你需要知道的关于人工智能的一切

1956年，一群由年轻的数学助理教授约翰·麦卡锡(John McCarthy)领导的科学家聚集在新罕布什尔州的达特茅斯学院(Dartmouth College)，开始了一项为期六周的雄心勃勃的计划:创造出能够“使用语言、形成抽象概念、解决人类特有的各种问题、并自我提升”的计算机。

该项目开启了人工智能(AI)领域。当时，科学家们认为，“两个月、10个人的人工智能研究”将解决人工智能等式的最大部分。“我们认为，如果精心挑选的一组科学家在夏季共同研究这些问题，我们可以在其中一个或多个问题上取得重大进展，”第一份人工智能提案写道。

加入线上工作坊及工作坊;关于未来一年的实时讨论

60多年过去了，创造人工智能的梦想依然遥不可及。我们仍然没有能够像人类孩子一样思考和解决问题的思考机器，更不用说成年人了。但是我们已经取得了很大的进步，因此，人工智能领域被划分为人工一般智能(AGI)和人工窄智能(ANI)。

麦卡锡和他的同事们设想的人工智能是一个人工智能系统，它可以学习任务并解决问题，而不需要明确指示每一个细节。它应该能够进行推理和抽象，并且能够轻松地将知识从一个领域转移到另一个领域。

几十年来，研究人员已经认识到，创造一个满足所有这些要求的人工智能系统是非常困难的。人工智能的最初设想，即模仿人类思维过程的计算机，已被称为人工一般智能。

阅读:[自主学习是人工智能的未来]

根据维基百科，AGI是“一台能够理解或学习人类能够理解的任何智力任务的机器”。科学家、研究人员和思想领袖都认为agi至少还需要几十年的时间。

但在他们不断努力实现创造会思考的机器的梦想的过程中，科学家们成功地发明了各种有用的技术。狭义人工智能是一个涵盖所有这些技术的总称。

狭窄的人工智能系统擅长执行单一任务，或有限范围的任务。在许多情况下，它们甚至在特定领域超越人类。但是一旦他们遇到的情况超出了他们的问题范围，他们就会失败。他们也不能将知识从一个领域转移到另一个领域。

例如，由谷歌旗下的人工智能研究实验室deepmind开发的机器人可以在锦标赛级别上玩热门的实时战略游戏《星际争霸2》。但是同样的AI将不能玩其他的即时战略游戏，如魔兽或命令与游戏;征服。

虽然窄人工智能在需要人类智能的任务上失败了，但它已经证明了它的实用性，并在许多应用中找到了出路。你的谷歌搜索查询是由狭隘的人工智能算法回答。一个狭窄的人工智能系统会在YouTube和Netflix上推荐你的视频，并在Spotify上管理你每周的发现播放列表。Alexa和Siri已经成为许多人生活的主要内容，它们是由狭隘的人工智能驱动的。

事实上，在大多数情况下，当你听说一家公司“使用人工智能来解决X问题”或在新闻中读到人工智能，它是关于人工窄智能的。

我们今天使用的人工智能技术主要分为两类:符号人工智能和机器学习。

象征性人工智能，也被称为优秀的老式人工智能(GOFAI)，在人工智能的大部分历史中是研究的主导领域。符号型人工智能要求程序员精心定义规则，以指定智能系统的行为。符号人工智能适用于环境可预测、规则明确的应用程序。虽然象征性人工智能在过去的几年里有些失宠，但我们今天使用的大多数应用程序都是基于规则的系统。

机器学习是狭义人工智能的另一个分支，它通过实例开发智能系统。机器学习系统的开发人员创建一个模型，然后通过提供许多例子来“训练”它。机器学习算法处理示例并创建数据的数学表示，以执行预测和分类任务。

例如，对数千个银行交易及其结果(合法或欺诈)进行训练的机器学习算法将能够预测新的银行交易是否存在欺诈。

机器学习有很多不同的方式。深度学习是一种特殊类型的机器学习，在过去的几年里变得特别流行。深度学习尤其擅长执行数据混乱的任务，比如计算机视觉和自然语言处理。

强化学习是机器学习的另一个子集，是一种窄型人工智能，用于许多机器人游戏和必须通过反复试验才能解决的问题，比如机器人。

象征性人工智能和机器学习都能捕捉人类智能的一部分。但它们无法将必要的元素整合在一起，创造出一个无所不包的人类层面的人工智能。这就是阻止他们超越人工智能的原因。

符号操作是人类思维过程的重要组成部分。但大脑所做的远不止是操纵符号。我们在童年时期获得的许多技能(走路、跑步、系鞋带、操作器具、刷牙等)都是我们死记硬背的东西。我们可以下意识地学习它们，而不需要在脑海中进行任何形式的符号操作。

象征性的人工智能系统非常脆弱。他们需要精确地指导他们必须完成的每一项任务，并且只能在他们定义的规则上下文中发挥作用。

另一方面，机器学习算法擅长复制在符号推理中无法捕捉的行为，比如识别人脸和声音，这是我们通过例子学习的技能。这是深度神经网络(用于深度学习算法的结构)擅长的领域。他们可以吸收大量的数据，并建立数学模型来描述这些数据的特征。

但是，头脑的学习过程不能被简化成纯粹的模式匹配。例如，我们识别猫的图像，因为我们可以将它们与我们在生活中看到的许多猫的图像联系起来。但是这个简单的识别猫的任务还涉及很多符号处理(它有四条腿，一条尾巴，毛茸茸的身体，尖尖的耳朵，三角形的鼻子，等等)。

符号操作的缺乏限制了深度学习和其他机器学习算法的能力。深度学习算法需要大量的数据来执行人类只需很少的例子就能学会的任务。计算机视觉中使用的卷积神经网络(CNNs)需要对每一种必须识别的对象的数千张图像进行训练。即使这样，当他们在新的照明条件下或从不同的角度遇到相同的物体时，他们经常会失败。

像AlphaGo、AlphaStar和openai fivememe这样的人工智能游戏系统必须在数百万场比赛或数千小时的游戏中进行训练，然后才能掌握各自的游戏。这是任何一个人(或十个人，就此而言)一辈子都玩不完的。

机器学习系统也被严格限制在它们的训练例子的上下文中，这就是为什么它们被称为窄人工智能。例如，在自动驾驶汽车中使用的计算机视觉算法，在遇到不寻常的情况时，很容易做出不稳定的决定，比如一辆停得很奇怪的消防车或一辆翻倒的汽车。

科学家们一致认为，我们今天所拥有的人工智能技术中，没有一项具备人工一般智能所必需的要素。但他们并不一定就下一步如何超越狭隘的人工智能达成一致。以下是一些扩大人工窄智能能力的计划:

人工智能的问题之一是它是一个移动的目标。只要一个问题没有解决，它就被认为是ai完备的。这意味着能够解决这个问题的计算机被认为具有真正的人工智能。但一旦它被解决，它就不再被认为需要智力。

一个主要的例子是国际象棋，它曾被认为是人工智能的果蝇，参考了20世纪早期对果蝇的突破性遗传研究。但在1996年击败国际象棋世界冠军加里•卡斯帕罗夫(Garry Kasparov)的电脑“深蓝”(Deep Blue)，被认为不如人类棋手那么聪明。它使用纯粹的计算能力来检查所有可能的走法，并选择最有可能获胜的走法。同样的情况也适用于其他擅长特定任务的窄型人工智能系统，比如打电话和在餐馆订餐。

在许多方面，窄人工智能已经证明，我们用人类智能解决的许多问题可以分解为数学方程和愚蠢的算法。

最近，人们更加关注衡量人工智能系统解决一般性问题的能力。在这方面，一篇著名的著作是“智力的衡量”，这是科拉斯深度学习图书馆(Keras deep learning library)的创始人弗朗索瓦·乔莱(Francois Chollet)撰写的一篇颇具影响力的论文。

在他的论文中，Chollet讨论了衡量anAI系统解决问题的能力的方法，这些问题并没有明确的培训或指导。在同一篇文章中，Chollet提出了抽象推理语料库(ARC)，这是一组可以检验这一假设的问题。谷歌旗下的数据科学与机器学习竞赛平台Kaggle今年早些时候发起了一项挑战，以解决ARC数据集的问题。

虽然几乎没有人有机会能够解决这一挑战并获得大奖，但这将是一个很好的衡量标准，可以衡量我们从狭隘的人工智能到创造能像人类一样思考的机器已经走了多远。