人工智能和机器人的区别
尽管机器人和人工智能这两个术语经常互换使用，但它们的用途却截然不同。我们可以通过理论、技术和应用这3个方面来看人工智能和机器人之间的区别。
理论上的区别大多数人会认为机器人和人工智能是一回事，但它们分处不同领域。机器人是硬件，人工智能是软件。用技术术语来说，机器人是旨在以最快的速度和精度自动执行一个或多个简单到复杂任务的机器，而人工智能就像一个计算机程序，通常展示与人类智能相关的一些行为，如学习、计划、推理、知识分享、解决问题等等。技术上的区别人工智能是下一代机器人技术，它使人和机器能够以新颖的方式协同工作。
事实上，人工智能系统被设计拥有以截然不同的方式超越机器的能力，在许多领域方面，人工智能是人类智能，可以补充人类思维以增强其执行任务的能力。机器人是自主或半自主机器，它们利用人工智能通过自我学习来增强其自主功能。他们只是使用计算机系统进行控制和信息处理，从而无需人工干预即可复制人类行为。
应用上的区别机器人用于广泛的领域，尤其是工业应用和汽车制造。新一代机器人效率更高，无需定制软件。此外，机器人还广泛应用于组装包装、太空和地球探测、医疗外科应用、实验室研究、武器装备等。
人工智能的基本应用是流行的井字游戏。人工智能还与机器人技术一起用于语音识别，机器人技术是人工智能的一个领域。从谷歌的DeepMind到苹果的Siri等，人工智能在消费领域也有应用。
什么是人工智能人工智能是计算机科学领域，研究智能行为的计算合成和分析，是像人类一样工作和反应的智能机器。借助人工智能，流程变得更具动态性和适应性。从技术上讲，人工智能更像是一种计算机程序，它的思考和推理方式与人类思维非常相似。
什么是机器人机器人是经过专门编程的可编程机器，可以在没有人工干预的情况下执行一系列复杂的任务
人们在很多科幻电影中都能看到机器人，这些恰恰展示了机器人科学的不同前景。机器人正变得比以往任何时候都更具能力和多样化。
机器人的特点通常是它们能够轻松地执行危险任务，并且不需要人类来执行它们。
就目前而言，人工智能应用更加广泛，它改变规则，推动了技术的发展。尤其是近几年，人工智能在消费领域以及医疗行业、军事技术、家用电器、汽车控制等领域都取得了重大进展。
人工智能≠机器人！
[[379103]]
随着科技创新成为时代主旋律，相信诸如“自动驾驶取代司机”、“50%以上的工作岗位将会被AI取代”以及“机器人大规模列装，无人工厂成真”之类的新闻标题早已充斥着各位的手机屏幕。
但这种技术名词的滥用往往会在不经意间使大众混淆“机器人”与“人工智能”（AI）两个概念。
机器人技术是AI的一部分吗？AI是机器人技术的一部分吗？这两个名词的区别是什么？通过今天的这篇文章，我们来解答这些问题。
人工智能正当时首先要说明的是，机器人和人工智能完全不是一回事，二者的目的非常不同。甚至可以说，这两个领域几乎是完全各自独立的。
人工智能（AI）是计算机科学的一个分支，它涉及开发计算机程序来完成原本需要人类智慧的任务。AI算法可以解决学习、感知、解决问题、语言理解和/或逻辑推理。
人工智能有两大类：通用人工智能（GeneralAI，AGI）和狭义人工智能（NarrowAI）,有时还会从通用人工智能中分化出远超人类的超人工智能（SuperAI）。
广义人工智能指的是与人类智力相当或更高的整体系统，它可以完成各种任务，从下棋到在商店里招呼顾客，再到创作艺术品。除了马斯克这样的乐观主义者外，大多数专家认为，我们距离看到可以超越人类的AI还有几十年的时间。
当下，实现通用人工智能最根本的障碍是，人类首选需要了解所谓的“智能”是如何运作的，然而这是一个巨大的难题，亟待脑科学方面的突破。
但人类在狭义人工智能领域已经取得了相当大的进展。在现代世界中，狭义人工智能（或弱人工智能）被用于许多方面，这些系统可以在严格的参数内执行离散的任务，例如：
图像识别（Imagerecognition）：最典型的是公安机关的“天网”系统；自然语言处理（Naturallanguageprocessing）：苹果的Siri、阿里巴巴的“天猫精灵”和百度的“小度”等AI助手的语音识别；信息检索（Informationretrieval）；各大搜索引擎；利用逻辑或证据进行推理（Reasoningusinglogicorevidence）：金融机构用于抵押贷款核销或确定欺诈的可能性。不难发现，这些任务可以归纳为三类智能：感知、推理和沟通，而且大多数AI程序与大众想象中的“机器人控制”并无关系。
以苹果的Siri语音助手为例，首先，它使用语音识别算法来捕捉人们的问话（“感知”），然后使用自然语言处理来理解这串词的含义并确定一个答案（“推理”），最后使用自然语言生成这个答案并将其转达给用户（“沟通”）。
[[379106]]
人工智能的历史演进那么人工智能系统是如何走到这一步的呢？
自从20世纪40年代艾伦·图灵（AlanTuring）和他同时代的科学家开发出第一台复杂的计算机以来，思维机器的概念就已经存在了。
艾伦·图灵
[[379107]]
1956年的达特茅斯学院大会通常被认为是AI发展的里程碑时刻，当时计算机科学家们聚集在一起，在“人工智能之父”马文·明斯基（MarvinMinsky）的推动下，将人工智能作为一个独立的领域进行研究。
马文·明斯基
[[379108]]
然而，尽管早期该领域获得了科学家的广泛热情和各界大量资金支持，但人工智能的最初进展依然步履蹒跚，慢的令人失望。
DARPA（美国国防部高级研究计划局）曾在20世纪60年代向高校体系投入了数百万美元，希望机器翻译能够增强其反间谍能力，但由于机器翻译领域缺乏进展，他们的态度也变得消极。
与此同时，在英国，1973年由詹姆斯·莱特希尔（JamesLighthill）领导的一个人工智能政府委员会提出了严重的质疑，认为人工智能研究领域只会以渐进的速度发展。
其结果是，美英两国乃至整个西方世界的政府资助被大幅削减。
整个20世纪，人工智能在政策制定者和公众意识中的地位一直是起起伏伏。往往是一个新的发展会引发一波热情和资金的激增，但由于承诺的创新未能实现，人们的兴趣又急剧下降，进而导致失去资源支持。
为什么人工智能在20世纪进展如此缓慢？究其原因与研究人员在开发软件时采用的方法有关。
20世纪的大多数人工智能应用都采取了专家系统的形式，这些系统基于一系列精心开发的“if-then”规则，可以指导基本的决策。
虽然专家系统对于处理一个包含的任务很有用（比如在ATM机中取钱），但它们却很难处理那些不容易被编入规则的请求。
例如，很难编写规则来确定一个类似人类的物体是人体模型还是真人，或者核磁共振扫描（MRI）上的深色图案是肿瘤还是良性组织。这些任务往往依赖于那些难以表述的“隐性知识”。
只有当新的人工智能方法投入使用时，才取得了重大突破，而机器学习（MachineLearning）就是这类“新方法”中最具代表性的一个。
机器学习不需要从头开始编写规则，而是通过使用现有的数据（例如，图像被标记为人体模型或真人，MRI扫描被标记为恶性或良性肿瘤）来“训练”算法。
[[379110]]
反过来，这些算法每检测出一种模式，就会创建一个通用规则来理解未来的输入，以此形成良性循环。目前，机器学习算法已被应用于多个领域，从发现银行欺诈交易到帮助人力资源团队在招聘员工时筛选简历申请，任务多样。
过去的十多年里，机器学习在一直在人工智能领域独领风骚。但在最近的几年，人们的注意力已经转向了机器学习的一个子领域——深度学习（DeepLearning）。
深度学习系统是由“人工神经网络”（ArtificialNeuralNetworks）组成的，它有多层，每一层都被赋予了对图像、声音或文本中不同模式进行理解的任务。
第一层可以识别原始模式，例如图像中物体的轮廓，而第二层可以用来识别该图像中的颜色带。数据通过多层输入，直到系统能够将模式聚类为不同的类别，例如物体或文字。根据伦敦国王学院的一项研究，当使用核磁共振扫描的原始数据时，深度学习技术将大脑年龄评估的准确性提高了一倍以上。
而除了以上方法外，其他重要的人工智能方法还包括监督式学习、强化学习和迁移学习：
监督学习（Supervisedlearning）：算法一开始就可以通过监督或者非监督式学习两种方式进行训练。
监督式学习意味着算法被赋予标记数据，它们从这些数据中提取模式，得出一个通用的规则来理解未来的数据。大多数机器学习和深度学习算法都是使用监督过程来训练的。非监督式学习是指给算法提供未标记的数据，并自行发现模式。例子包括营销公司使用的人群细分，以及一些网络安全软件。
强化学习（Reinforcementlearning）：有些算法只编写或训练一次，而强化学习则是利用正反馈机制，在使用过程中不断调整和改进算法。
短视频和网购中的推荐系统就是强化学习的一个例子。每当消费者购买一件产品（一本书、一条记录或一件衣服）时，算法都会自动调整，以便在未来推荐时将这些行为考虑进去。
迁移学习（Transferlearning）：迁移学习是指将一个在某一领域开发的算法进行修改，以用于另一个领域，而不必从头开始，也不必将大量原始数据和标签数据作为来源。
要说明的是，上述人工智能的方法并不一定是相互排斥的，往往可以结合使用。
机器人的世界说罢人工智能，再来谈谈机器人（Robotics）。机器人学包括设计、制造和编程能够与物理世界互动的物理机器人。机器人技术中只有一小部分涉及人工智能。
通常，构成机器人有三个重要因素：
机器人通过传感器和执行器与物理世界进行互动；
机器人是可以编程的；
机器人通常是自主或半自主的。
因此，虽然拖拉机、建筑挖掘机和缝纫机有运动部件，可以完成人工任务，但它们需要人类长期（如果不是连续）监督，所以不属于机器人。
相比之下，仓库里的拣货和包装机器，以及升降和搬运病人的“护理机器人”，都是在部分自主的情况下完成任务的，因此它们会被归为机器人。
“机器人”一词最早出现在1921年卡雷尔·卡佩克（KarelCapek）创作的一部科幻剧中，该剧讲述了在一个社会中，克隆人被当做奴隶，结果机器人推翻了主人的故事。
[[379111]]
直到20世纪50年代，机器人仍是科幻小说的专利，彼时全世界第一家工业机器人公司Unimation刚刚成立。它发明了一种突破性的近2吨重的机械臂，可以根据预先编程的指令取放物品，是工厂里搬运重物的理想选择。
1961年，Unimate机器人在通用汽车公司首次亮相，它被用来运送热的压铸金属件，并将其焊接到汽车车身部件上。
不久后的1969年，机器人先驱维克多·舍恩曼（VictorScheinman）开发了斯坦福臂（StanfordArm），这是世界上第一个电动关节型机器人臂。它被看作是机器人技术的一个突破，因为它在6轴上操作，比以前的单轴或双轴机器有更大的运动自由度。
[[379112]]
斯坦福臂标志着关节型机器人革命的开始，它改变了制造业的装配线，并推动了包括库卡（Kuka）和ABB机器人在内的多家商业机器人公司的发展。
多年来，关节型机器人已经承担了从焊接钢材到组装汽车，再到给白色家电加漆等各种各样的功能。国际机器人联合会（InternationalFederationofRobotics）估计目前全球工业机器人的数量为270万台。
走出藩篱的机器人在20世纪的大部分时间里，机器人行业仍然集中关注关节型机械臂。然而，正如人工智能领域一样，在千禧年之交，情况开始发生变化。
本田公司的ASIMO机器人于2000年亮相，是首批能够用两条腿行走、识别手势和回答问题的人形机器之一。
[[379113]]
三年后，KIVA系统公司（现在的亚马逊机器人公司）成立，提供移动机器人，可以在复杂的配送仓库内穿梭运送货物和托盘。
2000年代初，也是自动驾驶汽车从实验室测试走向道路试验的时期。特别具有象征意义的是2004年DARPA的挑战赛，这是同类奖项中的第一个。任何人只要能够让自动驾驶汽车跑完230公里的赛道，就可以获得100万美元的奖金。
虽然这些机器人的功能、大小和环境各不相同，但它们都有一个共同的特点：可移动性。20世纪的关节型机器人往往只能固定在一个地方，但21世纪的机器人已经动了起来。
其中一个驱动因素是人工智能和机器人技术的共生，复杂的软件让物理机器有能力处理无法预料的环境和事件。例如，强化学习意味着机器人现在可以模仿和学习人类。此外，将数据存储在云端意味着机器人可以与网络中的其他机器人学习和共享经验。
另一方面，机器人技术的进步也得益于硬件的创新。传感器的改进使机器人具备了在非结构化环境中导航所需的视觉感知能力。与这些传感器能力相匹配的是丰富且不断增长的物理世界数据库，包括新的3D图像数据集，如谷歌或百度的3D街景地图。
最后，材料科学也在飞速发展。硅胶和蜘蛛丝等更好的材料使机器人外观看起来更锐利，而由压电晶体管制成的“机械毛发”则像人的皮肤一样敏感。此外，液压泵也有改进，不仅摩擦力极小，而且可以实现卓越的控制水平。
综合以上的因素，结果是机器人不再局限于工厂，而是可以在医院病房、商店楼层和城市街道等各种环境中漫游。
更可喜的是，即使在工厂里，机器人也在不断进化。最新的机器被称为“协作机器人”（co-bots），其设计目的是与人类工人协同工作，例如从料箱中拣出零件，从生产线上取出不良品，并完成简单的工作，如拧螺丝、涂胶和焊接。
[[379114]]
另外，它们也非常容易重新编程，因此对小批量生产的企业很有吸引力，并且它们还具有扭矩传感器，可以在人类接触的情况下保持不动。麻省理工学院与宝马公司合作进行的研究发现，机器人与人类协作比人类单独工作的工作效率高85%。
纵观机器人技术的发展，可以看出现在的物理机器人主要有五种类型：
关节型机器人（Mobilerobots）：固定式机器人，其手臂至少有三个旋转关节，这种机器人通常出现在工业环境中。协作机器人是关节型机器人的最新迭代。
移动机器人（Mobilerobots）：轮式或履带式机器人，可以将货物和人员从一个目的地运送到另一个目的地。自动驾驶汽车是移动机器人能力的巅峰。
人形机器人（Humanoidrobots）：与人类生理上相似并试图模仿人类能力的机器人。软银声称其Pepper机器人是第一个能够识别人类情绪并相应调整其行为的机器人。
假肢机器人（Prostheticrobots）：可以穿戴或操作的机器人，让人们获得更大的力量，包括残疾人或从事危险工作的工人。大众更熟悉的名词是“外骨骼”。
蛇形机器人（Serpentinerobots）：由多个部分和关节组成的蛇形机器人，可以极其灵活地移动。由于蛇形机器人能够穿越困难的地形和在狭窄的空间中移动，因此在工业检测和搜救任务中得到了应用。
人工智能机器人：机器人和AI的桥梁从以上的描述可以了解，大多数机器人都不是“智能”的。即使AI被用于控制机器人，AI算法也只是更大的机器人系统的一部分，该系统还包括传感器、执行器和非AI程序。
直到现在，所有的工业机器人都只能通过编程来进行一系列重复性的动作，这些动作显然并不需要人工智能。然而，非智能机器人的功能相当有限。
当你想让机器人执行更复杂的任务时，人工智能算法是必要的。
[[379115]]
例如，仓储机器人可能会使用路径搜索算法在仓库周围导航；无人机可能会在电池快用完的时候使用自主导航返回家中；自动驾驶汽车可能会结合使用人工智能算法来检测和避免道路上的潜在危险。这些都是人工智能机器人的例子。
未来会怎样？如果要问我人工智能和机器人技术这两项技术在未来几年和几十年将如何发展，恐怕很难给出好的答案。深度学习算法可能会走入死胡同，而仿人机器人也可能只是一种幻想。
有观察家已经提出，全球范围内的人工智能泡沫正在膨胀，而机器人的“人工”程度超过了“智能”程度。
但我们可以比较肯定地说，只要算力、数据采集和存储、通用基础设施以及研究投资没有停下来，那么这些技术将继续以这样或那样的方式继续发展。继那之后，我们更应该警惕的是AI、机器人以及二者结合后所产生的社会性影响。
参考资料：
[1]https://medium.com/@thersa/what-is-the-difference-between-ai-robotics-d93715b4ba7f
AI≠机器人！人工智能在机器人技术中的作用
所有的人工智能代理都是机器人，但是否有可能反过来理解，即机器人是人工智能？机器人和人工智能(AI)使人们有可能为人类和各行各业各种规模的企业遇到的问题找到创造性的答案。然而，仍有许多问题仍然存在：人工智能是机器人的一个子集吗？人工智能属于机器人吗？这两个术语有什么区别？今天，我们一起来探讨这些问题。机器人是人工智能吗？首先，应该明确机器人和人工智能是完全不同的概念。这两个领域本质上是完全不同的，下面的维恩图清楚地解释了它：机器人是人工智能吗？人工智能机器人是两门科学交叉的一小部分。由于这种重叠，人们经常会混淆这两个概念。我们需要分别考察三个概念来回答“机器人是人工智能吗？” 这个问题。什么是机器人技术？与机器人一起工作的技术称为机器人技术。机器人是经过编程的机器，通常完全或部分独立地完成一系列任务。组成一个机器人三个关键部件：所有机器人都采用某种形式的机械设计。机器人的机械部件有助于其在原始环境中进行活动。例如，Mars2020Rover的独立电动钛管轮有助于它在火星这颗红色星球充满挑战的表面上保持牢固的抓地力。机器人是人工智能吗？:什么是机器人？图源：NASA电气部件是控制和驱动机器人机械所必需的。从本质上讲，大多数机器人需要电流才能运行（例如电池）。机器人至少在某种程度上是计算机编程的。如果机器人没有一套指示它做什么的指令，它就会是另一件基本机器。机器人可以通过编程知道何时以及如何完成任务。工程学的机器人领域涉及机器人的创造、设计、生产和使用。机器人技术旨在开发可以以各种方式帮助人们的智能机器。有许多不同类型的机器人。机器人可以是看起来像人的机器，也可以是机器人应用程序，如机器人过程自动化(RPA)，它模仿人们如何与软件交互以执行常规的、基于规则的任务。什么是人工智能？机器，特别是计算机系统对人类智能功能的模拟被称为人工智能。专家系统、自然语言处理、语音识别和机器视觉是特定AI应用的一些示例。随着围绕人工智能的炒作越来越多，许多供应商一直在争相展示他们的商品和服务如何使用人工智能。通常，他们所说的人工智能只是人工智能的一个元素，比如机器学习或机器人技术。为了使机器学习算法有效，它们需要专门的硬件和软件基础。没有一种编程语言是专门与AI相关的，但有少数是，包括Python、R和Java。可以参考这篇文章了解哪种编程语言最适合人工智能。我们也不要害怕这些人工智能术语，这里有一份人工智能术语词汇表， 并解释了人工智能的基础知识以及人工智能的风险和好处。人工智能在机器人技术中的应用：什么是人工智能机器人？人工智能驱动的机器人中添加了广泛的传感器，包括视觉设备，如2D/3D相机、振动传感器、接近传感器、加速度计和其他环境传感器，为它们提供可以实时处理和采取行动的传感信息-时间。当与人工智能相结合时，机器人可以帮助企业组织创新和转变他们的运营。当今使用的最流行的人工智能机器人类别包括：自主移动机器人(AMR)当他们在周围环境中导航时，人工智能为AMR提供了以下能力：可以使用3D相机和LiDAR传感器捕获信息。分析获得的数据并总结其环境和总体目标。调整行为以获得最大的结果。支持AI的AMR执行的活动和任务因行业而异。例如，AMR可以通过在仓库中将产品从一个位置运送到另一个位置时绕过人员或掉落的箱子来避免碰撞，同时还可以找出最佳路线。关节机器人（机械臂）借助人工智能，具有可移动手臂的机器人可以更快、更准确地完成工作。AI系统使用来自视觉传感器（例如2D和3D相机）的信息来划分和理解场景以及识别和分类对象。协作机器人借助人工智能，协作机器人可以理解和适应人类的语音和手势，从而消除了对工人辅助训练的需求。机器人与人工智能的区别尽管人工智能和机器人这两个词有时被用作同义词，但它们具有不同的功能。由于每个作者和专家对这些术语都有自己的解释，因此没有统一的教科书定义，这是造成误解的主要原因。由于“机器人是人工智能吗？”这样的问题广为传播，且有些媒体不断将人工智能和机器学习描述为像终结者这样的可怕机器人，从而进一步加深了这一点。机器人人工智能机器人是旨在以最高的精度和速度自动执行一项或多项困难任务的机器。人工智能类似于经常表现出一些人类智能特征的计算机程序。机器人技术是人工智能的一个领域，它使用人工智能来增强其能力。人工智能是机器学习和人类智力之间的纽带。机器人是处理信息并使用计算机系统控制它们的自主或半自主机器。人工智能是支持人类思维以提高任务绩效和自我提升的人类智能。机器人用于组装、包装、地球和太空探索、外科手术、实验室研究、武器装备和其他用途。Spotify、Apple的Siri、Netflix、GoogleDeepMind都包含了人工智能。科学新闻
新一代人工智能新趋势
社会发展史上，人类经历了农业革命、工业革命，当前正在经历信息革命。智能化是信息革命的一个新阶段，信息革命从数字化开始发动，网络化将其提升到了非常重要的阶段，现在人类社会进入了智能化阶段。
人工智能是依托人工设计的装置，为了完成人工规定的任务，通过人工设计的算法和由人工（直接或间接）提供的数据，经学习形成自主的感知、认知和决策能力。人工智能是渗透力很强的通用技术，是引领新一轮科技产业变革的战略性技术，具有溢出带动性很强的“头雁效应”。
近年来，有关人工智能的研究不断增长。WoS统计数据表明，2018~2020年，人工智能算法研究论文数量持续增长，从13万增长到17万多篇，应用领域也逐年扩大。
新一代人工智能技术是在克服现存瓶颈中开辟新道路的。当前人工智能发展的瓶颈，包括数据可获得性和质量问题、模型可移植性问题、能效和能耗问题、语义鸿沟问题、算法可解释性问题、可靠性问题等等。
数据的可获得性和质量是新一代人工智能面临的第一个大问题。大量数据的获得并不那么容易，一般的企业没有能力获得这么大量的数据，也花不起如此之高的成本去做大量标注，而且还需要投入大量的算力。
其次是能耗瓶颈。2020年5月，人工智能非营利组织OpenAI发布了预训练语言模型GPT-3，其具有1750亿参数，在许多自然语言处理数据集上均具有出色的表现，包括翻译、问答和文本填空任务，还包括一些需要即时推理或领域适应的任务等，可以说其在很多实际任务上已大幅接近人类水平。开源预训练模型大大降低了企业开发的门槛，但这种神经网络模型所需的数据、算力和能耗非常大，GPT-3训练所用的数据量达到45TB，训练费用更是超过1200万美元。
值得关注的是，近年来AI加速器的需求快速增长，发展异常活跃，一批新生力量强势崛起。一方面是通过将现有算法嵌入芯片，提高速度、降低能耗；另一面，也出现了一些高效的新算法。
比如，来自麻省理工学院、维也纳工业大学等机构的团队，仅用19个类脑神经元就实现了控制自动驾驶汽车，使其能够模仿学习，具有扩展到仓库用自动化机器人等应用场景的潜力，而常规的深度神经网络则需要数百万神经元。这种类脑小参数模型的能耗也大为降低。这一研究成果发表在2020年10月《自然•机器智能》上。
2020年8月，《自然》封面报道了清华大学的研究成果——“类脑计算与机器学习结合的芯片问世”，成为全球关注的重大新进展。
2020年10月，《自然》发表清华大学张悠慧等提出的“类脑计算完备性”概念以及软硬件去耦合的类脑计算系统层次结构。《自然》评论认为：“‘完备性’新概念推动了类脑计算”，对于类脑系统存在的软硬件紧耦合问题而言，这是“一个突破性方案”。
2020年12月，北京大学杨玉超团队提出并实现了一种基于相变存储器（PCM）电导随机性的神经网络高速训练系统，可有效缓解人工神经网络训练过程中时间、能量开销巨大并难以在片上实现的问题，为人工神经网络在终端平台上的应用以及片上训练的实现提供了新的方向。
无论是从算法、理论、硬件还是基础器件，都可以看到新一代人工智能技术的新趋势：强功能、高效率、新体系。
人工智能产业发展
中国新一代人工智能发展战略研究院选择以人工智能解决方案为主业的企业进行研究，经过持续三年的观察发现，智能科技产业是企业、大学、科研院所、投资者、链接者（会议、联盟）和政府六类主体通过资金、技术和人才关系相互作用的复杂适应系统。
我们从2205家企业入手，发现他们联系到200多家大学、100多个研究所，参加了1000多个会议，涉及到400多个联盟、3741家投资者以及500多条地级以上政府的政策、1000多个地级以上政府产业园，连成一个密密麻麻的图，我们称之为“价值网络图”。这个图虽然看上去一团乱麻，实质上反映出人工智能产业紧密连接的形态特征。
我们进一步观察到，2018年连接度最高的是BAT三个平台，2020年华为的连接度上升到第一位。我们还发现，一批汽车制造企业由于融入了智能技术，已经成为智能产业的重要力量。总体上来看，人工智能和实体经济的结合越来越紧密，融合产业部门正在成为智能产业发展的主导力量，智能机器人成为人工智能与实体经济的重要结合点。
在中国这样的人口大国，为什么要发展机器人？我认为，机器人不是要一般性地代替人的工作，而是要去做不适宜人做或人们不愿意做的工作。在工业化早期，正如卓别林在电影《摩登时代》中表现的那样，工人每天做着紧张乏味的机械式劳动，这种机械式劳动把人变成机器。于是，人们强烈希望用某种机器来代替这种机械劳动，代替人完成那些枯燥、单调、危险的工作，于是机器人应运而生。没有机器人，工业化把人变为机器；有了机器人，人仍然是工业化的主人。
我国科学家对机器人的定义是：“机器人是一种自动化的机器，所不同的是这种机器具备一些与人或生物相似的智能能力，如感知能力、规划能力、动作能力和协同能力，是一种具有高度灵活性的自动化机器。”
机器人存在安全之忧、能力之忧、成本之忧、失业之忧、灭种之忧这五个“发展之忧”。要想解决这些问题，机器人需要上网，通过大数据和人工智能结合，为机器人增能提智；同时，还要为机器人立心立德，把伦理植入系统，做到可检测、可检验。
新一代人工智能与新一代机器人融合趋势下，信息技术与制造技术深度融合的数字化、网络化、智能化制造是主线，这体现在以机器人为载体、以工业互联网为基础，推动新一代人工智能和实体经济深度融合。
新一代人工智能和机器人共融发展
“与人共融”是新一代机器人面临的共性挑战。目前机器人在智力和行为能力上与人是不可比拟的。要做到与人共融，机器本体的行为能力仍需加强，要更加敏捷，同时智能技术和智能水平也应增强，使其在智力和行为能力上与人的水平相匹配，这样才能实现与人协同。
工业机器人要融入“有人的生产线”，与工人互助合作完成任务；服务机器人要融入普通人（老人、残疾人、家庭主妇等等）的家庭生活；特种机器人则要更多提高自主智能，降低对人的遥操作的依赖。
传统人工智能技术主要在非行为空间、确定性约束或规则下进行推理决策，如问题求解、定理证明、模式识别、专家系统、人机博弈等等；而机器人所需的智能是在行为空间。因此，具有约束条件的非预知性、动态性、操作/合作对象的随机性以及行为决策所必须的实时、鲁棒性，都对人工智能提出了技术挑战。
机器人的智能是在与工作环境、合作对象、作业目标的不断交互过程中，通过自主学习而形成的“发育智能”，而非基于完备规则下的“计算智能”。因此，要把握机器人智能发育理论、方法与发展趋势；利用机器学习、人工智能与脑科学的研究成果，研究基于模仿学习、自主学习的机器人知识、技能获取与增长机制及实现方法；面向自主作业和自主移动，研究机器人智能发育的软硬件实现方法。
机器人的智能发育，是指机器人利用其自身所具备的感知能力，在其与环境以及操作者的实时动态交互过程中，增量式、渐进地提升自身自主行为能力的过程。与传统的机器学习方法相比，智能发育需要具有以下特点使之更适合于机器人的智能获取与提升：一是具有类人的、无需大样本的学习模式；二是能够适应动态、不确定环境和非特定使命；三是具备长期、增量式的经验积累能力；四是可以融合人的智能，实现二者的高效协同，让人工智能和机器人相向而行，共同支撑智能制造，实现人工智能和实体经济的深度融合。■
（作者系世界工程组织联合会主席、中国电子学会副理事长，记者高雅丽整理）
人工智能的历史、现状和未来
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）
如何规避认知类似人工智能与机器人是不是一回事的偏差
这是一篇客座文章。这里所表达的观点只是作者的观点，并不代表电子发烧友的立场。
大多数人把人工智能和机器人视为不可分割的一对，认为它们是一回事。事实上，“人工智能（artificialintelligence）”一词很少在研究实验室使用。特定于某些人工智能和其他智能技术的术语更为相关。每当我（作者，以下简称我）被问到“这个机器人是由人工智能操作的吗？”这个问题时，我都会犹豫是否应该把我们开发的算法称为“人工智能”。
20世纪50年代，JohnMcCarthy和MarvinMinsky等科学家首次使用人工智能。几十年来，人工智能经常出现在科幻小说或电影中。现在，人工智能被应用于智能手机虚拟助理和自动驾驶车辆算法中。无论是历史上还是今天，人工智能都可能意味着许多不同的东西，这可能会引起混乱。
然而，人们常常有这样的偏见，认为人工智能是人类智能的人工实现形式。而这种先入为主的观念可能来自于我们作为人类的认知偏见。
Wejudgerobots’orAI’stasksincomparisontohumans
不要将机器人或AI直接与人类相比较
如果你在2017年碰巧关注了这条新闻，那么当DeepMind开发的人工智能AlphaGo击败9段围棋选手LeeSedol时，你有什么感觉？你可能会感到惊讶或恐惧，认为人工智能已经超越了天才的能力。
尽管如此，赢得一场有着指数级可能动作（如围棋）的游戏只意味着人工智能已经超过了人类智力的一个非常有限的部分。IBM的人工智能Watson也是如此，它在“Jeopardy！”中竞争——这是一个电视智力竞赛节目。
我相信很多人都对我在麻省理工学院仿生机器人实验室（MITBiomimeticRoboticsLaboratory）研制的MiniCheetah的后仰动作印象深刻。虽然向后跳跃和落地是非常动态的、引人注目的，当然对人类来说也是困难的，但与需要更复杂反馈回路的稳定行走相比，特定运动的算法非常简单。完成对我们来说似乎很容易的机器人任务通常是极其困难和复杂的。出现这种差距是因为我们倾向于根据人类标准来考虑任务的难度。
我们倾向于将人工智能的功能泛化。例如，当我们在街上看到有人在做后空翻时，我们倾向于认为这个人擅长走路和跑步，也有足够的灵活性和运动能力，擅长其他运动。一般来说，很可能对这个人的这种判断不会是错误的。
然而，我们也能将这一判断应用于机器人吗？我们很容易根据对特定机器人运动或功能的观察来概括和确定AI性能，就像我们对人类所做的那样。
通过观看OpenAI（人工智能研究实验室）机器人手解决魔方的视频，我们认为人工智能可以执行所有其他简单的任务——因为它执行了如此复杂的任务。但我们忽略了这样一个事实，即人工智能的神经网络只针对有限类型的任务进行训练。例如，如果情况发生变化，在操作魔方时将它倒置，则算法的工作效果可能不如预期的好。
与人工智能不同，人类可以将个人技能结合起来，并将其应用于多项复杂任务。一旦我们学会了如何解魔方，即使被告知要倒持魔方，我们也能快速地处理魔方。而大多数机器人算法需要新的数据或重新编程才能做到这一点。
能用勺子在面包上涂果酱的人也能用叉子涂果酱——这是显而易见的。我们理解“传播”堵塞的概念，并能很快习惯使用完全不同的工具。此外，虽然自动驾驶车辆需要每种情况的实际数据，但人类驾驶员可以根据预先学习的概念做出理性决策，以应对无数情况。这些例子显示了人类智能的一个特征，与机器人算法形成了鲜明对比，机器人算法无法在数据不足的情况下执行任务。
哺乳动物持续进化了6500多万年。人类花在学习数学、使用语言和玩游戏上的全部时间加起来也不过10000年。换句话说，人类花了大量时间发展与生存直接相关的能力，如行走、跑步和使用双手。
因此，计算机的计算速度比人类快得多并不奇怪，因为计算机最初就是为了这个目的而开发的。同样，计算机不能像人类那样轻易获得自由使用手和脚的各种能力也很自然，因为这些技能是通过1000多万年的进化获得的。
这就是为什么将机器人或人工智能在演示中的表现与动物或人类的能力进行比较是不合理的。在麻省理工学院观看Cheetah机器人穿越田野、跨越障碍的视频时，就认为像动物一样行走和奔跑的机器人技术已经成熟可就太轻率了。
许多机器人演示仍然依赖于在有界情况下为特殊任务设置的算法。事实上，研究人员倾向于选择看似困难的演示，因为这会给人留下深刻印象。然而，这种难度是从人的角度考虑的，这可能与实际的算法性能无关。
在任何逻辑思维之前，人类很容易受到瞬间和反思性感知的影响。当研究对象非常复杂，很难进行逻辑分析时，这种认知偏见就会加强，例如，一个使用机器学习的机器人。
那么我们人类的认知偏见从何而来？我相信这是由于我们的心理倾向，下意识地将我们所看到的事物进行了拟人化。人类已经进化为社会性动物，在这个过程中可能会发展出相互理解和同情的能力。我们将主体拟人化的倾向也来自于同样的进化过程。
人们在提到编程算法时倾向于使用“教学机器人（teachingrobots）”这一表达。然而，我们习惯于使用拟人化表达。正如18世纪哲学家DavidHume所说，“人类有一种普遍的倾向，即把所有的生命都设想得像他们自己。”
当然，我们不仅将受试者的外表拟人化，还将他们的心理状态拟人化。例如，当波士顿动力公司（BostonDynamics）发布了一段工程师踢机器人的视频时，许多观众的反应是“这太残忍了”，他们“同情机器人”。
一条评论说，“有一天，机器人会对那个工程师进行报复”受到了欢迎。实际上，工程师只是在测试机器人的平衡算法。然而，在理解这种情况的任何思维过程之前，像动物一样的机器人的攻击性踢腿动作和挣扎动作会瞬间传递到我们的大脑，给我们留下深刻的印象。就像这样，这种瞬间的拟人对我们的认知过程有着深刻的影响。
Humansprocessinformationqualitatively，andcomputers，quantitively
人类定性地处理信息，计算机定量地处理信息
环顾四周，我们的日常生活充满了算法，运行这些算法的机器和服务就可以看出这一点。所有算法都以数字为基础。我们使用诸如“目标函数（objectivefunction）”之类的术语，这是一个代表特定目标的数值函数。许多算法的唯一目的是达到该函数的最大值或最小值，而算法的特性因其实现方式而异。
赢得围棋或国际象棋比赛等任务的目标相对容易量化。量化越容易，算法工作得越好。相反，人类往往在没有定量思考的情况下做出决策。
举个“打扫房间”的例子，我们每天的清洁方式都有细微的差别，这取决于情况、房间是谁的以及一个人的感受。我们是否试图在这个过程中最大化某个功能？我们没有这样做。清洁的行为是以“足够清洁”为抽象目标进行的。此外，“足够”的标准很容易改变。这一标准在人与人之间可能会有所不同，特别是在家庭成员或室友之间会引起冲突。
还有许多其他的例子。当你每天洗脸时，你打算用手的动作最大化哪些定量指标？你擦得有多用力？选择穿什么？选择晚餐吃什么？选择先洗哪个盘子？这样的例子不胜枚举。我们习惯于通过整合我们已有的信息来做出足够好的决策。
然而，我们通常不会检查是否每个决策都是优化的。大多数情况下，我们不可能知道，因为我们必须用有限的数据满足许多相互矛盾的指标。当我们和朋友在商店选购食品时，我们无法量化食品标准，并根据这些数值做出决定。
通常，当一个人挑选某样东西时，另一个人会说“好！”或者建议另一种选择。这与说这种蔬菜“是最佳选择”截然不同，这更像是说“这已经足够好了”。
在设计我们期望机器人执行的工作或服务时，人和算法之间的这种操作差异可能会带来麻烦。这是因为当算法基于定量值执行任务时，人类的满意度，即任务的结果，很难被完全量化。
要量化一项任务的目标并不容易，因为该任务必须适应个人偏好或不断变化的环境，如上述房间清洁或洗碗任务。也就是说，为了与人类共存，机器人可能需要进化，而不是优化特定功能，而是实现“足够好”。当然，在现实生活中，后者更难实现，因为在现实生活中，你需要管理如此多的相互冲突的目标和定性约束。
Actually，wedonotknowwhatwearedoing
事实上，我们并不知道在做什么
在读这篇文章之前，试着回忆一下你最近吃过的一顿饭。你还记得你吃了什么吗？那么，你还记得咀嚼和吞咽食物的过程吗？你知道你的舌头当时到底在干什么吗？我们的舌头为我们做了很多事情。
它帮助我们把食物放进嘴里，在牙齿间分配食物，吞下细嚼过的食物，甚至在需要时把大块食物送回牙齿。我们当然可以做到这一切，即使在和朋友交谈时，也可以用你的舌头来控制发音。
我们有意识的决定在多大程度上促进了我们同时完成如此多复杂任务的舌头运动？看起来好像我们在随心所欲地移动舌头，但事实上，更多的时候，舌头会自动移动，从我们的意识中接受高级命令。这就是为什么我们不能记住吃饭时舌头的详细动作。首先，我们对他们的行动知之甚少。
我们可能认为我们的手是最有意识地控制的器官，但许多手的动作也会自动地、无意识地发生，或者最多是潜意识地发生。对于那些不同意的人，试着把钥匙之类的东西放进口袋，然后拿出来。
在这短短的一瞬间，无数的微操作立即无缝地协调完成了任务。我们通常无法单独感知每一个动作。我们甚至不知道应该把它们分成哪些单位，所以我们把它们统统表达为抽象的词语，如整理、清洗、涂抹、擦拭等。
这些动词都是定性定义的。它们通常是指精细动作和操作的集合，其组成随情况而变化。当然，即使是孩子们也很容易理解和思考这个概念，但从算法开发的角度来看，这些词是无限模糊和抽象的。
还是举一个在面包上涂抹花生酱来做三明治的例子。我们可以展示是如何做到这一点的，并用几句简单的话进行解释。让我们假设一个稍微不同的情况——设有一个外星人使用与我们相同的语言，但对人类文明或文化一无所知（我知道这个假设已经自相矛盾了，但请容忍我。）
我们能在电话里解释一下如何做花生酱三明治吗？我们可能会在解释如何从罐子里舀出花生酱时卡壳。即使是抓取面包片也不是那么简单，我们必须用力抓住面包，这样才能涂抹花生酱，但又不能太用力，以免破坏软面包的形状。
换句话说，我们很容易想到如何抓住面包，但要通过语言或文字来表达这一点并不容易，更不用说在函数中了。即使是一个人在学习一项任务，我们能通过电话学习木匠的工作吗？我们能通过电话准确地纠正网球或高尔夫球的姿势吗？很难辨别我们所看到的细节在多大程度上是有意或无意完成的。
我的观点是，并不是我们用手和脚所做的一切都可以用我们的语言直接表达出来。在连续动作之间发生的事情通常会无意识地自动发生，因此我们用一种比实际发生方式简单得多的方式来解释我们的动作。
这就是为什么我们的行为看起来很简单，为什么我们忘记了它们是多么不可思议。表达的局限性常常导致低估实际的复杂性。我们应该认识到这样一个事实，即语言描述的困难会阻碍词汇发展不完善领域的研究进展。
直到最近，人工智能已实际应用于与数据处理相关的信息服务中。今天一些突出的例子包括语音识别和面部识别。现在，我们正在进入一个人工智能的新时代，它可以在我们中间有效地进行物理服务。也就是说，复杂物理任务的自动化时代即将到来。
特别是，我们日益老龄化的社会构成了巨大的挑战。劳动力短缺不再是一个模糊的社会问题。我们迫切需要讨论如何开发增强人类能力的技术，使我们能够专注于更有价值的工作，追求人类特有的生活。
这就是为什么不仅是工程师，而且来自各个领域的社会成员都应该提高他们对人工智能和无意识认知偏见的理解。如上所述，人们很容易误解人工智能，因为它在本质上与人类智能不同。
对人类来说很自然的事情可能是对人工智能和机器人的认知偏见。如果不清楚我们的认知偏见，我们就无法为技术研究、应用和政策设定适当的方向。为了使科学界的发展富有成效，我们需要敏锐地关注我们的认知，并在促进技术的适当发展和应用过程中进行慎重的辩论。
SangbaeKim是麻省理工学院仿生机器人实验室的领导者。上面这篇文章改编自Kim在6月份为NaverLabs发布的博客。
编辑：jq