人工智能的应用是否存在局限性
虽然人工智能应用广泛，但它也存在一些局限性，需要在实践中不断探索和改进。下面我们来详细解释一下：
人工智能的应用是否存在局限性？
数据局限性：人工智能需要大量的数据才能进行训练和优化，但有些数据难以获取，或者数据量太小难以建立可靠的模型。另外，数据的质量也会影响模型的准确性。
算法局限性：不同的算法适用于不同的场景，但没有一种算法能够解决所有问题。有些问题需要使用多种算法来解决，而有些问题可能根本没有解决方案。
模型局限性：模型的准确性受到多个因素的影响，如训练数据的数量和质量、算法的选择和参数设置等。此外，模型还可能受到特定场景下的数据分布和数据采样的影响，从而导致预测结果的误差。
安全性问题：人工智能算法可以被用于欺诈、犯罪和其他恶意行为，例如数据篡改、黑客攻击等。因此，人工智能应用必须考虑安全性问题，采取相应的安全措施，如数据加密、访问控制等。
偏见问题：人工智能模型有可能存在偏见，导致模型的预测结果对某些人群不公平。例如，一些面部识别系统可能会对某些种族或性别的人面部特征识别不准确。为了避免这种偏见问题，必须采取一些措施来确保数据和算法的公正性。
人类判断的局限性：人工智能算法很难完全取代人类的决策和判断。例如，在医疗领域，虽然人工智能可以辅助医生进行诊断，但最终的治疗方案还需要由医生来决定。
总之，人工智能的应用还存在一些局限性。在人工智能的应用过程中，必须认真考虑到这些局限性，并采取相应的措施来减少或避免这些问题的影响。
免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。
下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号321领取（一定要发暗号321）目录
一、人工智能免费视频课程和项目
二、人工智能必读书籍
三、人工智能论文合集
四、机器学习+计算机视觉基础算法教程
五、深度学习机器学习速查表（共26张）
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。
点击下方名片，扫码关注公众号【AI技术星球】发送暗号321免费领取文中资料。人工智能 (AI)的优点和缺点
当我们听到人工智能(AI)时，我们脑海中闪过机器人和机器的图像。我们都曾在终结者系列中将阿诺德施瓦辛格视为未来的人形生物。看过那些时髦的变形金刚系列，所有那些让机器人像真人一样做事的电影，所有这些都让我们对它怎么可能感到敬畏，但让我告诉你，它们是动画电影。然而，世界上存在着能够完成人类任务的机器人。由于人工智能的进步，所有这些都是可能的。让我们在帖子中进一步了解人工智能的优缺点。
人工智能是与人类和其他动物拥有的自然智能相比，由机器展示的智能。当机器模仿人类与其他人类思维行为(例如学习和解决问题)相关联的认知功能时，就会使用“人工智能”一词。人工智能的概念是计算机模仿人类应该做的人类行为。人工智能的范围从语音识别和翻译成不同的语言，有时甚至是决策。总的来说，任何涉及程序执行通常涉及使用人类智能的事情的东西都是人工智能。
人工智能的水平在人工智能的范围内，人工智能有不同的分类。
强对弱强大的智能是指真正看起来像模仿人类的工作，它甚至有助于理解人类的思维方式。弱智能只是旨在建立一个行为像人类但不旨在像人类一样思考的系统。
狭义与一般有某种智能旨在解决某些特定任务，称为狭义智能。还有一个目标是一般推理或一般任务，称为一般智能。
如果你是看着那些介绍天网和终结者、变形金刚等科幻电影的科幻机器人电影长大的，那么肯定至少曾经想过这个世界会不会被机器人摧毁的那一天。让我们讨论一下人工智能的一些优点和缺点。
人工智能的优点平凡的任务：当谈到一遍又一遍地做同样的事情时，人类在更少的此类会议之后会感到无聊。但另一方面，机器不会感到无聊。人工智能有助于改进自动化过程，从而提高资源的生产力，并将重复、无聊的任务从人类肩上卸下。更快的行动和决策：当涉及到很少或很多因素的决策时，我们的思维会变得越来越慢，而机器以相同的速度工作并考虑所有因素。机器在做出决策时花费的时间要少得多，并且在需要更快决策的情况下很有用。避免错误：犯错是对人而言，但同样不适用于机器。机器执行重复性任务，因为它们被提供了操作机器所需的电力。机器学习：机器学习是人工智能的最大优势。人工智能可以轻松浏览数PB的数据，这对人类来说实在是太多了。通过重复性任务学习并为进一步的进步做好准备。通过人工神经网络，机器模拟人脑的结构和功能。冒险而不是人类：智能机器通常用于人类参与不安全的情况。有各种各样的研究工作和其他类似的任务，只是不能涉及人类。就像发现宇宙中未知的地方一样，火星探索就是一个完美的例子。其他需要精确到非人类水平的医疗诊断，智能机器可以帮助减少错误并改善时间。人工智能的缺点权力分配：人工智能带来了从人类操作员手中夺走控制权的威胁。截至2017年7月，Facebook关闭了其AI程序，因为它们开始使用自己的语言进行交谈。机器开始开发自己的语言。这可能是我们一直在想象的cyborg攻击的开始。失业：人工智能的实施可能会取代许多低技能工作，这是一个严重的威胁。一些依赖人类的简单任务很容易被智能机器取代。经常发生这样的事件，当采用新技术取代他们的位置时，大量的人失去了工作。缺乏判断力：机器可以轻松地完成它们被编程去做的重复性任务，但是当它们做出没有被编程去做的决定时，它们就失败了。除非他们有适当的环境来做决定，否则他们不能自己做决定。高成本：人工智能研究的成本非常昂贵，并且需要大量时间来进行较小的进步。要使AI被称为训练有素或机器学习发生，数据集需要很大才能使这些机器学习有效。人类的能力可能会减弱：由于我们现在大部分工作都依赖机器，我们的生活变得更加轻松。由于这种轻松，我们留下了宝贵的小技能，这些技能可以变得更大。我们只是忽略了技术和技能的根源，而选择了机器提供的输出。这些会降低我们发挥全部潜力的能力。错误和坏人的手：机器每天都在变得智能。他们每天都在成长和学习。如果该特定机器落入坏人之手，只需意识到结果。本来可以走向发展的世界，很容易走向毁灭。这些都是人工智能的优点和缺点。人工智能仍处于发展过程中，电影为我们提供了更多思考机器接管世界的维度。这可能很遥远，但有些事情是绝对真实的，并且肯定会发生并且已经发生。2017年1月，日本FukokoMutualLifeInsurance的员工(准确地说是34名员工)被解雇，原因是该保险公司安装了一个新的人工智能系统，该系统可以读取医疗证明、收集住院和手术数据以及每年节省1.4亿日元的工资成本。一方面，这对公司来说是利润，而另一方面，34名员工失去了工作。但是，机器人攻击可能会发生也可能不会发生，但低技能人员的工作处于危险之中，而他们的位置正在被机器取代。因此，虽然人工智能是人类的福祉，但它绝对可能是人类的诅咒。
人工智能(AI)有什么好处？人工智能(AI)的局限性人工智能(AI)的优点和缺点人工智能(AI)的好处和坏处人工智能(AI)的利与弊人工智能(AI)的优缺点人工智能(AI)怎么样？人工智能(AI)的优势人工智能(AI)的长处欢迎任何形式的转载，但请务必注明出处，尊重他人劳动成果。转载请注明：文章转载自有区别网[http://www.vsdiffer.com]本文标题：人工智能(AI)的优点和缺点本文链接：https://www.vsdiffer.com/proscons/pros-and-cons-of-artificial-intelligence.html免责声明：以上内容仅是站长个人看法、理解、学习笔记、总结和研究收藏。不保证其正确性，因使用而带来的风险与本站无关！如本网站内容冒犯了您的权益，请联系站长，邮箱：，我们核实并会尽快处理。相关主题Airbnb的优点和缺点Gmail的优点和缺点Lucidair电动轿车的优点Straighttalk的优点和缺点人工心脏的优点和缺点人工耳蜗的优点和缺点人工降雨的优点和缺点商业智能的优点和缺点智能家居的优点和缺点智能汽车的优点和缺点智能衣服的优点和缺点机器人的优点和缺点随机碱性水的优点和缺点加拿大留学的优点和缺点钩织的优点和缺点农药的优点和缺点选美的优点和缺点生狗粮的优点和缺点新生儿维生素K的优点和缺点AppleWatch的优点和缺点基因治疗的优点和缺点惠普/HP电脑的优点和缺点参军的优点和缺点摄影师的优点和缺点核心算法缺位，中国人工智能发展面临“卡脖子”窘境
“中国有多少数学家投入到人工智能的基础算法研究中？”日前，在上海召开的院士沙龙活动中，中国工程院院士徐匡迪等多位院士的发问引发业界共鸣，被称为“徐匡迪之问”。
“我国人工智能领域真正搞算法的科学家凤毛麟角。”在4月28日召开的“超声大数据与人工智能应用与推广大会”上，东南大学生物科学与医学工程学院教授万遂人表示，“徐匡迪之问”直击我国人工智能发展的核心关键问题，“如果这种情况不改变，我国人工智能应用很难走向深入、也很难获得重大成果”。
我国人工智能领域发展的现状如何？依靠开源代码和算法是否足够支撑人工智能产业发展？为什么要有自己的底层框架和核心算法？
缺少核心算法，会被“卡脖子”
“如果缺少核心算法，当碰到关键性问题时，还是会被人‘卡脖子’。”浙江大学应用数学研究所所长孔德兴教授对科技日报记者表示，我国人工智能产业的创新能力并没有传说中的那样强，事实是，产业发展过度依赖开源代码和现有数学模型，真正属于中国自己的东西并不多。
4个月零基础学会人工智能、16讲入门人工智能、算法线下大课……类似培训在网络上非常火爆，通过对于现有算法、模型的学习和训练，成长为人工智能工程师的“短平快”可见一斑。
既然代码是开源的，拿来用就好，为什么还有可能被“卡脖子”？
孔德兴解释，开源代码是可以拿过来使用，但专业性、针对性不够，效果往往不能满足具体任务的实际要求。以图像识别为例，用开源代码开发出的AI即使可以准确识别人脸，但在对医学影像的识别上却难以达到临床要求。“例如对肝脏病灶的识别，由于边界模糊、对比度低、器官黏连甚至重叠等困难，用开源代码很难做到精准识别。在三维重构、可视化等方面难以做到精准反应真实的解剖信息，甚至会出现误导等问题，这在医学应用上是‘致命’的。”
“碰到专业性高的研究任务，一旦被‘卡脖子’将会是非常被动的，所以一定要有自己的算法。”孔德兴说。换句话说，是否掌握核心代码将决定未来的AI“智力大比拼”中是否拥有胜算。用开源代码“调教”出的AI顶多是个“常人”，而要帮助AI成长为“细分领域专家”，需以数学为基础的原始核心模型、代码和框架创新。
有算法之“根”才能撑起产业“繁茂”
所谓“树大根深”，人工智能的发展也是同样道理，越在底层深深扎下根基，越能够发展出强大的产业。
那么，借助开源代码，“半路出家”的AI产业为什么会难以为继？
孔德兴解释说，在获得同样数据的前提下，以开源代码运行，AI深度学习之后或许能输出结果，但由于训练框架固定、算法限制，当用户进行具体的实际应用时，将很难达到所期望的结果，而且难以修改、完善、优化算法。
“如果从底层算法做起，那么整个数学模型、整个算法设计、整个模拟训练‘一脉相承’，不仅可以协同优化，而且可以根据需求随时修改，从而真正解决实际问题。”孔德兴说，基础算法往往是指研究共性问题的算法，它涉及到基础数学理论、高性能数值计算等学科，可以应用到多种实际问题中；而针对性强的应用算法往往会应用到具体问题所涉及的“具体知识、先验信息”，从而更好地解决实际应用问题。
“基础算法和应用算法都很重要，拥有基础算法将更有助于应用算法的丰富与深入。”孔德兴说，AI要应对的现实生活是复杂、多变的，当能够“应对自如”时，才能够促成产业的“繁茂”。
呼吁三方协力，让数学不再置身事外
“一方面是政策引导，其实国家已经在加大这方面的扶持，例如科研基金上的设置等。”针对如何解决“徐匡迪之问”反映出来的问题，孔德兴认为，第二方面是行业企业在进行科技创新时，应有意识将数学学者纳入进来。
“如果通过算法的开发，最终产品落地了，企业应该将算法开发时的数学学者纳入到成果分享中来。”孔德兴说，社会目前对于数学科学等“软实力”的认可程度不足，行业或法规层面应该做好数学研究成果的产权保护工作。
“第三方面，数学家本身应该积极参与到人工智能发展的浪潮里。”孔德兴呼吁，AI的未来发展需要数学家深度参与。由于目前仍处于“弱人工智能”时代（可以说是数据智能时代），AI的实现主要是依赖计算机的巨大算力和巨大的存储能力，底层算法的问题或许并不突出，但在未来的发展，AI将可能融入逻辑、思维等智慧的内容，这些都需要数学科学的原始创新，有大量的基础问题亟待数学家攻克。
算法的进阶一定是来源于“原创者”，而不是“跟随者”。孔德兴说：“实际上深度学习的应用已遇到了天花板，我们需要新的数学技术（如部分依赖逻辑、部分依赖数据的‘聪明算法’），让计算机变得聪明起来。这些工作都需要数学家的参与。”
科技日报记者：张佳星
「2019更新」什么是人工智能（AI的本质+发展史+局限性）
透彻理解人工智能本文首发在easyAI-人工智能知识库原文地址:《「2019更新」什么是人工智能？（AI的本质+发展史+局限性）》人工智能和AI已经走入了普通大众的视野，我们在生活中可以看到很多跟AI相关的产品。比如Siri、AI拍照、AI修图…
虽然大家看得多，但是大部分都是一知半解。到底什么是人工智能？他有什么神奇的地方？未来会发展成什么样？
本篇文章将完整的解答大家的问题。文章内容会让不懂技术的朋友也能轻松的看懂。
「排除90%的误解」关于人工智能，你需要知道的3个重点大家都看过或者听说过类似的言论或者电影：
人工智能很危险！
AI对人类是威胁！（甚至有人给出了具体的时间点）
机器人会占领的地球，人类将变为机器人的奴隶！
……
终结者消灭人类的剧情深入人心请大家放100个心，不要神话人工智能，科幻电影里的剧情以目前的技术发展来看，完全不可能！
这种担心就好像玛雅人预测2012年地球将毁灭一样！
人工智能（AI）本质上是一种工具
那么我们应该如何正确的看待人工智能（AI）？
AI跟我们使用的锤子、汽车、电脑……都一样，其本质都是一种工具。
工具必须有人用才能发挥价值，如果他们独立存在是没有价值的，就想放在工具箱里的锤子一样，没有人挥舞它就没有任何价值。
人工智能本质上是一种工具人工智能本质上是一种工具
工具之间也有差别
虽然锤子、汽车、电脑、AI都是工具。但是他们还是有差别的。
他们最核心的差别就是效能（更准确的说应该是杠杆率）。我们把上面几个工具的使用场景对比一下就能理解了：
锤子：
用过锤子的人都知道，为了钉一个钉子，大部分的力还是人出的。
锤子的使用场景中，人出了1份力，得到了2倍的回报。
汽车：
人类跑步20分钟达到的距离，汽车2分钟就能搞定！而且这个过程中人类不需要出太多力气。
汽车的使用场景中，人出了1份力，得到了10倍的回报。
电脑：
人类自己计算一些复杂的问题可能需要花1个月甚至更久的时间（还不一定正确），而电脑可能只需要1秒就完成了，并且精确无误！而人们使用电脑只需要敲几下键盘，点几下鼠标就可以了。
电脑的使用场景中，人出了1份力，得到了1,000,000倍的回报。
人工智能：
人工智能其实是超越了之前电脑的边界，以前电脑无法做的事情AI可以做了。所以从杠杆率上讲，人工智能和电脑是在一个量级上的，但是它能做的事情更多了，大大超越了传统电脑的能力范围，所以大家十分看好。
但是（凡是都有但是），AI在很多很多场景和领域还是没有价值，很多能力甚至不如小学生。所以，目前AI的局限性依然很大！
所有人都应该知道的关于AI的3个重点？
人工智能（AI）的本质是一种工具，归根结底还是需要人去使用它。虽然有些场景AI已经超越人类了（比如AlphaGo下围棋），但是还是有很多很多的场景，AI没什么价值（推荐深度好文《人工智障2:你看到的AI与智能无关》）。AI不是万能（通用）的，擅长下围棋的AI不能跟人聊天，擅长聊天的AI不能下围棋。大家在电影里看到的啥都会的机器人短期内还无法实现。「什么是人工智能？」跟普通程序对比，深入了解AI开门见山的给出人人都能听懂的解释：
人工智能（AI）是一种高级的计算机程序AI有明确的目标AI可以“看到”或者“听到”环境的变化，可以感受到环境的变化他会根据不同的环境做出不同的反应，从而实现既定的目标。简单的说清楚AI是什么简单的说清楚AI是什么
下面是书面语的版本，看着更严谨（装逼）一些：
人工智能（ArtificialIntelligence，简称AI）是计算机科学下的一个分支。某些方面像人一样，AI可以“看到”和“听到”环境的变化，同时可以根据环境的变化做出合理的判断和行动，从而实现某些目标。
下面就针对“环境感知”、“合理判断”和“实现目标”3个层面来详细对比一下普通的计算机程序和人工智能：
普通程序人工智能感知环境普通程序只知道这是一张图片或者视频，但是并不知道里面的内容是什么。AI可以“理解”图片和视频内有什么内容，AI也可以“理解”听到的声音是什么意思。合理判断普通程序是很多死规则的组合，在任何情况下都只能按照死规则走。AI可以主动优化自己的规则，也就是大家常说的“学习”，但跟人类的学习还是有很大差异！实现目标普通程序是没有目标感，只会根据规则自动运行。AI是可以有“目标感”的，并通过反馈不断优化自己的的行为来更好的实现目标。虽然上面的对比让AI看上去很强大，但是实际上并非如此，AI在某些场景表现的很好，但是在某些场景表现的很不理想。
AI并没有想象中强大，它也会犯低级错误
AI的确具备了理解图片、视频和语音（非结构化数据）的能力，但并不代表这些能力已经很强大的。AI经常犯一些低级错误，下面就是一个具体的案例：
AI没有想象中强大，有时会犯很低级的错误AI没有想象中强大，有时会犯很低级的错误
左：摩托车的遮挡让AI把一只猴子误认为人类。中：自行车的遮挡让AI把猴子误认为人类，同时丛林背景导致AI将自行车把手误认为是鸟。右：吉他把猴子变成了人，而丛林把吉他变成了鸟
上图显示了在一张丛林猴子的照片中ps上一把吉他的效果。这导致深度网络将猴子误认为人类，同时将吉他误认为鸟，大概是因为它认为人类比猴子更可能携带吉他，而鸟类比吉他更可能出现在附近的丛林中。
AI对数据的依赖相当于人类对空气的依赖
目前（截止到2019年）是深度学习最流行的时代，深度学习在各个领域虽然表现出了很强大的能力，但是并不是人人都能玩转深度学习的，因为它需要海量的带标注的数据，这种条件不是人人都具备的。
简单的做一个类比，狮子的力量很强大，狗的力量相比较就弱小很多。虽然狮子的战斗力很强，但是狮子需要吃很多东西才能保持战斗力。而狗就不需要吃那么多的东西。如果不给狮子吃足够的东西，他可能会躺在地上完全丧失战斗力。
深度学习就类似狮子，想让他发挥出战斗力，就需要给他喂养大量的数据（相当于狮子的食物）。不然再出色的深度学习模型都无法发挥任何价值。
AI需要大量数据才能发挥价值AI需要大量数据才能发挥价值
狮子对食物也是比较挑剔的，不是给他吃啥都行的，而深度学习更是如此！
数据是否有标注、数据是否“干净”、数据是否有多样性……都对深度学习的学习结果影响巨大！
总结一下的话：
深度学习时代的AI对数据量级要求极高深度学习时代的AI对数据规范要求极高像Google这种拥有海量数据的公司最容易在AI领域有较大的突破和优势，而一般的小公司很难跨越数据的门槛。
人工智能的发展历史AI不是什么全新的东西，他已经发展了大几十年了！下面我们介绍一下最具代表性的3个发展阶段。
image上图是从1950年至2017年之间，人工智能领域出现的一些里程碑式的事件。总结下来会分为3大阶段：
第一次浪潮（非智能对话机器人）
20世纪50年代到60年代
1950年10月，图灵提出了人工智能（AI）的概念，同时提出了图灵测试来测试AI。
图灵测试提出没有几年，人们就看到了计算机通过图灵测试的“曙光”。
1966年，心理治疗机器人ELIZA诞生
那个年代的人对他评价很高，有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单，就是一个有限的对话库，当病人说出某个关键词时，机器人就回复特定的话。
第一次浪潮并没有使用什么全新的技术，而是用一些技巧让计算机看上去像是真人，计算机本身并没有智能。
第二次浪潮（语音识别）
20世纪80年代到90年代
在第二次浪潮中，语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路，改为了统计思路解决实际问题。
在《人工智能》一书中，李开复详细介绍了这个过程，他也是参与其中的重要人物之一。
第二次浪潮最大的突破是改变了思路，摒弃了符号学派的思路，转而使用了统计学思路解决问题。
第三次浪潮（深度学习+大数据）
21世纪初
2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。
之所以第三次浪潮会来主要是2个条件已经成熟：
2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。
GPU的不断成熟提供了必要的算力支持，提高了算法的可用性，降低了算力的成本。
深度学习引领了第三次AI浪潮深度学习引领了第三次AI浪潮
在各种条件成熟后，深度学习发挥出了强大的能力。在语音识别、图像识别、NLP等领域不断刷新纪录。让AI产品真正达到了可用（例如语音识别的错误率只有6%，人脸识别的准确率超过人类，BERT在11项表现中超过人类…)的阶段。
第三次浪潮来袭，主要是因为大数据和算力条件具备，这样深度学习可以发挥出巨大的威力，并且AI的表现已经超越人类，可以达到“可用”的阶段，而不只是科学研究。
人工智能3次浪潮的不同之处
前两次热潮是学术研究主导的，第三次热潮是现实商业需求主导的。前两次热潮多是市场宣传层面的，而第三次热潮是商业模式层面的。前两次热潮多是学术界在劝说政府和投资人投钱，第三次热潮多是投资人主动向热点领域的学术项目和创业项目投钱。前两次热潮更多时提出问题，第三次热潮更多时解决问题。想进一步了解AI的历史，推荐阅读李开复的《人工智能》，上面关于3次浪潮的内容都摘抄自这本书，想看这本书的可以点击下面的购买链接。
人工智能今天和未来的局限在哪里？在探寻AI的边界时，我们可以先简单粗暴的把AI分为3类：
弱人工智能强人工智能超人工智能弱人工智能、强人工智能、超人工智能弱人工智能、强人工智能、超人工智能
弱人工智能
弱人工智能也称限制领域人工智能（NarrowAI）或应用型人工智能（AppliedAI），指的是专注于且只能解决特定领域问题的人工智能。
例如：AlphaGo、Siri、FaceID……
强人工智能
又称通用人工智能（ArtificialGeneralIntelligence）或完全人工智能（FullAI），指的是可以胜任人类所有工作的人工智能。
强人工智能具备以下能力：
存在不确定性因素时进行推理，使用策略，解决问题，制定决策的能力知识表示的能力，包括常识性知识的表示能力规划能力学习能力使用自然语言进行交流沟通的能力将上述能力整合起来实现既定目标的能力超人工智能
假设计算机程序通过不断发展，可以比世界上最聪明，最有天赋的人类还聪明，那么，由此产生的人工智能系统就可以被称为超人工智能。
我们当前所处的阶段是弱人工智能，强人工智能还没有实现（甚至差距较远），而超人工智能更是连影子都看不到。所以“特定领域”目前还是AI无法逾越的边界。
人工智能未来的边界是什么？
如果在深入一点，从理论层面来解释AI的局限性，就要把图灵大师搬出来了。图灵在上世纪30年代中期，就在思考3个问题：
世界上是否所有数学问题都有明确的答案？如果有明确的答案，是否可以通过有限的步骤计算出答案？对于那些有可能在有限步骤计算出来的数学问题，能否有一种假象的机械，让他不断运动，最后当机器停下来的时候，那个数学问题就解决了？图灵还真设计出来一套方法，后人称它为图灵机。今天所有的计算机，包括全世界正在设计的新的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。
（大家都是地球人，差距怎么就这么大呢？？？）
通过上面的3个问题，图灵已经划出了界限，**这个界限不但适用于今天的AI，也适用于未来的AI**。
下面我们再进一步把边界清晰的描述一下：
AI可以解决的问题其实非常局限AI可以解决的问题其实非常局限
世界上有很多问题，只有一小部分是数学问题在数学问题里，只有一小部分是有解的在有解的问题中，只有一部分是理想状态的图灵机可以解决的在后一部分（图灵机可解决的部分），又只有一部分是今天的计算机可以解决的而AI可以解决的问题，又只是计算机可以解决问题的一部分。担心人工智能太强大？你想多了！
在一些特定场景中，AI可以表现的很好，但是在大部分场景中，AI并没有什么用。
如何客观的看待人工智能？技术总是在短期内被高估，但是在长期又被低估。
24%的人担心机器人会从人类手里接管地球24%的人担心机器人会从人类手里接管地球
PEGA做过一项调查，涉及了全球6000多个普通消费者，询问他们对AI的看法，有下面一些结果：
34%的人认为自己使用过AI，这些人中84%的人实际使用过50%以上的人搞不清楚AI到底有哪些能力60%的人并不知道AmazonAlexa和GoogleHome使用了AI技术72%的人惧怕AI技术对人类的威胁，24%的人担心机器人会从人类手里接管地球查看更多调查结果，可以访问《WhatconsumersreallythinkaboutAI:Aglobalstudy》【附带1分钟视频】
AI已经来了，并且会飞速发展
我们每天都在使用的输入法就使用了很多AI相关的技术，但是很多人并不知道。不要小看输入法里使用的这些技术，它能使我们的打字效率大大提高，如果没有这些技术，我们会多花数百年的时间在打字上！
除了输入法，大家都使用过的AI产品还有：
美颜相机里的一键美颜功能抖音里的道具功能微信里的语音转文字今日头条里的推算算法垃圾短信及垃圾邮件的过滤功能智能手机里的操作系统……如果我不说相信大家并不知道AI已经进入我们生活的方方面面了。而且AI在未来几十年还会对各行各业产生巨大的影响。
我们需要以开放的心态拥抱AI，大部分情况下它都是人类的朋友，而不是敌人。
AI并没有我们想象中那么厉害
AlphaGo在围棋上碾压人类AlphaGo在围棋上碾压人类
AlphaGo战胜李世石，这个热点几乎所有人都知道。很多人通过这件事情开始担心AI未来对人类的威胁。
而现实是AlphaGo不管下围棋有多厉害，对我们的生活都没有半毛钱的关系，那只是一场秀。但是大众会根据这件事做对AI产生偏见：
AI的能力已经超越了人类AI未来会无所不能AI对人类是威胁，我们要限制AI的发展……不要担心AI会取代你的工作
在“人工智能威胁论”里，大家最担心的是AI会取代大量的工作岗位，导致大量普通老百姓失业。
这件事的确会发生：
蒸汽机出现后，机器取代了大量的底层劳动力；电话出现后，不再需要那么多的邮递员了；互联网出现后，更是影响了各行各业；但是，这是一件好事：
每一项新技术都会让一部分人下岗，而这些人现在有了更好的岗位上一些职业消失了，但是会诞生更多的新职业（如果让你选择“美甲”和“耕地”，你会如何选择？）简单总结一下：
可见的未来，AI还是一种工具AI跟计算机、互联网一样，是历史潮流，我们要了解它、适应它、利用它AI的确会取代部分岗位，但是会出现更多新职业，不用担心下岗问题谁能更高效的跟AI协作，谁的价值就会越大了解人工智能的局限性是发挥其潜力的关键
人工智能改变了许多行业的工作流程。——无人仓库中的数字客服助理、自动驾驶汽车和机器人。人工智能甚至可以写、画、作曲。我们每天都可以看到对它的赞美(例如，在我们的地方)。大多数人同意这种观点，它在商业环境中的应用正在改变生活。当然，人工智能也有它的缺点。1今天的人工智能很弱到目前为止，人工智能应用程序只能执行它们专门开发的任务。换句话说，我们今天知道的人工智能非常弱。它不能回答每一个问题，它不能灵活行动，它当然不能自己思考或理解(目前)。因此，对人工智能能力的承诺应该是可疑的。人工智能只是一个工具。2关于人工智能的关键问题重要的是要考虑其法律和道德考虑、偏见和透明度，以便区分人工智能在哪些方面可以改进业务流程，在哪些方面不能。询问一些人工智能应用的关键问题对于项目的成功和避免风险非常重要。从法律的角度来看，我们必须解释谁应该对错误的判断负责(例如，自动驾驶汽车撞了行人)。我们还必须认识到，使用基于认知的技术存在偏见。人工智能从它获得的数据中学习，但是它没有办法质疑这些数据，这意味着数据集很容易向一个方向倾斜，这样人工智能就可以“学习”偏差。这可能导致招聘过程中的歧视或医疗保健管理中的偏见。采用人工智能的企业也会发现自己徘徊在信任和透明之间。虽然高级人工智能的目的是随着时间的推移做出更独立的决策，但我们很有可能会遇到“黑箱”场景，AI程序是如何做出决策的还不清楚。3最适合AI的业务流程如果说AI是一把锤子，那么并不是每一个业务流程都是一颗钉子。在确定AI是否可以应用于业务流程时，一个重要的区别是复杂性。企业必须根据特定应用的认知干预水平来衡量基于人工智能的工具的有效性。人工智能旨在解决复杂的问题，甚至复制我们所知道的人类智能的某些方面。然而，在推断自己的决策标准时，人工智能是有缺陷的。当根据简单的“如果-那么”规则做出决策时，人工智能被认为是最有效的。人工智能不需要任何炒作。为了让企业发掘基于人工智能的潜力，人们必须首先了解这项技术的局限性。是的，它对于简化和自动化工作流很有用，但它不是万能的。如果企业正在考虑使用人工智能来自动化流程，它应该首先检查它需要什么信息以及它来自哪些系统。这将帮助他们决定是使用人工智能工具还是人类指导。了解这一点将使人工智能成为简化和自动化工作流程的非常有用的工具。人工智能的可能性与局限性：机器不能做什么
包括我在内的许多工程师都很乐意听到业外人士提出一些善意的观点。比如，他们认为软件永远不可能具备创作能力，因为计算机缺乏意向性（intentionality），它们只会根据已经出现的问题编写代码并生成一套自治系统—但这种自治系统恰恰证明业外人士的善意观点难以自圆其说。尽管这样的辩论是促进人工智能研究的一种强大动力，但我相信，认为技术固有的局限性会限制软件所能够达到的智力水平，这种想法未免过于幼稚—除非社会希望如此。不过，虽然我是坚定的技术拥护者，但同时我也是一名现实主义者。我认为，要实现上面所描述的那种有创作能力的人工智能系统仍有待时日，此外还要考虑到社会是否愿意接受人工智能系统所展示的某些原本被视为人类独有的品质特征。
我们家兄弟两人都是在1969年美国科学家登月后不久出生的。在成长过程中，我们一直坚信有朝一日会飞行到月球甚至更遥远的星球度假，但时至今日这个梦想依然遥不可及。鉴于目前人们疯狂炒作人工智能系统的能力，我三岁的女儿也许会期待自己长大后有个机器人成为她在大学里的闺蜜。但遗憾的是，到时候她很可能也会像我和她叔叔一样大失所望。得益于过去十年来深度学习技术（DeepLearning）的进步，人工智能系统的功能迈上了新的台阶。尽管如此，当前人工智能系统的智力尚远不及新闻界、政客和哲学家们所宣传的那样强悍。炒作是可以理解的：技术领导者必须极力夸大人工智能系统改变生活的能力，只有这样才有机会在当前获得风险资本的青睐；记者在报道人工智能项目的成果时危言耸听，目的在于与竞争对手争夺点击量；为了使自己扬名立万，政客和哲学家在谈论人工智能时需要发表一些极端和跟风炒作的言论，以显得他们的观点切中时弊。
随着世界上最聪明的人纷纷加入人工智能的开发工作，近年来该领域的进步显著加快，我衷心希望真正聪敏的人工智能系统可以尽快为社会带来福祉。然而，过去的种种迹象表明，人工智能的发展依然举步维艰。记得上一次媒体热议人工智能系统在棋类上的精彩表演还是20多年前“深蓝”与国际象棋大师卡斯帕罗夫的对弈，每念及此不禁黯然神伤（但实际上，2016年和2017年，由谷歌旗下DeepMind公司科研团队开发的AlphaGo先后以压倒性优势击败围棋世界冠军李世石和柯洁，并在一个赛事上保持连胜60场的战绩，一度令全世界对人工智能的深度学习技术进步叹为观止。目前，围棋界公认AlphaGo的棋力已经远超人类顶尖棋手的水平—译者注）。况且—恕我直言—棋类对弈并非什么特别重要的事情，它不过是人们的一种消遣活动而已，根本不值得如此宣扬和推崇。真正值得尊重的是那些致力于探索宇宙普遍规律的人工智能研究人员。我们（人类社会）热爱国际象棋和围棋，只是因为这种对弈充满挑战性，只有殚精竭虑领悟对弈的精髓才能成为有别于菜鸟的大师，而我们褒奖的正是大师们在这个竞争激烈的人类社会中所表现出的拼搏精神。我们（人工智能研究人员）之所以爱好国际象棋和围棋，恰恰是因为下棋对软件而言是一件相当轻松的事情：一个封闭的棋盘世界、简单的规则、摆在明面上的竞争，这些条件对于施展人工智能技术的特长真是再理想不过了。毫无疑问，棋类对弈将继续成为人工智能发展的强大驱动力。
因此，我们应该更现实地看待人工智能取得的最新突破，例如，谷歌DeepMind公司开发的AlphaGoZero系统所展现的超人类的围棋对弈能力。这一次是软件通过与自己反复对弈，从零起步，“自学”成为一名特级大师，这不能不说是一项巨大的成就。但我们也不能因为这一里程碑式的进步而对人工智能产生过多的期盼。不过值得庆幸的是，这个水平的超人类智能还不至于对人类的工作岗位产生负面影响。那些在棋盘上展现了“英勇搏斗”这一优秀品质的世界冠军们，也不会因为有软件可以打败他们而怅然若失。不仅如此，像AlphaGo这样的人工智能系统击败世界围棋冠军的奇观，非但没有降低人们对围棋的兴趣，反而使围棋受到越来越多的关注。例如，在2016年AlphaGo大获全胜后，世界上很多地方的围棋立即销售一空（Shead，2016）。
对于人工智能更明智的看法是，它应该拓展到设计更多的软件，以替代律师、医生、科学家、记者等职业的部分工作。人工智能领域的大多数业内人士都赞同这样的观点，但媒体和学术圈的一些人士却对此莫衷一是。而尼克・博斯特罗姆（NickBostrom）《超级智能：路线图、危险性及应对战略》（Superintelligence:Paths,Dangers,Strategies）这样的书又进一步助长了各种猜测。他在书中清楚地表明，自己的哲学探讨纯属推测，但有一点例外：人工智能的“超级智能”必定而且很可能会以闪电般的速度出现（Bostrom，2014）。虽然这是一个引人入胜且司空见惯的科幻小说素材，但不幸的是，它只是一门糟糕的虚构科学而已。在我认识的人工智能研究者中，没有迹象表明我们能在一夜之间获得“超级智能”。据我所知，迄今为止，对于所谓的“通用人工智能”（artificialgeneralintelligence，AGI，也被称为“强人工智能”），谁也没有给出一条合理的路线图，即便是部分指标取得了一定进展，也仍然面临诸多争议和质疑（Goertzel，2014）。
在此，我们有必要反驳博斯特罗姆关于“超级人工智能”时代即将来临的几个想法。其中一个就是递增式自动化人工智能系统（incrementalautomated，AI）。该系统可以使一种人工智能向另一种更聪明的人工智能学习，而后者也是在学习比它更聪明的人工智能后生成的。如此循环往复，该系统的智能就会一步步增强。不幸的是，这种想法纯属人工智能菜鸟们的天方夜谭，它存在一个类似“鸡和蛋”的困惑。在现实生活中，你需要凭着人类级别的智力才能设计出那些看起来依然非常幼稚的人工智能软件。你不能指望一个非常愚蠢的人工智能软件会生成一个连最聪明的人工智能专家都难以研发出来的“更智能的软件”。实际上，我本人就是研究人工智能系统自动化软件工程的，我相信人工智能系统可以编写出真正有实用价值的代码，我也相信有人会解决“鸡和蛋”的问题，但我现在对此束手无策，而且我怀疑仍需要等待很长时间，直到人工智能系统的科学和工程领域取得许多重大突破后才能解决这个问题。
博斯特罗姆提出的另一种构想是，人工智能系统可以自动进化出与人脑相似的“类人脑结构”（brain-likestructure）。他在分析过程中使用了大量的数字运算，旨在大致推测进化出类似人脑的东西将需要多长的时间。但他忽略了一个重要的事实：大脑（以及我们身体的其他部分）是在自然环境中进化而成的，一般来说，只有最适应环境的个体才能存活下来并把他们的基因信息传递给下一代。现在我们尚不清楚进化出“超级智能”需要什么样的环境（无论真实的还是模拟的），但有一点可以明确，这种适应性测试将是一个漫长而艰难的过程，需要用地质时间尺度（geologicaltimescales）而不是技术时间尺度（technologicaltimescales）来衡量。虽然人工智能系统日新月异，但要进化出一个“类人脑结构”，其时间之漫长将超乎我们的想象。因此，我们讨论人工智能在工作场所中的应用时不必考虑这种“类人脑结构”的影响，除非我们也像博斯特罗姆那样沉迷于科幻小说。
综上所述，人工智能系统能否聪明到足以在工作场所替代人类，其技术限制不在于基础的理论问题，而是取决于计算机智能领域科学探索的进度以及工程系统如何充分利用这些技术突破。若是10年后我们每天看到自动驾驶汽车在大街小巷穿梭往来，我不会感到稀奇；而如果再晚50年才出现这种情景，我也会觉得合情合理（Tschangho，2018）。
鉴于社会上对自动化的普遍关注，人工智能在工作场所的应用受到诸多限制也可能是出于自律。但可以肯定的是，随着人工智能系统能力的提高，它将逐渐替代人类去执行各种智能任务。为了强调这个问题的重要性，下面我将介绍一个被称为“新型幸运儿”的思维实验。尽管勉为其难，我们通常还是能接受社会上各式各样的幸运儿，无论他们是中大彩的人还是富二代。在自动化的时代，我们不妨想象一个公司老板突然宣布：“本周的幸运儿是会计部的琼·史密斯，因为她的工作已被自动化了。”该场景中的幸运儿有三个选项：全薪永久离职；待在自己目前的工作岗位上继续做事；转到本公司另外一个更适合自己并且可能也更有趣的新岗位。对公司来说，虽然为员工购买办公自动化软件会导致一笔开销，但运营成本（当然是24小时运营）会大幅下降，因此继续向“幸运员工”支付薪酬对公司形成的财务影响属于中性。
这个思维实验最后留下的思考题是：面对这样的情景，哪种选择是错的？我们不难发现，所谓的幸运儿其实是一个倒霉蛋，因为在我们当前的资本主义社会中，这意味着她遭到解雇，公司将把省下来的钱用于再投资，老板和股东能赚到更多的钱。当然，社会应当要求自动化具备道德风范，并迫使政客们以立法的形式来维护这种道德。然而，现实情况恰恰与之相反。例如，某些出租车公司似乎把人力纯粹当作一种临时替代物，目的是为研发筹集风险资本，以便将来大规模推出无人驾驶汽车，最终让公司的人力司机通通下岗（Price，2019）。
我的观点颇具乌托邦色彩。我认为，工薪阶层之所以拼命工作，他们大多为环境所迫（对此我们不妨认真看看自己周围的工作世界），而自动化可以使人类从毫无意义的苦差事中解脱出来。这个看法或许比较天真，而且也存在很多问题。显而易见，自动化给社会带来长期利益的同时也会造成中短期的失业问题，随之而来的是工薪阶层收入减少、自尊心受损和福利下降。作为一个社会群体，我们可能会为了追求不切实际的福利而罔顾眼前的困难。在我们几乎无力照顾病人或教育年轻一代的情况下，实行每周三天工作制、鼓动推行“全民基本收入”计划或增加国民保险以使失业者过上安逸的生活，难道我们真的有本钱支撑这些福利措施吗？然而，假如我们能够弱化资本主义价值观，有节制地推广人工智能系统在工作场所的应用，也许这些措施都没有必要。
对于技术的发展前景，虽然我们通常寄望于科学家和技术领导者，但我们也可以期待艺术方面的指导。我一直在参与一些与人工智能有关的文化项目，其中利用人工智能生成的虚构创作已成为伦敦西区音乐剧制作的基础（Colton等，2016）；人工智能生成的绘画作品在艺术画廊和博物馆中广为展出（Colton&Ventura，2014）；人工智能生成的视频游戏也已被纳入比赛并得到游戏爱好者的追捧（Cook等，2016）；人工智能生成的诗歌经常在BBC电台朗诵（Colton等，2012）。通过这些项目，我目睹了艺术界正在与时俱进，不断创造条件使艺术家能够利用计算机从事自己的工作；艺术家也把某些创作任务交给软件，使之成为名副其实的自动化人工智能“艺术家”，比如我那个名为“绘画傻瓜”（THePaintingFool）的软件系统（Colton，2011）。艺术领域的实践使我们可以更好地理解人工智能系统在那些以人为中心的领域所具备的优点和不足，从而有助于把这些理念从艺术领域移植到更为广阔的工作世界。
在这样的学术和文化背景下，我用另一个思维实验来说明我所从事的专业—计算机创作—正面临的几个问题。这个专业主要研究如何在艺术和科学项目中把创作任务交给软件来执行。特别值得一提的是，我曾经朗读了下面这首题为《分娩》的短诗，并与听众讨论“女作者”试图表达什么意思。
快乐，痛苦，此起彼伏。我的孩子啊！
你由我所生，也为我而生，伴随着我的泪水与恐惧。
然后我告诉听众，作者其实是一个男人。这立即改变了一些听众对作者意图的看法。接着我继续爆料：该男子是一名被定罪的恋童癖。随即听众对这首《分娩》的解读就变得有些阴暗了。后来我再次把作者身份改变为一个在运行过程中有人稍加指导的计算机程序，并请听众思考一下这首由软件创作的诗歌有何“意味”。此时，他们大都认为这首诗已经没有什么“意味”可言：软件对分娩一无所知，所以这首诗缺乏真情实感，是在无病呻吟。最后我揭开谜底，告诉听众这首诗其实就是我本人写的。我发现，随着作者身份的层层披露以及由此产生的作者真实性变化，我信笔写下的诗句对听众而言也大异其趣。
虽然目前我们尚未做到，但我相信随着人工智能系统产出的艺术作品质量不断提高，真情实感将成为艺术的焦点，围绕创作过程的背景故事也会增添作品的魅力（Colton等，2018）。例如，在特定模式下，“绘画傻瓜”可以根据它阅读《卫报》上的文章后所产生的虚拟情感来画肖像（Colton等，2015）。看到软件对《卫报》背景故事的反应以及屏幕上虚拟的手和画笔将肖像渐次呈现所带来的体验，远比艺术创作过程中对着模特临摹更加震撼和有趣。尽管如此，“绘画傻瓜”仍受制于背景故事的约束，其展现的虚拟情感也存在诸多局限。虽然我并不认为我们正在走向某种人机合一的“奇点”（singularity，原本是一个天体物理学术语，指研究宇宙起源时所推测的宇宙大爆炸的起始点。后来美国未来学家、谷歌工程总监雷蒙德·库兹韦尔提出“奇点理论”，其中的“奇点”是指人类与其他物种或物体的相互融合。确切地说，是指人工智能与人脑智能融为一体的那个神奇时刻—译者注），但我们的确有可能赋予软件越来越多“类人”品质，并最终欣赏到计算机和机器人通过其艺术作品所表达的逼真的生活体验。然而，这并不意味着机器人从此可以摆脱作为非人类物体的先天性约束。正因为如此，它们的艺术作品将始终有别于人类的创作，社会也将认识到最好的艺术品实际上就是对人性的颂扬。
如今许多人对人工智能生成的艺术品情有独钟，实际上每当新技术被用于艺术活动时都会出现这样的猎奇现象。不过，对于所谓的新生事物冲击，如果被善加利用也会结出优秀的文化硕果。为此，人们正在试图划出界线，厘清自动化能够做什么以及应该做什么。当然，这些界线最终会被跨越并逐渐模糊，世界也将由此变得趣味盎然。然而，艺术领域的一个突出特点就是以人为中心，这在自动化时代必将变得更加明确。我有时会把诗歌比喻为浓缩的人性：由人所写，为人而写，写的是人（Colton等，2012）。
言归正传，下面将谈谈自动化对各种工作活动的影响。跟前面的诗歌类似，有些事情我们可能只想把它们划归为只适合人类承担或以人为中心的工作。其中一项就是最近新闻报道中提到的老人护理工作。随着机器人护理员从科学幻想走进科学现实，日本和其他一些国家的机器护理员都已进入测试阶段（Hurst，2018）。在这样的工作领域，我们必须权衡利弊。随着其他工作岗位实现自动化，可能会有更多的人去从事护理工作，这对于改善老龄人口的保健服务大有必要。然而，也许有人会问，为什么真人就比机器人更适合照料老人？而且肯定还会有一种功利主义的观点认为使用机器人做护理总比没有护理强。因此，权衡利弊非常重要。在其他领域，也会出于别的原因需要破除“只有人才能做”的禁锢。我曾经提醒我的学生们，在电子表格出现以前，纸质分类账本都是由擅长算术和统计的人手工填写；然而，如今记账早已普遍采用计算机操作，它不仅使簿记实现了大众化、提高了准确度和效率，而且有助于将电子表格的应用范围扩大到生活的其他许多领域。虽然人类会计还在继续工作，但如果现在还有企业想雇人来从事手工填写报表或其他复杂的计算，大家一定会觉得不可思议。
关于工作和休闲，我曾在收音机里听到一个简单粗暴的定义，它已经影响到我对在社会上推广利用人工智能的思考。那个定义是：工作就是你乐意付钱请别人从事的任何活动，而除此之外的一切活动都是休闲。如果研究人员想了解人们的日常活动哪些属于工作、哪些属于休闲时，上述定义就显得颇具操作性。认为工作就是花钱雇人干的活，这个想法实际上给工作的定义设置了很高的标准，它促使人们去思考工作和休闲生活的质量。因此，这是一个相当主观的定义。例如，业余垂钓对许多人而言绝对是一项休闲活动，但假如我愿意花钱雇一个人拿根鱼竿在河边坐上好几个小时，对我而言这人就像是在为我工作。又比如，为自己的孩子换尿布这件事情，这是做父亲的本分，我不会花钱请人代劳；不是因为我喜欢做，而是我认为这件事本身似乎不值得花钱请人来做，尽管我尊重别人花钱雇人换尿布。我很幸运，因为我从事的有偿活动对我来说大都可以归于休闲，更幸运的是我的雇主从不利用这个事实来克扣我的工资。
在我看来，要确定一个工作场所是否适合推广自动化系统，首先可以询问员工他们的活动中有哪些可以归为工作、哪些可以归为休闲，然后设法使属于工作的那部分实现自动化，同时尽量创造机会增加休闲活动的比重。我以前曾经提到一个关于“标题党媒体”（clickbaitjournalism）的例子。一位此类媒体的前雇员在接受《卫报》采访时表示，他并不想当标题党记者，因为每天要做的事情就是必须在键盘上敲出几十篇低俗而空洞的短文。一旦这位特殊的记者选择跳槽，他就会被自动化系统所取代，因为软件系统现在已经可以照葫芦画瓢，将各种统计数据和第三方新闻报道娴熟地套用到标题党文章里面。当然这位记者也可以有第三种选择：他可以告诉老板自己其实很喜欢写一些有人情味的文章，并同意把利用软件撰稿节省出来的时间用于发表更多关于名人宠物化妆之类的八卦新闻。不过，如前文所述，就目前而言，达成这样的结果对他来说只是一厢情愿。
虽然知道这是一种极度乌托邦的设想，但我仍然相信我们可以生活在一个自动化的世界。在这个世界中，人类驾驶和自动驾驶的出租车都可以载着我们在城市里穿梭，但人类司机之所以还开出租车，是因为他们真正热爱这份工作，而不仅仅是为了养家糊口。我们也许还乐意为体验到人类驾驶的出租车付更高的价格，就像我们现在买艺术作品一样。多付点钱给人类司机是理所应当的，毕竟雇用人力比使用机器人成本更高，而且乘客也可以在与司机的交流中享受到更多的文化体验。这种理想化的愿景自然不会延伸到所有类型的工作以及所有的人或公司，但我相信，这是我们作为一个社会群体应该为之努力的方向。
在促成本文的论坛上（指2018年2月伦敦全球研究中心主办的“工作的未来”研讨会—译者注），其他与会者提出了几个问题，其中一些我在上述讨论中已经作了回应。此外，有人注意到我的一个观点—大多数人工智能研究人员倾向于将人工智能技术的发展与它的用途区别对待，并且不太关注人工智能的道德问题。对此我想强调的是，虽然目前情况确实如此，但随着技术领导者—比如来自谷歌DeepMind的德米斯·哈萨比斯（DemisHassabis）—积极推动建立人工智能应用的道德规范，加之一些大学也逐步为计算机专业的学生开设人工智能应用道德课程，将来的情况必然会发生变化。
后来，研讨会又回到“由谁来决定人工智能的应用”这个问题，并提出是否有可能自下而上来推动，例如从社区或消费者团体着手。我承认自己对此深表怀疑。我指出，学术界的人工智能团体也在带头行动。我举了一个关于抵制自动杀人机的例子。这场学术运动就是由我的一位老同事托比·沃尔什教授（TobyWalsh）发起的。他在2018年出版了《会思考的机器：人工智能的未来》（MachinesThatThink:TheFutureofArtificialIntelligence）一书。我最近曾对沃尔什表达过自己的疑虑：一场学术运动是否能扭转人工智能在政府、军队甚至商业领域的发展趋势？但他显然比我更乐观。他认为，这些组织都在积极雇用人工智能专业的博士毕业生，而且人才争夺非常激烈。他相信，其中一些毕业生可能会受到这场学术运动的影响，从而在择业时将考虑那些用人单位的道德立场。这不失为一个令人振奋的消息。
另一场讨论集中于软件本身的创作能力。有人认为，虽然计算机软件能够对以前的艺术杰作—比如音乐名曲—进行重新组合，但真正的艺术家不仅需要动用音乐资料库里面的资源，而且还要积累素材。这些素材来自他们的日常生活、来自其他文艺作品（如小说）、来自梦想、来自朋友间的互动以及其他许多方面。大家认为，只有受到这些素材的潜移默化，软件才能创造出伟大的艺术作品。我也持同样的立场。我经常告诉别人，在计算机创作研究中我们应该如何避免生搬硬套，因为这与创作的理念背道而驰。我也反对认为软件创作不会被上述因素感染的观点。我指出，“绘画傻瓜”的“灵感”就来自每天报纸上的文章和推特数据流（twitterstream），来自之前肖像模特所表达的情感。我反复声明，我实在不明白为什么软件就不能拥有丰富的素材，因为所有能模拟人类生活的内容都可以被设计到软件之中。我推测，目前在创作软件中之所以未能实现这一步，并不是因为技术上的限制，而是因为还没有形成针对计算机创作活动的经济模式。开发计算机的创作能力，可能需要调动大型科技公司庞大的人力和算力资源。
最后，我们还讨论了艺术品的估值问题，我们认为艺术作品应当具备原创性和独特的价值。需要指出的是，许多从事创作的人都声称自己的作品具有原创性，但在市场上却遭到冷落，这里面可能涉及个人才华不够、缺少人脉以及带有偏见的估值等因素。估值是一个非常“嘈杂”的过程，我们怀疑计算机是否能在这样“嘈杂”的环境中保持专注、认清自己，像人类一样借鉴过去的失败和错误以不断完善自己。我注意到，“绘画傻瓜”确实能够从它的某些失败经历中吸取教训，吃一堑长一智，每当发现自己的败笔之后都能够在下一次创作中画出更加感人的肖像。之所以能做到这一点，是因为它带着阅读报纸文章后产生的模拟情感，使用机器视觉来分析作品的效果并表现出情感价值。
我们还讨论了人工智能是否应该借鉴文学艺术领域对创作的简单化定义（比如产生出富有新意和价值的作品）（Colton等，2014）。我提出的观点是，“艺术”和“创作”这类概念其实在本质上是存在争议的。正如哲学家W·B.加利（W.B.Gallie）在其论文《本质上有争议的概念》（EssentiallyContestedConcepts）中所言：要想恰如其分地使用这些概念，你就得煞费苦心先搞清楚什么是“概念的恰当运用”（Gallie，1955）。换句话说，我们的社会已经形成默契，在某些概念上我们可能永远都无法达成一致，这也是社会进步的一个重要推动力。接下来讨论的焦点是，在辨析那些本质上存在争议的概念（比如艺术和创作）时，某些人是否更具有权威性。我同意有的人在某些事情上确实拥有更多的权威性和更深刻的领悟，因此可以提出更令人信服的观点，但这并不能改变一个事实：为了更好地讨论计算机的创作能力，他们也应该与别人进行切磋。由此推导出本文的结论：只有当软件本身有助于讨论什么是创作的时候，我才会相信自己已经成功开发出真正具有创作能力的软件。我建议设计这样一个从哲学意义上具有创造性的人工智能系统，以此终结我作为一名计算机创作能力研究者的职业生涯。
本文摘自：《工作的未来》返回搜狐，查看更多
对人工智能发展至关重要的四项技术
[[423611]]
虽然人工智能驱动的设备和技术已经成为我们生活的重要组成部分，但机器智能仍可能在一些领域做出重大改进。
为了填补这些隐喻性的空白，非人工智能技术可以派上用场。
人工智能(AI)是一种“具有合成智能的新兴计算机技术”。人们普遍认为，我们在日常生活中看到的人工智能应用只是其力量和能力的冰山一角。人工智能领域需要不断演进和不断发展，以消除常见的人工智能局限性。
通常，人工智能由以下子领域组成，如认知计算，也通常包括在内，但以下领域几乎在所有人工智能系统中无处不在：
机器学习：机器学习结合使用来自神经网络的数据、一般和特定统计数据、操作结果和其他来源，在不受外部引导的情况下发现信息中的模式。深度学习使用包含多个复杂处理单元层的神经网络。深度学习使用更大的数据集来提供复杂的输出，如语音和图像识别。神经网络：神经网络(也称为人工神经网络)利用数字和数学信息进行数据处理。神经网络包含几个类似神经元和突触的数据节点，模拟人类大脑的功能。计算机视觉：利用模式识别和深度学习，计算机视觉识别图像和视频中的内容。通过对图像和视频的处理、分析和获取知识，计算机视觉帮助人工智能实时解释周围环境。自然语言处理：这些是深度学习算法，使人工智能系统能够理解、处理和生成人类的口语和书面语言。非AI技术会让AI变得更先进(或者至少减少AI的局限性)，通常会增强其中一个部分，或积极地影响其输入、处理或输出能力。
1.半导体：改善人工智能系统中的数据移动半导体和人工智能系统在同一领域共存的现象非常普遍。有几家公司生产用于人工智能应用的半导体。在现有的半导体企业中，为了制造人工智能芯片或将人工智能技术嵌入到生产线上，实施了专门的项目。这类机构参与人工智能领域的一个突出例子是英伟达(NVIDIA)，其包含半导体芯片的图形处理单元(GPU)被大量用于数据服务器，以进行人工智能训练。
半导体结构的改变可以提高人工智能电路的数据使用效率。半导体设计的改变可以提高人工智能内存存储系统的数据移动速度。除了增加功率，存储系统也可以变得更高效。
随着半导体芯片的参与，有几个想法可以改善人工智能系统的各个数据使用方面。其中一种想法是只在需要的时候向神经网络发送数据(而不是不断地通过网络发送信号)。另一个进步的概念是在与人工智能相关的半导体设计中使用非易失性存储器。正如我们所知，非易失性存储芯片在没有电源的情况下仍然可以保存保存的数据。将非易失性存储器与处理逻辑芯片相结合，可以创造出满足新型人工智能算法日益增长的需求的专用处理器。
虽然可以通过半导体的设计改善来满足人工智能的应用需求，但也有可能引发生产问题。由于对内存的巨大需求，人工智能芯片通常比标准芯片要大。因此，半导体公司将需要花更多的钱来制造它们。因此，开发人工智能芯片对他们来说没有多大经济意义。
为了解决这个问题，可以使用一个通用的人工智能平台。芯片供应商可以通过输入/输出传感器和加速器来增强这些类型的AI平台。使用这些资源，制造商可以根据不断变化的应用需求塑造平台。通用人工智能系统的灵活性可以为半导体公司带来成本效益，并大大减少人工智能的局限性。通用平台是连接基于人工智能的应用和改进的半导体的未来。
2.物联网(IoT)：增强AI输入数据人工智能在物联网中的引入改善了二者的功能，并无缝解决了各自的缺点。正如我们所知，物联网包含多种传感器、软件和连接技术，使多个设备以及其他数字实体能够通过互联网相互通信和交换数据。这些设备可以是日常生活用品，也可以是复杂的组织机器。从根本上说，物联网减少了观察、确定和理解一个情况或其周围环境的几个互连设备的人为因素。相机、传感器和声音探测器等设备可以自行记录数据。这就是人工智能的用武之地。机器学习总是要求它的输入数据集来源尽可能广泛。物联网拥有大量连接设备，为人工智能研究提供了更广泛的数据集。
为了充分利用物联网为人工智能系统提供的大量数据储备，企业组织可以构建自定义机器学习模型。利用物联网从多个设备收集数据并在时尚的用户界面上以有组织的格式呈现数据的能力，数据专家可以有效地将其与人工智能系统的机器学习组件集成。
人工智能和物联网的结合对这两个系统都很有效，因为人工智能从其物联网对应物获得大量原始数据进行处理。作为回报，人工智能可以快速找到信息模式，从未分类的大量数据中整理和呈现有价值的见解。人工智能从一组分散的信息中直观地检测模式和异常的能力得到了物联网传感器和设备的补充。通过物联网生成和简化信息，人工智能可以处理与温度、压力、湿度和空气质量等各种概念相关的大量细节。
近年来，几家大型企业成功部署了各自对人工智能和物联网结合的理解，以在其行业中获得竞争优势并解决人工智能的局限性。GoogleCloudIoT、AzureIoT和AWSIoT是这一趋势的一些著名例子。
3.图形处理单元：为人工智能系统提供计算能力随着AI的日益普及，GPU已经从单纯的图形相关系统组件转变为深度学习和计算机视觉过程的一个组成部分。事实上，人们普遍认为GPU相当于普通计算机中的CPU的人工智能。首先，系统需要处理器内核来进行计算操作。与标准CPU相比，GPU通常包含更多的内核。这允许这些系统为跨多个并行进程的多个用户提供更好的计算能力和速度。此外，深度学习操作处理大量数据。GPU的处理能力和高带宽可以轻松满足这些要求。
[[423612]]GPU具有强大的计算能力，可以配置为训练AI和深度学习模型(通常是同时进行)。如前所述，更大的带宽使GPU比普通CPU具有必要的计算优势。因此，人工智能系统可以允许大量数据集的输入，这可能会超过标准的CPU和其他处理器，从而提供更大的输出。最重要的是，在AI驱动的系统中，GPU的使用并不会占用大量内存。通常，计算大的、不同的任务需要在标准CPU中使用几个时钟周期，因为它的处理器按顺序完成任务，并且拥有有限数量的核心。
另一方面，即使是最基本的GPU也有自己的专用VRAM(视频随机访问内存)。因此，主处理器的内存不会被小型和中型进程占用。深度学习需要大量的数据集。虽然物联网等技术可以提供更广泛的信息，半导体芯片可以规范AI系统的数据使用，但GPU在计算能力和更大的内存储备方面提供了资源。因此，GPU的使用限制了AI在处理速度方面的局限性。
4.量子计算：升级人工智能的方方面面从表面上看，量子计算类似于传统的计算系统。主要区别在于使用了独特的量子位(也称为qubit)，它允许量子计算处理器中的信息同时以多种格式存在。量子计算电路执行类似于常规逻辑电路的任务，但添加了纠缠和干扰等量子现象，以将其计算和处理提升到超级计算机水平。
量子计算允许人工智能系统从专门的量子数据集中获取信息。为了实现这一点，量子计算系统使用称为量子张量的多维数字阵列。然后使用这些张量创建大量数据集供AI处理。为了在这些数据集中找到模式和异常，部署了量子神经网络模型。最重要的是，量子计算提高了人工智能算法的质量和精度。量子计算通过以下方式解决了常见的AI限制：
与标准计算系统相比，量子计算系统功能更强大，而且不易出错。一般来说，量子计算有助于人工智能系统的开源数据建模和机器训练框架。量子算法可以在纠缠输入数据中寻找模式的过程中提高人工智能系统的效率。我们可以清楚地看到，人工智能的发展可以通过增加输入信息量(通过物联网)、提高数据使用率(通过半导体)、增加计算能力(通过GPU)或简单地改进各个方面来实现其操作(通过量子计算)。
除此之外，未来可能还有其他几种技术和概念可以成为人工智能发展的一部分。在其概念和诞生60多年后，人工智能在当今几乎每个领域都比以往任何时候都更加重要。无论它从哪里开始，人工智能的下一个进化阶段都将是引人入胜的。