眾所周知，如今的人工智能，已經(jīng)深入到了我們?nèi)粘Ｉ?、學(xué)習(xí)和工作的方方面面，在某些特定任務(wù)中有著比肩甚至超越人類的能力。因此，有些人會擔(dān)憂，能力越來越強的人工智能系統(tǒng)，會不會在未來的某一天進(jìn)化出自己的意識，進(jìn)而超越人類，甚至做出更可怕的事情，但其實對于這樣的問題大家不用擔(dān)心，具體知識介紹如下！

本文目錄

1、AI智能和人工PK誰會贏？

2、人工智能的優(yōu)勢在哪里？

3、如何正確認(rèn)識人工智能？

4、賦予人的思維，讓計算機超越計算機模式

AI智能和人工PK誰會贏？

自人工智能誕生以來，其與人類之間的PK就從未間斷。

30年前，也就是1992年，國際跳棋人工智能程序奇努克首次挑戰(zhàn)了被譽為“世界上最好的”跳棋世界冠軍廷斯利。然而令人遺憾的是，奇努克落敗了。但兩年之后，奇努克重振旗鼓，再次向廷斯利發(fā)起挑戰(zhàn)，在雙方打了6局平手之后，廷斯利因病退賽，奇努克獲得冠軍。這是人工智能歷史上第一次在競技游戲中獲得官方世界冠軍。

但奇努克前進(jìn)的腳步并未停下，2007年4月，奇努克終極程序問世，成為了國際跳棋領(lǐng)域不可能被擊敗的存在。

1996年的冬天，首次國際象棋人機大戰(zhàn)在美國費城上演。IBM公司的超級計算機“深藍(lán)”與棋王卡斯帕羅夫進(jìn)行了6局人機對弈。最終，卡斯帕羅夫以4:2的總比分戰(zhàn)勝了“深藍(lán)”。然而，僅僅過了一年，1997年5月，經(jīng)過改進(jìn)后的超級計算機“深藍(lán)”就再次向卡斯帕羅夫發(fā)起了挑戰(zhàn)。6局戰(zhàn)罷，卷土重來的“深藍(lán)”以兩勝一負(fù)三平的戰(zhàn)績戰(zhàn)勝了棋王。這是人工智能首次在標(biāo)準(zhǔn)比賽時限內(nèi)擊敗國際象棋世界冠軍。但在今天看來，“深藍(lán)”還算不上足夠智能，其缺陷是沒有直覺，不具備真正的“智能靈魂”，只能靠超強的計算能力來彌補分析思考方面的缺陷。

直到2016年3月，另一場“人機大戰(zhàn)”震驚了世界。由谷歌旗下人工智能公司DeepMind研發(fā)的AlphaGo以4:1的大比分，擊敗了當(dāng)時的圍棋世界冠軍李世石，成為了第一個戰(zhàn)勝圍棋世界冠軍的人工智能。這一事件被認(rèn)為是人工智能行業(yè)真正意義上的里程碑。從技術(shù)上講，通過使用蒙特卡洛樹搜索與兩個深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，AlphaGo可以像人類大腦一樣自發(fā)學(xué)習(xí)，進(jìn)行分析訓(xùn)練，不斷學(xué)習(xí)提高棋力。

一年后，在中國烏鎮(zhèn)圍棋峰會上，AlphaGo以3:0的總比分，又戰(zhàn)勝了當(dāng)時排名世界第一的世界圍棋冠軍柯潔。自此之后，在電子競技、編程和生命科學(xué)等領(lǐng)域，各類人工智能也如雨后春筍般涌現(xiàn)。

比如，2018年12月10日，DeepMind針對即時戰(zhàn)略游戲《星際爭霸》開發(fā)的AlphaStar完虐了世界上99.8%的人類職業(yè)選手。

同月，由索尼人工智能團隊研發(fā)的人工智能程序，在賽車游戲《GT賽車》中，也戰(zhàn)勝了世界冠軍級人類玩家。

人工智能的優(yōu)勢在哪里？

人工智能的優(yōu)勢在于超強的記憶力、計算能力等方面，并且能夠在極端條件下無休止工作。在這一點上，目前的人工智能確實在很多領(lǐng)域超越了人類。

但從技術(shù)層面來說，目前的人工智能系統(tǒng)是在給定的數(shù)據(jù)和指定的規(guī)則下進(jìn)行自主學(xué)習(xí)或者人工矯正，可以在特定參數(shù)下解決特定問題。一旦引入一個變量，系統(tǒng)可能就會崩潰，或者需要創(chuàng)建一個新的模型，離科幻電影中描述的場景，還相去甚遠(yuǎn)。

如何正確認(rèn)識人工智能？

如果你在2017年看到DeepMind開發(fā)的人工智能AlphaGo擊敗九段圍棋選手李世石（Lee Sedol）時，你會有什么感受？你可能會感到驚訝或害怕，認(rèn)為人工智能的能力已經(jīng)超越了人類天才?？杀M管如此，贏得像圍棋這樣具有指數(shù)級可能走法的游戲只意味著人工智能已經(jīng)超越了人類智力的一個非常有限的部分。

我們往往在觀看一個機器人演示后就急于概括出人工智能的所有功能。例如，當(dāng)我們在街上看到有人在做后空翻時，我們往往會認(rèn)為這個人擅長走路和跑步，而且還具有足夠的靈活性和運動能力，肯定也擅長其他運動。一般來說，我們對這個人的判斷并不會出錯。

然而，我們是否也可以將這種判斷方法應(yīng)用到機器人上呢？我們很容易根據(jù)對特定機器人運動或功能的觀察來概括和確定人工智能的性能，就像我們對人類所做的一樣。通過觀看人工智能研究實驗室OpenAI的機器人手解魔方的視頻，我們認(rèn)為，既然人工智能可以執(zhí)行如此復(fù)雜的任務(wù)，那么它一定可以完成一切比這更簡單的任務(wù)。但是，我們忽略了這樣一個事實：人工智能的神經(jīng)網(wǎng)絡(luò)僅針對有限類型的任務(wù)（比如解魔方）進(jìn)行過訓(xùn)練。如果情況發(fā)生變化，例如，在操作魔方時將其倒置，那么算法的效果就無法像預(yù)期那樣好了。

與人工智能不同，人類可以將單個技能結(jié)合起來，并將其應(yīng)用于多項復(fù)雜的任務(wù)中。一旦我們學(xué)會了如何解魔方，即使我們將其倒置，盡管一開始可能會覺得很奇怪，但我們?nèi)匀豢梢钥焖偈纸饽Х健６鴮τ诖蠖鄶?shù)機器人算法來說，它們需要新的數(shù)據(jù)或重新編程才能做到這點。此外，自動駕駛汽車需要每種情況的真實數(shù)據(jù)，而人類司機可以根據(jù)預(yù)先學(xué)習(xí)的概念做出理性決定，以應(yīng)對無數(shù)種情況。這些例子讓人類智能和機器人算法形成了鮮明的對比：機器人算法無法在數(shù)據(jù)不足的情況下執(zhí)行任務(wù)。

環(huán)顧四周，我們的日常生活充滿了算法。由于所有算法都是基于數(shù)字，于是我們使用諸如“目標(biāo)函數(shù)”這樣的術(shù)語，它是一個表示特定目標(biāo)的數(shù)值函數(shù)。許多算法的唯一目的是達(dá)到該函數(shù)的最大值或最小值，并且算法的特性因?qū)崿F(xiàn)方式而異。

人工智能已經(jīng)應(yīng)用于與數(shù)據(jù)處理相關(guān)的信息服務(wù)，比較突出的例子如語音識別和面部識別?，F(xiàn)如今，我們即將進(jìn)入一個人工智能的新時代，它可以高效地為我們提供物理服務(wù)。也就是說，復(fù)雜物理任務(wù)的自動化時代即將到來。

尤其值得關(guān)注的是，日益老齡化的社會給我們帶來了巨大的挑戰(zhàn)。勞動力短缺變成了明顯的社會問題。因此，我們迫切需要討論如何開發(fā)增強人類能力的技術(shù)，從而讓我們能夠?qū)Ｗ⒂诟袃r值的工作，追求人類特有的生活。這就是為什么工程師以及來自各個領(lǐng)域的社會成員都應(yīng)該提高他們對人工智能和無意識認(rèn)知偏見的理解。如上所述，人工智能很容易被誤解，因為它在本質(zhì)上就不同于人類智能。

賦予人的思維，讓計算機超越計算機模式

在過去十年左右的時間里，世界各地的研究人員一直在嘗試開發(fā)受大腦啟發(fā)的計算機系統(tǒng)，也稱為神經(jīng)形態(tài)計算工具。這些系統(tǒng)中的大多數(shù)目前用于運行深度學(xué)習(xí)算法和其他人工智能 (AI) 工具。

桑迪亞國家實驗室的研究人員最近進(jìn)行了一項研究，評估神經(jīng)形態(tài)架構(gòu)執(zhí)行不同類型計算的潛力，即隨機游走計算。這些計算涉及數(shù)學(xué)空間中的一系列隨機步驟。該團隊的研究結(jié)果發(fā)表在Nature Electronics上，表明神經(jīng)形態(tài)架構(gòu)可能非常適合實現(xiàn)這些計算，因此可以超越機器學(xué)習(xí)應(yīng)用程序。

過去大多數(shù)與神經(jīng)形態(tài)計算相關(guān)的研究都集中在認(rèn)知應(yīng)用上，例如深度學(xué)習(xí)，雖然我們也對這個方向感到興奮，但我們想提出一個不同且互補的問題：神經(jīng)形態(tài)計算能否在我們的大腦無法真正解決的復(fù)雜數(shù)學(xué)任務(wù)中表現(xiàn)出色？”

到目前為止，計算機科學(xué)界已經(jīng)排除了類腦計算機系統(tǒng)在復(fù)雜的數(shù)學(xué)任務(wù)中表現(xiàn)良好的可能性。Aimone 和他的同事最近的研究表明，出乎意料的是，情況可能確實如此。更具體地說，該團隊發(fā)現(xiàn)這些芯片也可能有望使用隨機游走計算來模擬離散時間馬爾可夫鏈。

最近研究背后的團隊包括數(shù)學(xué)家、計算機工程師和理論神經(jīng)科學(xué)家 Aimone。結(jié)合他們的專業(yè)知識，研究人員能夠在神經(jīng)形態(tài)計算的背景下檢查蒙特卡羅模擬，迄今為止，這些模擬主要是使用傳統(tǒng)計算工具實現(xiàn)的。這使他們能夠展示神經(jīng)形態(tài)架構(gòu)在完成一項可能具有“神經(jīng)形態(tài)優(yōu)勢”的著名復(fù)雜數(shù)學(xué)任務(wù)方面的潛力。

Aimone 和他的同事表明，神經(jīng)形態(tài)硬件比其他系統(tǒng)更節(jié)能，因為它可以執(zhí)行比傳統(tǒng) CPU 和 GPU 更多的每焦耳隨機游走計算。此外，雖然神經(jīng)形態(tài)芯片仍然比現(xiàn)有的 CPU 和 GPU 慢，但該團隊發(fā)現(xiàn)，隨著問題變得更大和更復(fù)雜，這種速度差異會減小。

鑒于神經(jīng)形態(tài)硬件繼續(xù)快速改進(jìn)并且更大的系統(tǒng)將很快推出，我們預(yù)計這種優(yōu)勢將繼續(xù)增長，以解決更大的問題，有許多現(xiàn)實世界的應(yīng)用程序使用蒙特卡洛隨機游走模型作為其計算工作量的一部分，包括計算生物學(xué)、材料科學(xué)、金融建模和人工智能。然而，這些模型通常在計算上運行起來很昂貴，并且具有巨大的能量，時間和財務(wù)成本。

神經(jīng)形態(tài)硬件仍處于早期開發(fā)階段，但它們將逐漸變得易于使用且更易于編程。一旦發(fā)生這種情況，這組研究人員最近的研究可能會激發(fā)使用受大腦啟發(fā)的系統(tǒng)來更有效地解決數(shù)學(xué)問題。

Aimone 和他的同事最近的研究主要集中在簡單的隨機游走模擬，例如那些代表擴散過程的模擬。然而，在未來，該團隊還希望測試神經(jīng)形態(tài)芯片在運行更復(fù)雜的隨機游走模擬方面的潛力。

總結(jié)：人類對人工智能和機器人存在認(rèn)知偏見是件很自然的事。但是，如果我們不清楚地了解這個認(rèn)知偏見，我們就無法為這項技術(shù)的研究、應(yīng)用和政策制定合適的方向。作為一個科學(xué)共同體，為了使科學(xué)的發(fā)展富有成效，我們需要在促進(jìn)技術(shù)適當(dāng)開發(fā)和應(yīng)用的過程中密切關(guān)注我們的認(rèn)知。