分現代體力勞動的可能性在不久的將來可能是一種更可信的可能性，

ZDNet 和 TechRepublic 著眼于人工智能、大資料、云計算和自動化對 IT 作業的巨大影響，以及公司如何適應，

雖然人工智能不會取代所有作業，但似乎可以肯定的是，人工智能將改變作業的性質，唯一的問題是自動化將改變作業場所的速度和深度，

幾乎沒有人工智能無法影響人類努力的領域，正如人工智能專家 Andrew Ng 所說：“很多人都在做著例行的、重復性的作業，不幸的是，技術尤其擅長自動化例行性、重復性的作業”，并表示他認為“未來幾十年技術失業的風險很大”，

哪些作業將被取代的證據開始出現，在美國，現在有 27 家Amazon Go商店，這些沒有收銀員的超市，顧客只需從貨架上拿走商品就可以走出去，這對美國超過三百萬的收銀員意味著什么還有待觀察，亞馬遜再次在使用機器人提高倉庫效率方面處于領先地位，這些機器人將貨架上的產品運送給選擇要發送的物品的人工揀貨員，亞馬遜在其履行中心擁有超過 200,000 個機器人，并計劃增加更多，但亞馬遜也強調，隨著機器人數量的增加，這些倉庫中的人工數量也在增加，然而，亞馬遜和小型機器人公司正在努力使倉庫中剩余的手作業業自動化，因此手工和機器人勞動力將繼續攜手并進并不是必然的，

亞馬遜于 2012 年收購了 Kiva 機器人，如今在其整個倉庫中使用 Kiva 機器人，圖片：亞馬遜

完全自主的自動駕駛汽車尚未成為現實，但根據一些預測，即使不考慮對快遞員和出租車司機的影響，僅自動駕駛卡車運輸行業就有望在未來十年內取代 170 萬個作業崗位，

然而，一些最容易自動化的作業甚至不需要機器人技術，目前有數百萬人從事管理作業，在系統之間輸入和復制資料，為公司尋找和預約約會，隨著軟體在自動更新系統和標記重要資訊方面變得更好，因此對管理員的需求將會下降，

與每一次技術變革一樣，將創造新的作業崗位來取代失去的作業崗位，然而， 不確定的是這些新角色是否會以足夠快的速度被創造出來，為那些流離失所的人提供就業機會，以及新失業者是否具備必要的技能或氣質來填補這些新角色，

計算機視覺、語音、分析和移動機器人技術的進步有望影響與這些技能相關的任何作業，

不是每個人都是悲觀主義者，對某些人來說， 人工智能是一種將增加而不是取代工人的技術，不僅如此，他們還認為，作為 AI 輔助的作業人員，商業上必須不完全取代人們——想想一個配備 AR 耳機的人類禮賓員，在他們提出要求之前就告訴他們客戶想要什么——將會更多比獨立作業的人工智能更有生產力或更有效，

在人工智能專家中，對于人工智能系統超越人類能力的速度有多快，存在廣泛的意見，

牛津大學人類未來研究所請數百名機器學習專家預測 未來幾十年的人工智能能力，

值得注意的日期包括人工智能撰寫論文到 2026 年可能由人類撰寫，到 2027 年卡車司機被裁員，到 2031 年人工智能在零售業超越人類能力，到 2049 年寫出暢銷書，到 2053 年完成外科醫生的作業.

他們估計人工智能在 45 年內在所有任務上擊敗人類并在 120 年內自動化所有人類作業的可能性相對較高，

標籤：其他

上一篇：04-拉格朗日對偶問題和KKT條件

下一篇：04-拉格朗日對偶問題和KKT條件