在心理学上面有这样一个心理现象, 任何一个单词如果将其重复的次数足够多的话, 这个单词就会失去所有的意义. 如果以这样的概念来描述人工智能的话, 那么人工智能一词早就应该土崩瓦解. 但是, 现实是人工智能出现越发频繁, 在科技领域无处不在, 而且意义也从未减弱.
确切来讲, 人工智能是被误用了, 在商业化的市场上面被炒作和吹捧的太过, 导致很多人都很难认同, 同时媒体的报道也有一些夸大研究, 在任何模糊的人工智能故事上都贴上 "肆意妄为" 的标签.
很多人常常归结现在人工智能究竟是否智能. 对于非专业人士来说, 这可能是一个棘手的问题. 相较于普通人来说, 更愿意将它与最熟悉的一种科学愿景混为一谈: 一台比人类聪明许多倍的有意识的计算机. 专家们把这个人工智能的具体事例称为人工通用智能, 如果我们真的要创造出这样的东西, 那还有一段很长的路要走. 在此之前, 没有人会因为夸大人工智能系统的智慧或能力而受益.
尽管如此, 却依旧不妨碍这项技术对于我们社会的贡献, 比以往的时候都要大. 如今的医疗, 企业的管理, 智慧城市的发展... 它帮助人们创作音乐和书籍, 它能仔细阅读你的简历让你的简历尽可能的被更多的企业看到, 解决销售型企业电话机器人好不好用的问题. 亦或者, 你的信用卡积分的上涨, 手机上照片的调整. 无论你是否能够接受它, 它正在改变你生活的样子.
那么, 与其谈论人工智能, 不如谈谈 "机器学习". 这是人工智能的一个子领域, 涵盖了目前对世界影响最大的几乎所有研究方法(包括所谓的深度学习). 作为这样一个词语, 它没有人工智能的神秘性, 但它更有助于解释这项技术的作用.
机器学习的解释繁多, 其实本质上就是计算机自己进行 "学习"(并不是广义上的学习). 但是这会带来一个更大的问题.
让我们从一个问题开始. 假设你想创建一个能够识别狗的程序. 你可以试着用传统的方法来做, 比如用 "狗有凸起的牙齿" 和 "狗有毛绒绒的尾巴" 这样明确的规则来编程. 但是如果出现一张狼的照片, 程序又将怎么做呢? 所以就需要对每个必须的规则进行编程, 但是这又是非常耗时的, 你必须在此过程中定义各种困难的概念, 比如 "牙齿" 和 "尾巴". 那么最好的选择是让程序自己学习. 如果你觉得识别图片太过于普通, 想要识别声音, 特别是人的声音, 最好是能实时交谈的, 那么这就涉及到智能语音的行业了, 虽然方向不一样但同样也是相应的原理, 例如不同于传统智能音箱的智能电话机器人, 通过大数据的收集, 并且在此基础上面进行整合, 构建成一个完整的语音系统.
其实, 这个方法最大的优点是最明显的: 你永远不需要编写程序. 当然, 你需要做大量的修补工作, 改进了系统处理数据的方式, 找出了更智能的方法来获取这些信息, 但你并没有告诉程序它应该寻找什么. 这意味着它可以发现人类可能会错过或从未想过的模式. 因为程序所需要的只有数据 (1 或者 0) 你可以将其训练成为任何工作, 毕竟现代社会充满着数据. 有了机器学习的这把锤子在手, 就算数字世界就充满了钉子, 你也可以随时用锤子将其锤入合适的位置.
指导计算机自学是一条绝妙的捷径. 就像所有的捷径一样, 它需要走投机取巧. 如果你愿意, 你可以认为人工智能里存在智慧. 但这并不是真正的人类意义上的智慧, 它也不遵循人类的原则. 你也许会想问: 一本书能有多聪明? 平底锅里能蕴含什么专业知识?
那么我们如今在人工智能方面处于什么位置呢? 在数年的头条新闻宣布下一个重大突破之后, 一些专家认为我们已经达到了某种平稳期. 但这并不是进步的真正阻碍. 在研究方面, 我们现有的知识中有大量的途径可以探索, 而在产品方面, 我们只看到了算法的冰山一角.
李开复将当前这个时代描述为一个 "执行的时代", 在这个时代, 技术开始 "从实验室向全世界扩散". 另一位风险投资策略家班尼迪克特. 埃文斯 (Benedict Evans) 将机器学习比作关系数据库. 关系数据库是一种企业软件, 在上世纪 90 年代大赚了一笔, 并且彻底改变了整个行业. 但机器学习是如此平常, 以至于你的眼睛可能只是单纯地看到了这一词语. 这两位想表达的是, 我们现在正处在人工智能迅速恢复正常的阶段. 埃文斯说:"最终, 几乎所有的东西都会在其内部某个地方进行机器学习, 但没有人会在意."
他说的没错, 但我们还没到那一步.
就目前而言, 人工智能 - 机器学习 - 仍然是一种新事物, 常常无法解释或未被充分研究. 但在未来, 人工智能会普遍到甚至被你忽视.
来源: http://www.bubuko.com/infodetail-3102246.html