人工智能为什么不能代替人类
■吴荻枫
人工智能没有意义的概念，没有价值观，终究只能是人的工具，而不可能超越人类。
近年来，人工智能技术发展极其迅速，各种智能设备、智能软件已走进千家万户，改变了我们的生活方式和工作方式。因此，不少人认为，在不久的将来，人工智能将会全面代替人类智能，甚至超越人类智能。不过，这种观点过于悲观，人类的思想和行为中最重要最独特的部分，是人工智能无法实现，更无法替代的。
人工智能不管多么发达，归根结底，都是在人类给定的框架下解决问题。比如，某人每天上下班，公司和家之间的距离有15公里。他可以选择的交通工具包括打的、公交车、地铁、自驾车、共享单车，以及这些工具的组合。如果他去问导航软件，导航软件可以根据他的要求以及实时路况，给出一个最优的出行方案。这在现实中往往是很有用的。然而，虽然有不少人会选择在工作地点附近买房或租房来解决通勤问题，导航软件却绝不会给出搬家的方案。因为导航软件的运行程序，或者说运行框架没有这种手段可供选择，但人却不会受既有框架的约束。
人工智能也不能主动确定需要解决的问题是什么。举一个非常简单的例子，如果我问智能应答软件：“帅帅在哪里，你看到帅帅了么？”它要么回答不知道，要么给出一个错误的答案。而我如果拿这个问题去问人，被问的人不管知识水平如何，第一个反应恐怕都是：“你说的帅帅是谁啊？”我就会告诉他，帅帅是我的小狗，是什么样子，有多大，有什么特点，等等。可见，人类首先能够主动确定要解决的问题是什么，也就是说确定目标。我举的这个例子非常简单，以后人工智能或许也能应对，但并不是软件学会了如何确定问题所在，而是设计人员扩充了或者改变了软件运行的程序或框架。
总之，如果人类确定了问题，确定了可用的手段或者信息，人工智能可以给出答案，乃至近乎完美的答案。但是，人工智能不会设计这种目的—手段的框架，也不会主动突破这种框架。
人是追求意义的智慧生物，因此有自己的价值观。人类赋予某些事物以意义或价值，才构成了目的—手段的逻辑关系。也就是说，人能知道自己要的是什么，怎样才算是达成了目的。而人工智能没有意义的概念，需要人类将具有意义的逻辑关系编码输入，人工智能才能按照这种关系工作，但它本身无从建立这种关系。
人以意义来理解世界，也以此与他人交流、合作。米塞斯曾举过一个例子，假如某人闯入了一个从未去过的原始部落。那些原始人未开化，没有语言，或者即使有语言他也听不懂。但是，如果他看到这些原始人架锅生火，他就会知道，他们是要做饭了。人类有相似的心智结构，即使语言不通，也可以相互理解。如果换成机器人呢？除非是科幻电影里那些由演员扮演的机器人，否则它只会搜索和输出代码，而不会真正试图去理解眼前所发生的事。
可见，人与人工智能最大的不同，就是人通过意义和价值与外部世界建立联系。这是人作为主体而不是客体的基础，也是人类合作和创新的基础。人工智能没有意义的概念，没有价值观，终究只能是人的工具，而不可能超越人类。
值得注意的是，我们可以看出，主流新古典经济学的理性经济人假设，正是将人当成了在既有目的—手段框架下寻求最优解的机器。这其实是省略了人的行为中最具有本质性和创新性的部分。理性经济人所构成的经济体，是静态的、机械的，被动的，充其量是人工智能的世界，而不是人类社会。
经济学是价值中立的科学，因此经济学不研究也没有足够的能力研究某个个人究竟应该确定什么具体的目标，运用什么具体的手段，但是，经济学应该将个人在目的—手段框架的行为模式纳入研究的范畴，否则就是舍本逐末，具有难以克服的缺陷。
（作者系西南民族大学讲师）
[责编：战钊]人工智能不是人的智能，但能像人那样思考、也可能超过人的智能
比尔·盖茨曾在一篇给大学生的毕业寄语中写道“当今时代是一个非常好的时代”，如果在今天寻找一个能对世界造成巨大影响的机会，他毫不犹豫的就会考虑——人工智能。那么，你知道什么是人工智能？你知道人工智能的发展如何吗？你对未来人工智能有什么期待吗？人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种复杂工作的理解是不同的。人工智能不同于传统的机器人，传统机器人只是代替人类做一些已经输入好的指令工作，而人工智能则包含了机器学习，从被动到主动，从模式化实行指令，到自主判断根据情况实行不同的指令，这就是区别。如今人工智能的发展越来越快，从清华大学的华智冰到抖音短视频的柳夜熙，给人们带来了一次又一次的震撼。不过人工智能发展的脚步不会停止，会一直向智能化一步步走下去，会给这个世界带来更多的惊喜。说到人工智能就不得不谈一谈RPA技术了，那么什么是RPA技术呢？RPA即机器人流程自动化，是一种应用程序，它通过模仿最终用户在电脑的手动操作方式，提供了另一种方式来使最终用户手动操作流程自动化。在RPA行业，实在智能走出了与众不同的道路，与人工智能相结合的道路，即AI+RPA赛道，给了RPA行业指路明灯。RPA发展的最终结果是智能化，所以还是人工智能。至于AI+RPA未来发展到什么程度，还是让我们拭目以待吧。
机器如何像人类一样思考人工智能（一）机器学习和神经网络
前一段时间我为大家介绍了创造未来的新技术，谈到了5G和人工智能。有个小朋友就对我说：他对人工智能特别感兴趣，小时候就特别喜欢看《终结者》《机械公敌》等电影，但是他始终不明白：
为什么机器能像人类一样思考呢？
《机械公敌》剧照
其实，人工智能早已不是科学幻想，它是一种已经应用到我们生活方方面面的技术。例如，为了应对新冠疫情，许多公司安装了人脸识别系统，在进行肺炎筛查的时候，需要快速诊断肺部CT影像，在路上开车违章，会被电子眼抓拍罚款…这里的人脸识别、CT影像识别、车牌识别，统统用到了人工智能。除此之外，手机上的各种语音助手软件、智能音箱、美颜软件、短视频平台的推荐机制、电子邮件的防垃圾邮件系统，也都是人工智能的应用。在未来我们要实现的自动驾驶、智慧工业等领域，人工智能也是不可或缺的。如果把人工智能从我们的生活中剥离，人类恐怕要退回三十年前。
今天，我们就来聊聊人工智能的话题，我希望通过今天的讲解，让大家了解人工智能和神经网络的基本工作原理。
人工智能的发展史
人工智能并不是一个新生的科学概念。在上古时代，东西方文明中都出现了人造人的神话。到了二十世纪30-50年代，由于神经生物学、计算机科学、数学等学科的发展，人工智能第一次进入了科学家的视野。
1950年，英国计算机科学家图灵提出了一个问题：
机器会思考吗？
艾伦图灵
图灵提出了一种测试机器智能的标准——图灵测试：一个人C通过文字等方式与另一个人A和一个计算机B交流，他能否通过一连串的问题区分A和B哪个是人，哪个是计算机？如果人类无法区分出A和B，就称计算机通过了图灵测试。
图灵预言：到2000年时，计算机在经过五分钟的提问之后，就会骗过30%的人类，让人相信对方是真实的人类，而非计算机。图灵测试每年都会举办，在2014年时终于有一个人工智能软件被33%的人类认为是一个13岁的小男孩，通过了图灵测试，这个软件叫做尤金·古斯特曼。
尤金·古斯特曼
顺便一说，在计算机科学领域的世界最高奖叫做图灵奖，就是以图灵的名字命名的，它被称为计算机界的诺贝尔奖。图灵曾经在二战时帮助英国制造计算机破译德军密码，许多人认为他是盟军赢得战争的法宝之一，这段故事也被拍摄成电影《模仿游戏》。
《模仿游戏》剧照
到了1956年，美国计算机科学家马文·明斯基，约翰·麦卡锡以及信息论的奠基者香农等人，召开了达特茅斯会议。在这次会议上，人们创造出了人工智能这个词。从那次会议开始，人工智能也进入了大发展时代。
达特茅斯会议里的众多大神，你能认出几个？
后来，明斯基和麦卡锡都因为在人工智能领域的贡献获得了图灵奖。而香农已经不需要图灵奖了，他的名字被命名到通信理论方面的诺贝尔奖上，那就是香农奖。
马文·明斯基，约翰·麦卡锡和香农老了之后的照片
从此之后的几十年中，由于算法和算力的限制，人工智能几经起落。直到1997年，IBM的人工智能程序“深蓝”战胜了雄据国际象棋霸主12年的卡斯帕罗夫，人工智能迎来了第三次大发展。
卡斯帕罗夫与深蓝
从那之后的二十多年，在人工智能算法方面，涌现出许多灵魂人物，例如被誉为深度学习之父的多伦多大学的计算机学家杰弗里·辛顿，他将反向传播算法（BP）引入了人工智能领域。纽约大学计算机科学家杨立昆，他最著名的工作是卷积神经网络（CNN）。他们俩连同加拿大蒙特利尔大学计算机学家约书亚•本吉奥共同获得了2018年的图灵奖。
杨立昆、辛顿、本吉奥
经过众多科学家的努力，在特定的领域——例如图像识别，人工智能的识别率已经超过了人类。在语音识别，智能翻译等领域，人工智能也有长足的应用。现在我们上网，遇到看不懂的外文，只要按一下翻译就能变成汉语了。去国外旅游，也可以双方用一个人工智能软件就能交流了。
损失函数
计算机到底是如何做到这一点的呢？说到底，这是一个数学问题。我们首先来举一个例子：
如何预测房屋的成交价格？
也许我们每个人都有一种简单判断:大城市比小城市房子值钱，市区房子比郊区房子值钱，学区房比非学区房值钱…那么，你能用数学关系把它表示出来么？
比如：在最简单的模型下，我们考虑房屋的价格与面积有关。我们有了一些房屋的面积，以及它们的成交价格，把数据(xi,yi)画在一张图上，如下：
从图形上看，我们发现房价和面积接近于正相关，我们希望获得一个函数关系，使它尽量准确的表示出房价y与面积x的关系，最简单的关系就是直线y预=wx+b。其中w是直线的斜率，b是直线的截距。参数w和b的值不一样，这条直线就能在平面内改变位置。
我们希望每一个数据点都能在直线上，但是实际上，这往往是做不到的，通过函数关系预测的房价yi预和实际房价yi之间总有差别。我们用损失函数描述这个差别：把每一个数据点真实的价格y与输出的价格y预做差，再把这些差别做平方和。
如果损失函数特别小，就说明我们的函数最贴近实际的数据，这就是一个好的回归分析。我们的目的就是要寻找合适的参数w和b，使得误差函数J最小。在数学上，这叫做最小二乘法，在高斯和勒让德时代人们就找到了通过方程求解参数w和b的方法。
高斯和勒让德
不过，如果参数特别多，高斯的方程算法就不是那么方便了，人们提出了一种逐步趋近的方法——梯度下降算法。通过一次次的逼近，找到小的损失函数和最优的参数。
具体来讲：损失函数J其实是参数w和b的函数。我们定性的画出损失函数随着参数的变化规律，它有可能存在一个最低点，我们希望寻找这个最低点。
大家看：在参数取适当值、损失函数最小的时候，损失函数是不随着参数而变化的，或者说损失函数对这个参数的梯度（导数）为零；如果参数取的不当，损失函数会随着参数的变化而变化，梯度（导数）不为零。而且，梯度（导数）越大，往往表示距离损失函数最低点越远。
于是，我们首先预设一对参数wi和bi，然后使用算法进行迭代：
这里的η表示步长，表示一次迭代我们希望多大程度的改变参数。利用这个迭代方程，我们可以一步步的寻找最优化的参数就是一步走多远。我们一点一点沿着误差函数寻找，就能慢慢找到那个误差函数的最小值点，此时的参数w和b就是最优解——它是表示房价与面积关系的最好直线。
当然，房屋的价格并不只取决于面积。我们可能有更多的输入数据。例如每一个房子都有面积参数x1、城市参数x2、房屋年龄x3、位置参数x4，那么我们可以假设价格是这四个参数的线性组合：
此时，我们就有了5个参数k1…k4和b，我们要做的就是不停的通过求解梯度来调整参数，找到最合适的那一组，使得预测的结果与已知数据之间的误差函数最小。只是刚才，我们是在二维平面上寻找损失函数的最小值，这时我们是在一个五维空间中寻找损失函数的最小值。
寻找损失函数的最小值
输入数据、进行计算、调整参数，这个过程就称之为机器学习或者训练。假如最后找到或者逼近了最优解，训练就结束了。如果还没有找到，就需要调整参数和模型。其实，这和人类的学习过程非常相似，皮亚杰关于认知发展理论中的同化和顺应过程，就是这样的一个过程，老话说吃一堑长一智，也是这个问题。只是现在我们用数学的方法把它表现出来了。
神经网络
从本质上讲，人工智能问题就是通过这种一点点调整参数的方法，寻找一个函数，能够从输入的值尽量准确的获得输出值。实际的机器学习问题，要比刚才的例子复杂的多，比如房价不光与面积大小有关，还与距离市中心远近、房龄长短、楼层情况、物业水平、周边工厂学校医院情况、汇率、甚至人口结构等等因素相关，而且很有可能不是线性关系。在图像识别问题上，一幅图就有上百万个像素，也就是上百万个输入参数。
为了应对这些复杂的问题，科学家们设计了神经网络算法，你在网上搜索人工智能、机器学习、深度学习等关键词时，可能经常会看到这张图，这就是一张神经网络图，其中每一个圆圈叫做一个神经元。
单层神经网络
神经网络的开创来源于人类对生物大脑的认识。人脑中有数百亿个神经元细胞，每个神经元细胞前方有有树突用于接收信号，当树突收到刺激时，神经元会判断这个刺激大小，如果刺激足够大，神经元就会决定通过神经递质或者电信号的方法，通过突触将信号传给下一级。
1943年，美国神经科学家沃尔特·皮茨(WalterPitts)和沃伦·麦卡洛克(WarrenSturgisMcCulloch)分析了人类神经元的结构，他们提出：人脑的神经元是一个多输入、单输出系统，而且输出只有两种：0或者1。如果输出是0，就表示上一级神经元不向下一级传递信号；如果输出是1，就表示上一级神经元向下一级传递信号。用计算机可以模拟人类的大脑，这就是所谓的人工神经网络。
皮茨和麦卡洛克
他们提出了最早的人工神经元模型
——M-P模型。
这个模型的操作流程是
1.给定输入参数x1——xn，将它们线性组合起来获得函数值y
2.把函数值y放进一个非线性的激活函数中，获得一个0到1之间的值f(y)。经常使用的激活函数叫做sigmoid函数，它的表达式和图像如下所示。
Sigmoid函数
3.获得的激活值越小，向下级传递信号的概率越低；激活值越大，向下级传递信号的概率越大。
通过这样一番操作，我们就能把一堆输入数字变成0或者1的输出。只要选择的参数合适，我们就能让计算机帮助我们做一些判断题。比如，我们给计算机去一幅图，这是一幅有25个像素点的纯黑白图像，我们要让计算机判断这个图像代表的是不是字母X。
计算机并不能像我们一样一眼看出图像内容，它只认识数字。这张图有25个像素点，每个像素点要么是黑色，要么是白色，相当于有25个输入，每个输入端要么是0，要么是1。于是，这张图片对计算机来讲，就是一个5*5的数字矩阵。
如果是灰度图或者彩色图片又如何呢？灰度图片中的每一个像素点可以用0-255之间的一个数字表示，相当于一个8位的二进制数字；如果是彩色图，每个像素点需要用RGB三个颜色的饱和度来表示，数据量再扩大三倍……但无论如何，计算机看来，任何一张图片都只是一组数字，只是数字有多有少而已。
计算机看到的世界，就如同黑客帝国电影中的情景
将图片代表的数字输入神经网络的输入层，数据依次流过隐层，传递到输出层，输出值只有两种可能：0或者1，输出0表示计算机认为这不是X，输出1表示计算机认为它是X，这就完成了机器识别过程。
在训练时，我们把许多图片输入系统，并且告诉计算机正确的结论，这样计算机就能求出误差函数——这个误差函数与刚才预测房价的函数形式不同，但是原理都是类似的：模型越接近实际，误差函数就越小。通过梯度下降法，计算机会一次次调整参数，不断减小误差函数，最终获得一组最优解，这时，训练就完成了。以后，你给我一副图片，我都能判断个字母是不是X了。
如果只是判断一张图是不是X，也许一层神经元也就够了。然而，现实当中我们利用人工智能翻译文章，需要认识几千个文字或者单词，并理解语法，判断含义。只有一层神经元，没法处理现实世界如此复杂的问题。其实，人脑中的神经元有许多层，每一层神经元又有多个神经细胞，于是人工智能也仿照这个结构，做了多层（深度）神经网络。
单层神经网络和深度神经网络
多层神经网络的隐层是多层神经元，每一层中又有许多个神经元，相邻两层之间的神经元两两之间都有连接，所以这种神经网络也称为全连接网络，它能处理更加复杂的问题，于是，机器就能像人一样，可以思国思家思社稷，赏花赏月赏秋香了。
不过，全连接网络最大的问题是复杂度太高。举例来讲，如果还是判断刚才的图是不是X的问题，有25个输入参数。假设隐层有3层，每层有25个神经元，这样，就有大约2000个参数需要优化。大家注意，这还是一个只有25像素的简单黑白图片。实际上，每一副图像的像素点成千上万，又有RGB三种颜色，在实际训练时又需要使用大量图片进行训练，在以前的计算能力下，几乎是不可能完成的任务，这也是之前人工智能陷入低谷的原因之一。
后来，辛顿引入了反向传播算法，这种算法的意思是：在优化时，无需对所有参数同时进行优化，只要首先考虑最后一层的参数，优化过后再看前一层参数，如此反复进行训练即可。他的工作实现了图像让人工智能进入了第三次热潮。
人工智能框架
显而易见，人工智能的算法如此复杂，程序员不可能每次都从零开始编辑，这就好像厨师做菜不能从种菜开始，工人盖房子不能从烧砖开始一样。一些基础的代码和逻辑应该是已经编辑完成，可以直接调用的，这就是所谓的人工智能框架。
最近几年，由于人工智能大火，许多公司都开发了自己的人工智能框架，比较流行的是谷歌开发的TensorFlow，和Facebook开发的PyTorch等等。在人工智能时代开发框架，就好像在移动互联网领域开发通讯标准一样，会具有基础性、全行业的战略优势。
随着中国计算机和互联网技术的发展，对人工智能的需求量越来越大。于是，华为也开发了自己的开源人工智能框架：MindSpore，它是华为昇腾AI解决方案中的一环。
它的主要特点有:
01
自动并行。通过一条语句声明，MindSpore就会帮你完成分布式并行能力。而现有的框架，大多需要数据工程师手动写分布式并行的策略。
02
更快的参数优化。在进行参数优化时，传统梯度下降算法是一阶优化，相当于匀速找到目标。MindSpore可以实现二阶优化，相当于加速找到目标，某些场景下可以比传统算法训练时间缩短20%以上。
03
云、边缘、端全场景协同。也就是利用MindSpore框架开发的程序，既可以用在云计算中心，也可以用在手机、电视等智能终端，也能用在例如自动驾驶汽车等边缘侧。例如手机打字的时候，人工智能可以实现自动纠错和联想，自动驾驶时，人工智能可以对信号进行实时判断，这些都无需每次都回传云计算中心。
04
更好的信息安全。MindSpore可以实现信息脱敏，也就是把加密的信息上传云端进行训练，数据和模型都是脱敏的，就算别人拿到了数据，也不知道数据内容是什么。就算拿到了模型，也不知道模型怎么用。这在人脸识别等有安全需求的领域非常有用。
华为也建设了类似于Github的代码社区MindSpore社区（https://gitee.com/mindspore），并与中国各地高校联合，鼓励高校教师和学生使用MindSpore框架，构建自己的人工智能代码库。
全场景AI计算框架MindSpore，作为AI根技术之一，是AI技术皇冠上的明珠。上层应用有了开发框架就不难了，随便一个学生都能开发app。从框架开源到AI开发平台的产业化升级，意味着华为全栈全场景AI的软硬件骨干已经全部投入业界实践，成为全球AI开发者的能力组成部分。
这一回，我为大家介绍了人工智能的发展史、梯度下降算法、神经网络、AI框架等基本概念。下一回，我还想和大家聊聊在人工智能领域重要的应用场景——图像识别的具体实现，为大家介绍目前非常流行的卷积神经网络，欢迎关注哦！
重点推荐
机器人具备像人类一样思考的能力了吗
科技时代的来临，人们总在忧心会被机器取代。可是，从人工智能起源至今，60多年过去了，机器具备像人类一样思考的能力了吗？
10月19日，“一刻talks·先见未来大会”在北京举办，此次大会主要针对人工智能、生物基因、商业创新、未来教育四大领域，邀请了100位全球智客共同探讨科技未来的发展趋势。
图麟科技CEO魏京京受邀参加，并发表了《人工智能：机器像人类一样“思考”》主题演讲。从图灵测试到深度学习的突破，魏京京向现场观众阐述了人工智能发展的前世今生，他认为目前人工智能正处于从弱到强的发展阶段，未来人工智能的发展速度将会超出人类想象，也许有一天人工智能真的可以像人类一样思考，并为人类带来更多的便利。
人工智能的发展历程时至今日，我们感叹着人工智能发展的日新月异，殊不知，人工智能从起源至今，不过经历了短短60年。
1950年，艾伦·麦席森·图灵首次提出了“图灵测试”，让机器和人类共同进行问题测试，通过测试来证明机器是否具备人类的“智能”。“图灵测试”的提出，引起了学者与专家对这门学科的强烈关注。但由于计算能力的限制，那个阶段中的人工智能并不能完成大规模并行计算与处理，也因此让人工智能的发展跌入了两次低谷。直至1997年，首次人机大战告捷，IBM的“深蓝”成功战胜了国际象棋世界冠军，从此，人工智能正式走进大众的视野。
而后的时间中，随着深度学习技术的突破，以GPU为代表的新一代计算芯片也为计算机提供了更强的计算力。此外，随着第三次工业革命——信息革命的到来，互联网、社交媒体、移动设备和传感器的大量普及，全球产生并存储的数据量继续增加。算法、算力，加之丰富的数据，最终为人工智能的发展培育了丰厚的“土壤”。
如今，AlphaGo已成功战胜人类顶尖围棋选手，人工智能浪潮从此全面爆发。智能客服、智能医生、智能家电等服务开始深入诸多细分行业，并得到广泛的应用。可以说，AI正全面进入我们的日常生活，属于未来的力量正席卷而来。
人工智能由弱-强-超的发展之路目前，不论是视觉领域的人脸识别、文字识别、自动驾驶，还是语音领域的语音识别、情感机器人，人工智能已经在几乎所有需要思考的领域超过了人类，AlphaGo的成功已充分证明计算机的运算能力远高于人脑，但在那些人类和其他动物不需要思考就能完成的事情上，人工智能还差得很远。
当下，人工智能正处于从弱到强的阶段！
实际上人工智能的概念很宽，如果按照人工智能的实力分类可将其分为弱人工智能、强人工智能、超人工智能三大类。弱人工智能下的“机器大脑”，更多的是复制人类语言，不懂情感，就如同工厂中每天忙碌的机械手，冰冷、毫无思考。如果有一天，机器开始学会理解情感，并像人类一样开始思考和决策时，便意味着强人工智能时代已经来临。可这一切，最终还是要走向超人工智能阶段，之所以将其称之为“超”，便代表了这个阶段中的人工智能已超越人类级别，无论是科学创新，还是社交技能，都将突破人类认知想象。
尽管如今的人工智能还处在弱人工智能阶段，但每一个弱人工智能的创新，都在给通往强人工智能和超人工智能的旅途添砖加瓦。专家预测，到了2040年，人们便会看到强人工智能的出现，而超人工智能也会在不远2060年以不可预计的惊人速度来临！
不妨可以畅想，当我们拥有了超级智能和超级智能所能创造的技术，超人工智能可以解决人类世界的所有问题。例如世界饥荒，超人工智能可以用纳米技术直接搭建出肉来，而这些搭建出来的肉和真肉在分子结构上会是完全相同的——换句话说，就是真肉。实时上，这不仅是单纯的畅想，这些的确正在发生！
颠覆正在上演超人工智能时代的来临，对人类而言，你可能会感觉如上帝降临地球般，又或者是恐慌，毕竟“智能爆炸”这个词听起来确实有点吓人！
事实上，从古至今，每一项新技术的出现，往往伴随着巨大的争议与质疑。曾经，在人们嘲笑着美国工人斯蒂芬发明的蒸汽机时，它已经成为引爆第一次工业革命的重要转折点，让人类从农业社会走向工业社会；当电灯和电气被广泛应用于生活中的时候，你才能感受到一个发光的东西可以给人类带来多少颠覆性的改变；20世纪，互联网和计算机的大规模爆发，信息时代来临，乔布斯创造了他的苹果帝国，扎克伯格用他的Facebook颠覆了全球的社交网络，改变了每一个人的交际圈，世界成为一个“地球村”。
在这些改变之初，你或许会恐慌，或许并未感知，但它就在你的身边，并给你的生活带来了巨大的便利。如今，深度学习算法的精进，大数据网络的蔓延，我们完全有理由相信，人工智能将颠覆产业结构、城市形态、生活方式以及科技格局，第四次工业革命一触即发。那时，我们将会迎来一个全新的生态环境，一个全新的世界。
不难发现，如今的人工智能已经渗透我们的生活，扫脸支付、刷脸开门、智能货架、无人超市等应用，为我们的生活带来诸多便利。安防领域中，城市“天眼”正在帮助公安刑侦进行布控、抓捕，从源头上预防犯罪，为构建平安城市保驾护航。工业领域，大批量的工业机器人正替代产线工人，大量降低企业的人力成本，解决企业招工难的问题。未来，我们可以期待人工智能发挥它更多的价值，例如：对于医学的研究，癌症的治疗。
图麟科技作为一家致力于将计算机视觉技术应用到各个行业的人工智能公司，也身处于人工智能的浪潮中，并肩负着这个时代发展的使命，而我们也将致力于让人工智能为人类社会创造更大的价值！