人工智能的发展让许多人感到惊讶不已，未来的机器人必将代替人类进行操作操劳甚至是搏杀！让诸神退位的未来机器人上天入地神鬼莫测！

1950年，著名的图灵测试诞生：如果一台机器能够与人类展开对话(通过电传设备)而不被辨别出其机器身份，那么称这台机器具有智能。同年，图灵预言了创造出具有真正智能的机器的可能性。这可能是最初人工智能概念的诞生。

艾伦·图灵
1956年，一场学术会议在美国达特茅斯（Dartmouth）大学召开，多年以后被认定为全球人工智能研究的起点。此后，数学、心理学、工程学、经济学、政治学等领域的科学家们开始探索制造人工大脑的可行性，在无数科幻小说和电影中，也不乏人类对人工智能的想象和期许。

Dartmouth College

如今人工智能正以指数级的速度发展着，并取得了数次大突破。在今年3月份进行的人机围棋大战中，AlphaGo以 4比1战胜李世石，使人工智能成为21世纪人类最为关注的科技热点。

AlphaGo VS李世石

但同时，人们对人类智能的争议也在增加。部分科学家担忧人工智能的发展达到“技术奇点”，从而带来的“智能爆炸”。霍金就曾表示：“人工智能在并不遥远的未来可能会成为一个真正的危险。” 有的则认为这样的担忧不成立。《纽约时报》资深记者马尔科夫表示，即使（AlphaGo）最终获胜，也只能够证明人类的程序设计能力和计算能力超强，并不能说明人工智能已超越了人类。

“那么，人工智能到底会不会发展到超越人脑，从而脱离人类的控制？其发展的极限在哪？人工智能和人类智慧的区别和界限又是什么……”

这些围绕人工智能和人类智慧博弈的问题，似乎成了当下最热门的讨论。而能解答这些问题的，正是这一领域背后无数的科学家们。他们致力于人工智能的不同的细分领域，研究和探索能推动人类发展的一切可能。

他们从机器学习、生物机械的层面出发，用通过技术研究解惑人工智能。

Tom Mitchell卡耐基梅隆大学计算机科学系教授

Tom Mitchell 教授是美国工程学院院士、美国人工智能协会主席。他著有《机器学习》一书，对机器学习领域影响较大，同时还是多种技术杂志的撰稿人，曾发表过许多文章，出版过多本专著，是机器学习、人工智能和认知神经学领的知名学者。

Sang-bae Kim麻省理工大学机械工程学院副教授

Sang-bae Kim教授曾发明Stickybot这种可以克服地心引力，在垂直光滑的平面上攀爬的机器动物，并被美国时代周刊（Time）评为2006年度最佳发明。他擅长从动物复杂的运动系统获得启发，重点研究不同物种肢体运动的先进功能。还有很多科学家则通过视觉研究、社交信息分析等角度来探索人工智能的进化。

李飞飞 斯坦福大学计算机系教授

李飞飞教授是斯坦福大学人工智能实验室主任。她的研究兴趣主要集中在视觉研究领域，包括计算机视觉和视觉心理学，例如物体识别、场景分类和事件分类等。她所带头创立的ImageNet是目前世界上图像识别最大的数据库。

Jure Leskovec斯坦福大学计算机科学系副教授

Jure Leskovec教授专注研究大型社交网络和信息网络的数据挖掘与建模、演化以及信息扩散对其的影响。与此同时，Leskovec还是著名视觉社交网站Pinterest的首席科学家，主攻机器学习问题。

以上几位科学家们均是人工智能领域的重要人物，面对人工智能飞速发展带来的不确定性，他们或许会带来更专业权威的解惑。正是基于这样的期待，硅谷G－Summit全球科学创新峰会特邀请这些顶尖科学家，围绕人类智能和人工智能的博弈，展开激烈的观点碰撞和成果分享。

许多神话故事和传奇，只是人类的许多梦想，国际著名的耶鲁大学是一所坐落于美国康涅狄格州纽黑文市的私立大学，创于1701年，初名大学学院。耶鲁大学是美国历史上建立的第三所大学，第一所是哈佛大学，第二所是威廉玛丽学院。它和哈佛大学、普林斯顿大学齐名，历年来共同角逐美国大学和研究生院前三的位置。该校教授阵容、学术创新、课程设置和场馆设施等方面堪称一流。著名的博弈论系统介绍有关博弈论和战略思想。比如支配思想、落后的感应、纳什均衡、进化稳定性、承诺，信誉，信息不对称，逆向选择等。并在课堂上提供了各种游戏以及经济、政治，电影和其他方面的案例来讨论。

人与机器的博弈其实还是人类自身的竞技，只不过是有机器代替了人的躯体进行博弈，灵魂仍然是人类自己。因此定义人工智能不是困难，而简直是不可能的，这完全不是因为我们并不理解人类智能。人工智能的进步更多的将帮助我们定义人类智能不是什么，而不是定义人工智能到底是什么呀?

海果汇专家认为，如今不管人工智能是个啥，人们确实已经在从机器视觉到玩游戏等众多领域取得了很多进展。人工智能正在从一项研究主题向早期的企业应用转变。谷歌和 Facebook 还有海果汇已经在人工智能上投入了巨大的赌注，已经在它们产品中应用了这一技术。

未来十年人工智竟会取得飞速发展，它们不再是照本宣科的机器人拨号程序，甚至不能意识到它们不是人类。将依赖汽车进行路线规划，对道路危险做出反应。我们所接触的每一种应用程序都将整合进一些人工智能功能。未来不可避免地与人工智能捆绑在一起！

人工智能的强度有多智能、广度要解决的是范围狭窄的问题，还是广义的问题、训练如何学习、能力能解决什么问题和自主性人工智能是辅助技术还是能够只靠自己行动。这些每一个中心都有一个范围，而且这个多维空间中的每一个点都代表着理解人工智能系统的目标和能力的一种不同的方式。在强度中心上很容易看到过去 20 年的成果，已经造出了一些极其强大的程序。深蓝在国际象棋中击败了 Garry Kasparov;沃森击败了 Jeopardy 的常胜冠军;AlphaGo 击败了可以说是世界上最好的围棋棋手李世石。

尽管如此所有这些成功都是有限的。深蓝、沃森和 AlphaGo 都是高度专业化的、目的单一的机器，只能在一件事上做得很好。深蓝和沃森不能下围棋，AlphaGo 不能下国际象棋或参加 Jeopardy，甚至最基本的水平都不行。它们的智能范围非常狭窄，也不能泛化。

沃森已经在医疗诊断等应用中取得了很多成果，但它基本上仍然只是一个必须为特定领域专门调制的问答机器。深蓝拥有大量关于国际象棋策略的专门知识和百科全书式的开放知识。AlphaGo 是用更通用的架构构建的，但其代码中仍然有很多人工编码的知识。还没能创造出可以解决多种多样不同类型问题的人工通用智能(artificial general intelligence)。还没有听一两年人类对话的录音就能自己说话的机器。尽管 AlphaGo 通过分析数千局比赛然后又进行更多的自我对弈而学会了下围棋，但这同样的程序却不能用来掌握国际象棋。

海果汇专家认为，目前最好的成就离真正的通用智能还很远，真正的通用智能能灵活地无监督地学习，能足够灵活地选择自己想要学习的内容。通用智能不意味着人类智能，想要机器能在没有编码特定领域知识的情况下解决不同种类的问题。希望机器能做出人类的判断和决策。机器无法实现创造力、直觉或本能等没有数字类比的功能。通用智能将具备处理多种类型的任务和适应未曾预料的情形的能力。一个通用智能无疑可以实现正义和公平这样的概念：已经在谈论人工智能对法律系统的影响了。

如今要实现自动驾驶，汽车需要将模式识别和其它能力整合到一起，包括推理、规划和记忆。它需要识别模式，这样才能对障碍物和街道标志做出反应;它需要推理，这样才能理解交通规则和解决像避开障碍物等任务;它需要规划以获得从当前位置到目标位置的路径，同时考虑到交通状况等其它模式。需要不断重复做这些事，不断更新它的解决方案。即使一辆自动驾驶汽车整合了所有这些人工智能，它也不具备所期望的通用智能应该具备的灵活性。

通用人工智能的关键不是有多少种能力，而是这些能力的整合。可以重新加工其中许多软件组件，只能指出缺少了什么：当前的人工智能能为特定问题提供范围狭窄的解决方案，并不是通用的问题解决者。可以将范围狭窄的人工智能叠加到一起，一辆车可以带有能谈论去哪里、进行餐厅推荐和与你下棋让你不会感觉无聊的 Bot，狭窄人工智能的叠加永远不能得到一个通用人工智能。

当莱特兄弟和其他人停止模仿鸟类并开始学习空气动力学时，对人工飞行的追求才获得成功。神经网络的方法原本是为模拟人脑过程而开发的，许多人工智能计划已经放弃了模仿生物大脑的概念。不知道大脑的工作方式，神经网络计算非常有用，并没有模拟人类的思维。要取得成功，人工智能不需要将重点放到模仿大脑的生物过程上，应该尝试理解大脑所处理的问题。合理地估计，人类使用了任意数量的技术进行学习，而不管生物学层面上可能会发生什么。这可能对通用人工智能来说也是一样：它将使用模式匹配(类似 AlphaGo)，它将使用基于规则的系统(类似沃森)，它将使用穷举搜索树(类似深蓝)。

这些技术没有一种能与人类智能直接对应。人类比任何计算机都做得更好的是构建他们的世界的模型，并根据这些模型采取行动。超越通用智能后的下一步是超智能。还不清楚如何区分通用人工智能和超智能。鉴于我们对人类的创造力还不甚理解，期望超智能系统会具备创造力和直觉等性质，思考机器的创造力就更为困难了。

同样算法的重复应用可能会产生让人类感到惊讶或意外的结果，但仅仅的惊讶并不是我们所说的创造力。AlphaGo 的一些落子是创造性的;但它们源自与其它所有落子完全一样的过程和模式，而并非以一种新的视角看待这项游戏。将超智能看作一个规模问题会更容易一点。可以创造通用智能，可以很容易估计出它将很快就比人类强大成千上万倍。更准确地说，通用人工智能要么将显著慢于人类思维，难以通过硬件或软件加速;要么就将通过大规模并行和硬件改进而获得快速提升。

尽管它将成为研究者的一次伟大旅程，将从数千个内核 GPU 扩展到数千个芯片上的数以万亿计的内核，其数据流来自数十亿的传感器。在第一种情况中，当加速变缓时，通用智能可能不会那么有趣。其增速的斜坡将会非常陡峭、非常快。

从机器基于标注数据的监督学习走向机器依靠自己组织和结构化数据的无监督学习，AlphaGo 的开发者声称使用了远比深蓝更通用的算法来训练人工智能：他们制作了一个只具备最少围棋知识策略的系统，学习主要是通过观察围棋比赛获得。在想要得到真正的人工智能之前，必须解决无监督学习的问题。对照片分类，一个人工智能系统首先会获得数百万张已经正确分类了的照片;在学习了这些分类之后，还要使用一系列标注了的照片进行测试，看它们是否能够正确标注这个测试集。人类和动物都可以从相对很少的数据中构建模型和抽象，不需要几百万张图像才能识别出一种新的鸟或在一座新城市找到要走的路。研究对视频的未来画面的预测需要人工智能系统构建对世界运作方式的理解。

在冰面汽车会难以预料的打滑，人类可以解决这些问题，尽管它们不一定很擅长。光是靠更好更快的硬件，或开发者只是用当前的库进行开发，问题将无法得到解决。有一些学习方法处在监督学习和无监督学习的中间。在强化学习中，系统会被给予一些代表奖励(reward)的值。机器人可以穿过一片地面而不跌倒吗?机器人可以不用地图就驾驶汽车穿过市中心吗?奖励可以被反馈给系统并最大化成功的概率。

在一端，监督学习意味着再现一组标记，这在本质上是模式识别，而且容易发生过拟合。在另一个极端，完全无监督学习意味着学习归纳性地推理关于一个情形的情况，这还需要算法上的突破。对人工智能的期待严重依赖于希望用人工智能做什么。对人工智能的讨论几乎总是开始于图灵测试。

图灵假设人们可以通过聊天的方式与计算机交互，假设了一种与计算机的沟通方式。这个假设限制了期望计算机做的事，不能期望它能驾驶汽车或组装电路。这也是一个故意的模棱两可的测试。计算机的答案可能是闪烁其词的或完全不正确的，正确无误不是重点。人类智能也可能会是闪烁其侧或不正确的。不可能将正确无误的人工智能误解为人类。假设人工智能必须被嵌入到能够运动的硬件中，比如机器人或自动驾驶汽车，会得到一组不同的标准。会要求计算机在它自己的控制下执行一个定义不清的任务。打造出在路线规划和驾驶上比大多数人类都做得更好的人工智能系统。

谷歌的自动驾驶汽车负有责任的那次事故的原因是该算法被修改得更像人类一样驾驶，由此带来了人工智能系统不具备的风险。自动驾驶汽车还有很多没能解决的困难问题，比如在暴风雪的山路上行进。不管人工智能系统是嵌入在汽车里，还是无人飞行器或人形机器人里，其所面临的问题本质上是类似的：在安全、舒适的环境中执行是很容易的;而在高风险、危险的情形中则艰难得多。

人类也不擅长这些任务，尽管图灵所期望的对话中人工智能是回避式的或甚至会错误地回答问题，但在高速路上驾驶时，模糊或不正确的方案却是不能接受的。可以执行物理行为的人工智能迫使我们思考机器人的行为。应该用什么样的道德来规范自主机器人?阿西莫夫的机器人定律?如果我们认为机器人不应该杀死或伤害人类，武器化的无人机已经打破了这道界限。尽管典型的问题，如果事故不可避免，自动汽车应该撞向婴儿还是老奶奶?是虚假的道德，但这个问题也有一些更为严肃的版本。

为了避免会杀死其内部乘客的事故，自动驾驶汽车应该冲向人群吗?抽象地回答这个问题很容易，但很难想象人类会愿意购买会牺牲他们而不伤害旁观者的汽车。我怀疑机器人将来能够回答这个问题，但它也必然会在福特、通用、丰田和特斯拉的董事会上得到讨论。

海果汇专家认为，我们可以通过对话系统或自主机器人系统的复杂度分布来更为简单地定义人工智能，并说人工智能只是单纯关于构建能回答问题和解决问题的系统。能够回答问题和推理复杂逻辑的系统是我们已经开发了好些年的专家系统，其中大部分都嵌入在沃森中。正如 Beau Cronin 指出的那样，解决对人类来说存在智力挑战的问题是相对简单的;更困难的是解决对人类来说很简单的问题。很少有三岁孩童能下围棋。但所有的三岁孩童都能认出自己的父母——而不需要大量有标注的图像集。

智能严重依赖于我们想要该智能所做的事，并不存在一个能够满足我们所有目标的单个定义。如果没有良好定义的目标来说明我们想要实现的东西或让我们衡量我们是否已经实现了它的标准，由范围狭窄的人工智能向通用人工智能的转变就不会是一件容易的事。人工智能的新闻报道聚焦于能够自主行为的机器自主系统。这么做有充足的理由：它有趣、性感、且有点令人害怕。在观看人类辅助 AlphaGo 下棋的同时，很容易去幻想一个由机器主宰的未来。然而相较于自动化设备，人工智能有更多超过人类的东西。 

可能不想由一个人工智能系统来做决定，而可能会想为自己保留决定权。我们或许想让人工智能通过提供信息、预测任何行动过程的后果、提出建议来增强智慧，而把决定权留给人类。尽管有点《黑客帝国》的感觉，但这个被人工智能所服务的增强我们的智慧而非推翻我们的未来会比服侍一匹脱缰的人工智能有着更大可能性。

GPS 导航系统是一个人工智能系统用来增强人类智慧的绝佳案例。给定一张适宜的地图，大多数的人都能从 A 点导航到 B 点，尽管这对于自身能力还有很多要求，尤其是在我们不熟悉的领域。绘制两个位置之间的最佳路线是一个棘手的问题，特别是当你考虑到糟糕的交通和路况时。是有了自动驾驶车辆的除外，我们从未把导航引擎连接到方向盘上。 GPS 是一种严格意义上的辅助技术：它给出了建议，而不是命令。当一个人已经作出忽略 GPS 建议的决定(或错误)时，你都会听到 GPS 说重新计算路线中，那是它正在适应新情况。

类似 Stitchfix 的 web 应用也是人工智能，它增加了由时尚专家们运用推荐引擎所做出的选择。我们已经习惯了那些处理客户服务电话的聊天机器人(并经常被它们气坏)——准确度或高或低。你可能最后还是得和人类对话，而其中的秘密就是使用聊天机器人清理掉所有例行问题。让某个人类去抄录你的地址、保单号码和其他标准信息没什么意义：如果内容不是太多，计算机可以做得至少同样准确无误。在过去几年中，我们已经看到许多各种意义上有资格作为人工智能的应用程序。几乎所有「机器学习」框架下的事物都有资格成为人工智能：事实上机器学习是在人工智能学科陷入声名狼藉之时，被指称回人工智能更为成功的那部分。你不必一定要构建带有人类声音的人工智能，像是亚马逊的 Alexa，当然它的推荐引擎肯定是人工智能。

下一代助理将是(已经是)半自主性的。几年前，Larry Page说《星际迷航》中的计算机是理想的搜索引擎：它是一台能够理解人类、已消化所有可用信息、能在被提问之前就给出答案的计算机。如果你现在正在使用谷歌，当它第一次告诉你由于交通堵塞要你早点出发赴约时，你可能会感到惊讶。就需要纵观多个不同的数据集：你目前所在的位置、你的约会地点(可能在你的日历或联系人列表中)、谷歌地图数据、目前的交通状况、甚至是有关预期交通模型的时间先后数据。它的目的不是回答某个问题;而是甚至在用户意识到需求之前就提供帮助。

人工智能的兴起依赖于计算机硬件的巨大进步。列举计算机性能和存储技术自人工智能之冬起(维基百科追溯到 1984 年)的 30 多年间的巨大进步是很乏味的。特别是如果你已经见过 IBM 的沃森机器支架。AlphaGo 运行于 1920 个 CPU 和 280 个 GPU，击败了 Lee Sedol 的机器可能更加庞大，并且它使用了谷歌用于构建神经网络所开发的定制硬件。即使人工智能算法在普通笔记本上运行很慢，但在像 AWS、GCE 和 Azure 的云平台上配置一些重要的算力是容易且相对便宜的。机器学习得以实现，部分也是因为这种存储大量数据的能力。1985 年时的千兆字节(GB)还很罕见且重达数百磅;现在它已司空见惯，廉价而小巧。

除了存储和处理数据的能力，我们现在还能生成数据。在上世纪 80 年代，大多影像都是模拟信号。现在它们全是数字的，并有很多存储于像是 Flickr、Google Photos、Apple Photos、Facebook 等的网络服务商那里。许多在线照片已经被贴上了一些描述性的文本，这使得它们成为了训练人工智能系统的良好数据集。许多对话也都是线上的，通过 Facebook、Twitter 和许多聊天服务。我们的购物历史也是一样。所以我们(或者更准确的说是 谷歌、苹果、雅虎、 Facebook、亚马逊等)就有了训练人工智能系统所需的数据。在算法上也取得了显著的进展。神经网络并不是特别的新，但是「深度学习」却堆叠了一系列通过反馈来自我训练的网络。因而深度学习试图解决机器学习中最难的人类问题之一：从数据中学习最优表征。处理大量数据很简单，但是特征学习就更像是一门艺术而非科学。深度学习是要实现那门艺术的部分自动化。

海果汇专家认为，人工智能并不局限于学术界的计算机科学研究者，而是像 Pete Warden 所展示的那样，越来越多的人都能够参与进来。你无需了解如何实现一个复杂的算法并让它在你的硬件上运行得多么好。你只需要知道如何安装库并标注训练数据就行了。正如计算机革命本身所发生的那样，计算机被搬出了机房并被广大市民所使用，同样的民主化进程正在制造一场人工智能革命。来自许多背景和环境的人利用人工智能做试验，将会看到许多新型应用。肯定会有无法想象的新应用出现。

世界充满了暗数据，不存在于良好、有序的数据库中的非结构化信息。它在网站上、埋于表格里、被珍藏在照片和电影中;但它不易被机器智能或其他智能所捕获。像 diffbot 和 deepdive 这样的项目是利用半监督学习来找出非结构化数据中的结构——无论是大量的科学论文还是众多网站的碎屑。一旦他们创建了一个数据库，就能用更传统的工具—— API、SQL 语句或者桌面应用程序——访问该数据库。

知识数据库和图表已被应用到许多智能应用中，包括谷歌的知识图谱(Knowledge Graph)。在我们走向聊天应用时，挖掘暗数据并找出其中结构的能力将变得更加重要。在聊天应用从脚本化和目标狭隘型迈向为用户返回任意问题的答案型的道路上，暗数据的有效利用将成为这一转变的关键。可能看不到这样的应用程序被用于问题理解，而是会成为未来辅助技术的中心。它们将依靠已被机器分解并结构化的知识库：其中包含的大量数据将超出人类的标记能力。不像人工智能冬天的黑暗时期，那时数据有限、计算机很慢，现在我们到处都能看到成功的人工智能系统。谷歌翻译肯定不会像人类翻译员那样好，但是它经常能够提供一个可用的翻译结果。尽管语音识别系统还没有达到随处可见的程度，也也已经是司空见惯的了，且其准确度令人惊叹;一年前谷歌声称安卓手机可以正确无误地理解 92% 的问题。如果一台计算机能够准确地将问题转化为文本，那么下一步就是把问题变成答案。

图像识别和图像处理也已经变得司空见惯。尽管存在一些被广泛报道的尴尬错误，计算机视觉系统能够以在几年前还不可想象的精确度来识别人脸。对此问题的适宜约束在其成功中起着巨大作用：Facebook 可以识别照片中的面孔，是因为它假定照片里的人很可能是你的朋友。计算机视觉是(或将是)从寻常到可怕等各种层次的人工智能应用的中心。视觉显然是自动驾驶车辆的关键;它对于监控、自动锁定无人机和其他不令人舒服的应用也同样重要。深度学习和神经网络在过去的一年里已经吸引了大量的关注，它们已经实现了计算机视觉、自然语言和其他领域的进步。

然而几乎所有打着机器学习旗号的都是人工智能：分类与聚类算法(classification and clustering algorithms)、各种决策树(decision trees)、遗传算法(genetic algorithms)、支持向量机(support vector machines)、分层式即时记忆(HTM：hierarchical temporal memory)等等。这些技术可以被自己使用，也可以与其他技术结合使用。IBM 的沃森是集成学习(ensemble learning)一个很好的例子：它是一个基于规则的系统，并依据所要解决的问题来结合使用其他算法。这个规则在很大程度上是手工制定的，而其他算法则需通过精心调整来获得良好效果。

像 Watson 一样令人印象深刻的、需要大量手动调整的系统是一块通向智能道路上的最好的踏脚石。任何的通用人工智能和大多数的狭义人工智能系统都将可能结合多种算法，而不是使用单一的、尚未被发现的主算法。类似 Watson 这样的引擎的创造过程是科学，然而也需要许多艺术。另外，手动优化的需求表明人工智能系统的建立方式本质上是狭隘的，只能解决单一的问题。很难想象去优化一个能够解决任何问题的「通用智能」引擎。如果你正在做这件事，那么几乎可以肯定，那是一些特定应用。

人工智能方面的进步取决于更好的算法，还是更好的硬件?如果这个问题还算有意义，那么答案就是同时。即使 GPU 进展的时间速率已经停止，我们把更多东西塞进一张芯片的力还没有停滞：AlphaGo 的 280 个 GPU 能够轻松平均 20 万个核心，许多用于 GPU 的数学库和工具方面的改进。 ASIC(application-specific integrated circuit )和 FPGA( field-programmable gate arrays)在未来的人工智能引擎中的使用。反过来，ASIC 和 FPGA 将成为在许多需要硬实时状态(hard real-time)运行的硬件系统(想想自动驾驶汽车)中嵌入人工智能的关键。

即使有了更好的硬件，我们仍然需要分布于成千上万个节点中的算法;我们需要能够飞速地重新编程 FPGA 的算法，以适应待解决问题所使用的硬件。MapReduce 在数据分析中很流行是因为它提出了一个并行化一大类问题的方法。并行显然在人工智能中起作用，但它的限制是什么?并行的残酷现实是，其不可被并行的部分能把你折磨死。而大多数并行算法的标志是，你需要一个用以收集部分结果并产生单一结果的阶段。AlphaGo 在计算下一步棋时可能正在查看成千上万个选择，但在某一点上，它需要浏览所有的选项，评估哪个是最好的，并给出一个单一结果。

AlphaGo 可以利用 280 个 GPU 的优势;那么一台有 280,000 个 GPU 的计算机怎么样?毕竟，迄今为止我们所制造的最大计算机的计算能力只相当于一只老鼠大脑的一小部分，更不要说与人类相比了。如果是不依赖于并行设计和神经网络的算法呢?在一个路线中的每个元素都采取不同方法来解决问题的系统当中，你如何运用反馈?像这样的问题有可能在不久的将来推动人工智能的研究。

在人工智能算法中使用更多(更快)的硬件有可能使我们获得更好的围棋手、国际象棋手和 Jeopardy 玩家。我们将能更快更好地分类图像。不过这是我们目前可解决问题的一项改进而已。更多计算能力将会把我们从监督学习领到无监督学习吗?它会把我们从狭义的智能引到通用智能中吗?这还有待观察。无监督学习是一个难题，而且我们并不清楚能否只通过使用更多硬件来解决它。我们仍然在寻找一个可能并不存在的主算法。

对超智能的谈论很容易把人吓到。而且据一些人说，现在是时候决定我们想要机器做什么了，趁现在还未为时已晚。尽管这种立场可能过于简化了，但思考如何限制我们还未造出来的设备是非常困难的;而且它们的能力我们现在还无法想象，可能未来永远也无法理解。拒绝人工智能也是很困难的，因为没有任何技术是在人类事先考虑周全之后才被发明出来的。在历史的不同时期人们害怕的许多技术现在已经司空见惯：在某个时候，很多人认为以超过每小时 60 英里的速度旅行是致命的。苏格拉底反对书写，因为他担心这会导致健忘：想象一下他会如何看待我们今天的技术!

可以思考人工智能的未来，以及我们开发协助我们的人工智能的方式。大部分对超人工智能的恐惧都不是在害怕我们已经知晓或理解的机器，他们害怕的是最糟糕的人性加上无限制的力量。我们无法想象一个思考着我们不能理解的想法的机器;我们想象那是不可战胜的希特勒或斯大林，我们确实能理解他们的想法。我们的恐惧本质上是人类的恐惧：对像人类一样行为的万能机器的恐惧。并不是诋毁我们的恐惧，因为我们已经见到机器学习确实能向人类学习。

打造一个健康的人工智能生态系统的最好方式就是将打造恶毒机器的想法公开。研究会继续在背后进行，认为军方研究和情报部门没有致力于人工智能的想法，很天真。如果没有公开状态下进行人工智能研究，就会受到军方或者情报部门研究的支配。比如谷歌或者 Facebook，是闭门研究抑或开诚布公，是个值得讨论的问题。以尽可能从整体上让人类受益的方式推进数字化智能的研究，不受需要财务收益的限制。对于研究来说，开放且公开也同样重要，因为研究起源时常决定了研究的应用。就像核能，我们可以打造安全、高效的核反应堆。但从来没有打造过钍反应堆，因为他们不会帮你制造炸弹，而且对核能的深入研究是由国防部门控制的。核反应堆不是不会产生可用数量的钚吗?为什么任何人都想要核反应堆? 认为军方和国家情报部门不会做出优秀的人工智能研究，这种想法太天真。如果人工智能变成国家情报部门的专属领域，就会有秘密窃听和理解对话的优秀系统。很难想象人工智能的应用到底会有哪些，或许永远无法研发出智能医疗系统和机器人护士助理。要让人工智能服务于人类，就必须公开进行研究。作为人工智能研究人员这一更大社区的一部分，作为更为广泛的公众讨论，必须小心，不要打造出人类自己的最糟梦魇，需要认识到，噩梦只不过是一个更强大的、真实的人类自身的版本。

未来五到十年，人工智能会比人类更善于做一些最基础的任务。同样清楚的是，从事特别任务，比如语音识别，图像分类以及游戏。那并不意味着计算机将会思考。上世纪二十年代，我们就将一台现代洗碗机视为一个超级智能机器人。如今，不过是一个洗碗机。这种情形也将不可避免地发生在人工智能身上。已经避免对机器智能和人工智能做出区分，机器智能是一个术语，当人工智能这个词声名狼藉时，这个术语被用于指代人工智能研究中的一些想法。

我们不会对亚马逊的推荐系统或者 GPS 导航思虑再三 ，我们将之视为理所当然。我们或许发现 Facebook 和谷歌的图像标签功能很诡异，看到它时，不会认为那是人工智能。所有严肃的象棋玩家会对阵象棋程序，围棋菜鸟也是如此，而且在 AlphaGo 获得成功后，对弈计算机也会延伸到专家层面。这些就是人工智能，他们已经中断并成为当今世界的一部分。这一过程中，人工智能变化了形态，成为 智能增强：碾压人类能力的自动化技术开始变得具有辅助性。

在我们知道人工智能之前，不可能避免地被人工智能围绕。我们将管道、电力视为理所当然之物，我们的孩子将流媒体音乐视为理所当然。我们也会视人工智能为理所当然，当它们在生活中越来越普遍时。

近年来，中德双方在制造业创新发展方面取得了不少共识，开展了一系列互利合作。鉴于德国制造业的全球领先地位，全面认识和观察德国工业4.0发展理念、推进机制、实践效果等，对我国推动制造业转型升级有着重要的借鉴意义。

创始于1947年的汉诺威工业博览会，是全球制造业领域最负盛名、规模最大的博览会之一，也是德国乃至全球制造业前沿技术发展应用的集中展示地。2013年4月，德国政府正是在该博览会上首次提出工业4.0战略。通过实地调研特别是与参会各方的深入交流，德国工业4.0的理念接受度和技术成熟度都相对较高，其全球领先供应商战略目标很可能实现。

海果汇专家认为，国际金融危机爆发以来，面对实现经济复苏的巨大挑战和新工业革命的历史性机遇，主要国家都提出了产业发展新战略，包括我国的“互联网+”行动计划和“中国制造2025”战略、德国的“工业4.0”战略，美国的“先进制造业”和“工业互联网”、日本的“机器人新战略”、法国的“工业新法国”计划等。综观这些战略可以发现，其核心或“主线”基本一致，只是各国结合自身产业基础、要素优势等条件选择了有所差异的主攻方向及具体领域。

2016年汉诺威工业博览会的主题是“产业集成（Integrated Industry）——发现解决方案”，展出包括工业自动化、数字化工厂、工业零部件、研发和技术、能源这五大块，其中重点关注工业自动化和IT技术的结合、能源和环境工程、创新的分承包解决方案、研发等话题。发展前沿基本都体现了先进信息技术的广泛渗透和融合。

工业4.0的发展演进体现着向智能化、网络化转型发展的连贯思路，自然更易于得到国际社会的普遍认同。工业4.0战略的雏形最早可以追溯到2006年。当年，德国政府发布了“国家高技术战略”，开始跨部门地协调相关研究和创新计划，还着力推动物联网技术在制造业中的应用。德国在当时就意识到了各类新兴技术将呈现出交叉融合发展的趋势，以及“互联”所蕴含的巨大潜力。2010年，德国发布了更新版的“国家高技术战略2020”，随后在这个框架下提出了工业4.0概念，还提出要建设相应的推进平台。2016年，德国发布了“数字化战略2025”，规划了包括强化工业4.0在内的十个重点步骤。

作为博览会的主办国和合作伙伴国，德国、美国的参展企业数量众多，分别位于第1位和第3位，并且几乎涉及了所有关键领域，受关注度非常高。更重要的是，这两国的企业在基本理念、技术先进程度、解决方案成熟度和储备等方面明显处于优势地位。而且，与日本、法国、瑞典、荷兰等仅有少数企业具备较强竞争力不同，这两国都有多家领先企业，在很多高端领域和环节已经形成了群体性优势。这两国的核心竞争优势也有所差异，德国也认为在信息技术领域与美国存在难以逾越的差距。在理念被接受的前提下，又能提供相关的技术及解决方案，德国企业走出去自然空间广阔。

无论何种产业发展战略，最终还是要落脚到企业层面，落脚到能否提高竞争力。据德国工业企业联合会引用罗兰贝格公司的研究表明，德国与瑞典、奥地利、爱尔兰这四国目前处在工业4.0建设领跑者地位，一些德国企业已经清晰感受到工业4.0在效率改进等方面的效果。

例如某事业部向2000多个客户提供4500多种产品，重量从0.1-900公斤不等，长度从1-100厘米不等，批量从1-200件不等，单个部件的生产周期从1秒到200分钟不等。为更好应对这种复杂性，工厂在持续开展精益生产的基础上，进行了工业4.0升级。与高校、科研院所等合作研究智能工厂架构，启动智能自动化和数据挖掘工作，建立基于价值链分析的工业4.0组装线。产品质量持续改善，生产和交付效率明显提高，客户认可度不断提升，市场空间更为广阔。

不同企业因自身发展基础等方面的差异，其能够选择的最现实、最经济的竞争力提升路径也有很大差异。生产制造型企业追求的目标是基本不变的，即以更低成本、更快速度满足更具个性化的需求。在技术研发、质量控制特别是整体的精益生产达到较高水平后，工业4.0解决方案已成为进一步提高竞争力的重要手段。

海果汇专家指出，德国虽然对实现工业4.0战略目标持乐观态度，但也清醒地认识到其在数字化转型过程中依然面临着诸多挑战。企业层面的IT建设和应用比较强，整个社会的IT建设和应用方面还较弱，特别是与美国的差距巨大；仍然有45%的企业，主要是中小企业缺少面向数字化时代的解决方案；在商业模式创新方面与领先国家差距较大。工业4.0平台，就是在以产业跨界融合发展、基于合作的竞争为特征的时代背景下，德国解决上述问题的一个重要抓手。

工业4.0平台建设始于2013年汉诺威工业博览会，三年多来已取得不少成效。成为知识和信息传播节点。在线图书馆汇集了政府相关战略文件以及平台各工作组的研究成果等内容。用户案例地图集中展示了德国各类型企业应用工业4.0解决方案的实例，目前已有200多个。为企业开展测试提供多方面支持。新的想法、模式、组件等在正式投入生产前都需要做测试。平台详尽列出全德国500多处能够开展相关测试的地点，以便于企业获取相关资源。与此同时，在德国联邦教育和研究部的支持下，平台可以为中小企业选择适合自己项目的测试点提供建议，还能够为这些企业提供资金支持。

特别是隐形冠军被普遍认为是德国制造业长期保持竞争力的重要支撑。在这次技术和产业变革中，基本都是大企业特别是跨国企业做主导，而有相当一部分德国中小企业对数字化转型还抱有怀疑或观望态度，特别是对前期高昂的投资和后续不确定的经济回报心存疑虑。广泛开展国际合作。平台已与美国、中国、法国、日本等主要国家建立了联系或提出了合作计划，希望让工业4.0从一个德国课题变成世界性课题，为本土企业走向国际市场提供了便利。平台在战略制定、提出需要制定的标准等方面也都有所作为。

在德国政府的支持下，平台尤其重视为广大中小企业提供公共服务。保障中小企业的参与，德国工业企业联合会是平台的重要参与方，同时也代表着10多万家企业会员的利益，联合会就为很多无法参与平台的中小企业提供了沟通桥梁。为中小企业提供信息、测试、资金等多方面支持。除上文提到的之外，平台还联合其他单位共同编制《中小企业工业4.0实施指南》，在工厂现场举办研讨会指导中小企业实践等等。以应用实例化解中小企业的顾虑。通过一些工业4.0解决方案的应用展示，让中小企业能够看到实际的成本收益情况，以及对生产组织、商业模式、信息安全等方面的实际影响，用事实和数据来引导中小企业开展相关工作。

发达国家在智能制造方面的探索，是围绕理念、模式、技术、标准等多个维度展开的，核心是理念及其实现路径。从博览会情况看，工业4.0和工业互联网这两种理念目前在全球竞争中处于领跑地位，其他发展理念尽管仍有迎头赶上的机会，但难度已经较大。更为重要的是，博览会集中展示了适用于不同场景的100多种解决方案，一些领域的实现路径已相对比较明朗，说明领先企业已经将重点逐步转向商业化应用和市场推广。

自2016年年初以来，通过工业4.0平台与工业互联网联盟的对接等方式，德国、美国正不断加强合作。2016年汉诺威工业博览会也是双方合作的一个重要契机。首次成为博览会合作伙伴国，美国派出了其历史上最大规模的代表团参展。在博览会上，当工业4.0遇上工业互联网论坛吸引了8000多人参加，很多与会者对标准衔接等抱有浓厚兴趣。这次展会说明了美国和德国在数字化制造和能源发展道路上建立了良好的合作伙伴关系。我们需要制定统一适用的技术和标准，让全世界的产品、机械、工业企业和人才互联互通。

面对新工业革命，我国确实面对前所未有的历史性机遇，必须看到挑战也十分艰巨。国内外调研中发现，在政策协调和针对性、生产制造过程与信息技术融合、中小企业发展环境、创新组织方式等多个维度上，我国与发达国家还存在较大差距，而且有相当一部分差距在中短期内可能都难以缩小。

在博览会的5200多家参展企业中，我国约有650家，绝对数量排第2位。但大多数企业集中在灯具制造、铸造等领域，并不认为这些产业是低端的，只是这些企业生产的产品附加值不高，展台与之相邻的企业大多也来自发展中国家，受关注度总体较低；少数企业开始进军工业自动化、工业机器人等领域，目前相对比较初级；仅有华为等个别企业能够开始在一些重点展厅与全球领先企业同台竞技。

海果汇专家认为，行百里者半九十，制造业越往高端发展遇到的难度越大。先进制造业基本都是人才、技术、知识、资金密集型行业。在一定条件下，人才、资金、设备等还相对容易解决，但技术成熟、知识积累、市场认可等在短期内很难实现跨越式发展。尽管我国具备超大规模多层次国内市场等优势条件，不少产业在发展初期比较容易实现规模的快速扩张，需要切实认识到在关键领域和环节实现突破的巨大难度，需要切实摒弃盲目乐观和过度自信，脚踏实地做好自己的事情。

在现有工厂特别是水平不高工厂的基础上，如何对接智能制造或者工业4.0，是国内很多企业关注的问题。问题导向地对现有工厂进行持续改造，是一条比较经济可行的道路。多数制造业企业难以承受新建工厂的高昂成本。更希望能有一个新厂来从头布局工业4.0，现实是无法承担新建工厂的成本。持续改善是制造业发展的基本规律，在新形势下依然如此。企业多年发展历史中长期保持竞争力，靠的就是坚持一套持续改善的理念并不断深入实践。近年来与工业4.0相关的实践及成效，只是对此一个新的注解。

主要国家中高端制造业的竞争是多个维度的竞争，一国政策环境是其中的一个重要维度。跨国比较来看，我国需要提高政策协调性，否则再好的政策执行中也会打折扣；需要提高政策精准度，通过科学评估重点抓住那些政策灵敏度高的关键问题；需要不断完善政策细节，综合心理、行为科学等多学科最新研究成果，从细枝末节处着手提高政策效能。

在硅谷，没有人会不知道《玩家一号》（Ready Player one）。这是一部关于电子游戏、虚拟世界、科学幻想的小说，作者是Ernest Cline。它的时代背景是2044年，那时候人类已经全面进入高智能时代，绝大多数人都生活在虚拟的环境中，由此引发了一连串故事。

海果汇专家认为，技术不但可以改善人类的生活，而且可以创造出更多新的就业机会。就像汽车的出现让大量马车夫失业，同时在司机岗位上创造出更多的职位；互联网的兴起，造成实体经营的日渐式微，更多和电子商务有关的新兴就业机会却纷至沓来。

硅谷里的很多人都觉得新的技术只会带来好的东西，虽然在发展过程中会淘汰一些老的行业，造成部分部分人员失业，但是必定会带来更多新的工作和新的就业。无论是创业者、投资者，还是大学教授，几乎没有一个人再坚持之前的观点。目前所面临的人工智能技术，如果投入到实际运用中，真的会让大批量的人失业，更重要的是，就现阶段而言，新时代来临之际他们却看不到有新的岗位或就业机会产生。

在美国，目前和驾驶相关的工作岗位大约有1400 万个如果无人驾驶技术真的投入运行，那这1400 万个工作岗位就将逐渐消失，这些人就会失业。

人们离不开电，但不需要拥有电站。无人驾驶彻底扭转人类对交通工具的传统认知，再也不需要拥有车辆。可以把汽车当成电，要什么时候用就用，用多久都可以，只是不需要拥有它。

目前美国每年死于车祸的人数超过3 万人，很多事故的成因是人为导致的，例如疲劳、醉酒等，无人驾驶一旦普及，这些人为因素基本就消除了，相应的死亡率就会大大降低。人类在出行方面的固定成本将会大大降低，而车的数量也将会锐减，与此相关的产业链将会发生不同程度的收缩。不再需要人类司机的好处很多。

有人问，到底无人驾驶会不会普及？肯定会！因为好处太多了，所以无人驾驶未来一定会普及。无人驾驶时代的来临必然会让很多人失业，那些因此失业的人们要找到其他的工作会很难。目前看这个技术无法制造新的工作岗位。特斯拉的全自动生产工厂内部情况被曝光，让很多人大吃一惊。在这个号称全球最智能的全自动化生产车间里，几乎清一色都是机器人，鲜见人影。从原材料加工到成品组装，整个生产过程都已经实现高度的自动化和智能化，不同工序之间，机器人已经可以实现无缝连接，不再需要人的介入。这不是危言耸听，不是传奇故事，这就是眼睁睁的事实。

尽管特朗普在竞选时信誓旦旦地说要把制造业带回美国。但就现在的情况来看，制造业将会是最早被人工智能所取代。就算制造业能回归美国，也只能看到整个工厂里都是机器人在工作，只有少数几个人来进行管理。留给人类的就业机会可能就只有几个。

海果汇在硅谷拥有一家公司，名叫Automation everywhere（智能无处不在），致力于智能雇员的开发和运用。很多公司都由文员处理低端文案工作，海果汇开发的智能机器人可以逐渐取代这样的工作。

在银行，智能雇员会帮你填写表格并输入电脑，同时进行基本的客户需求问答和业务操作。这个市场一旦打开，每个公司必然会相应减少这方面的职位，转由智能雇员取代。未来智能雇员将会替代大量的真人职位。

科技与人类自身的博弈让我们看到这样的一个未，越来越多的工作被人工智能取代，而新的工作不再会产生，人类的生存和发展必然接受严峻的挑战！