人工智能 – Artificial intelligence | AI，是什么？_artificial intelligence作用于那个行业

人工智能 – Artificial intelligence | AI

人工智能（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 美颜、AI 换脸…

虽然大家听得多，但是大部分人并不了解 AI，甚至存在一些误解。本文将不涉及任何技术细节，帮助所有人理解人工智能的本质。

什么是人工智能？

很多人对人工智能都会存在一些误解：

1. 电影里的机器人就是人工智能的典型代表
2. 人工智能好像是无所不能的
3. 人工智能未来会威胁到人类的生存
4. ……

大家之所以对人工智能存在很多误解，主要是因为大家只是看到一些人的言论，但是并不了解 AI 的基本原理，本文就帮助大家理解 AI 的基本原理，事物的本质往往并没有大家说的那么复杂。

我们用传统软件和人工智能进行比较，有了参照系就更容易理解一些。

传统软件 VS 人工智能

传统软件

传统软件是「if-then」的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界，因为所有规则都是人类制定的。

简单的说：传统软件是「基于规则」的，需要人为的设定条件，并且告诉计算机符合这个条件后该做什么。

这种逻辑在处理一些简单问题时非常好用，因为规则明确，结果都是可预期的，程序员就是软件的上帝。

但是现实生活中充满了各种各样的复杂问题，这些问题几乎不可能通过制定规则来解决，比如人脸识别通过规则来解决效果会很差。

人工智能

人工智能现在已经发展出很多不同分支，技术原理也多种多样，这里只介绍当下最火的深度学习。

深度学习的技术原理跟传统软件的逻辑完全不同：

机器从「特定的」大量数据中总结规律，归纳出某些「特定的知识」，然后将这种「知识」应用到现实场景中去解决实际问题。

这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像传统软件一样，可以直观精确的表达出来。它更像人类学习到的知识一样，比较抽象，很难表达。

上面的说法还是比较抽象，下面通过几个方面来帮助大家彻底搞明白：

人工智能是一种工具

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。

 

人工智能这种工具之所以全社会都在说，是因为它大大扩展了传统软件的能力边界。之前有很多事情计算机是做不了的，但是现在人工智能可以做了。

归功于摩尔定律，计算机的能力呈指数级的上涨，只要是计算机能解参与的环节，生产力都得到了大幅提升，而人工智能让更多的环节可以搭上摩尔定律的快车，所以这种改变是意义非凡的。

但是不管怎么变，传统软件和人工智能都是工具，是为了解决实际问题而存在的。这点并没有变化。

人工智能只解决特定问题

《终结者》《黑客帝国》…很多电影里都出现了逆天的机器人，这种电影让大家有一种感觉：人工智能好像是无所不能的。

实际情况是：现在的人工智还处在单一任务的阶段。

单一任务的模式。

打电话用座机、玩游戏用游戏机、听音乐用MP3、开车用导航…

多任务模式

这个阶段类似智能手机，在一台手机上可以安装很多 App，做很多事情。

但是这些能力还是相互独立的，在旅行App上定好机票后，需要自己用闹钟App定闹钟，最后需要自己用打车App叫车。多任务模式只是单一任务模式的叠加，离人类智慧还差的很远。

融会贯通

你在跟朋友下围棋，你发现朋友的心情非常不好，你本来可以轻松获胜，但是你却故意输给了对方，还不停的夸赞对方，因为你不想让这个朋友变得更郁闷，更烦躁。

在这件小事上，你就用到了多种不同的技能：情绪识别、围棋技能、交流沟通、心理学…

但是大名鼎鼎的 AlphaGo 绝对不会这么做。不管对方处在什么情况下，哪怕输了这盘棋会丧命，AlphaGo 也会无情的赢了这场比赛，因为它除了下围棋啥都不会！

只有将所有的知识形成网状结构，才能做到融会贯通。例如：商业领域可以运用军事上的知识，经济学也可以用到生物学的知识。

知其然，但不知所以然

当下的人工智能是从大量数据中总结归纳知识，这种粗暴的「归纳法」有一个很大的问题是：

并不关心为什么

庞氏骗局类的诈骗手段就充分利用了这一点！

• 它利用超高的回报来吸引韭菜，然后让早起参与的所有人都转到钱；

• 当旁观者发现所有参与者都真实赚到了钱，就简单的归纳为：历史经验说明这个靠谱。

• 于是越来越多的人眼红，加入，直到有一天骗子跑路。

当我们用逻辑来推导一下这个事情就能得出骗子的结论：

• 这么高的回报并不符合市场规律
• 稳赚不赔？我不需要承担高回报的高风险？好像不太合理
• 为什么这么好的事情会落在我头上？好像不太对劲

正是因为当下的人工智能是建立在「归纳逻辑」上的，所以也会犯很低级的错误

• 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。

也正是因为归纳逻辑，所以需要依赖大量的数据。数据越多，归纳出来的经验越具有普适性。

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。

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。

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

1. 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。
2. 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。
3. 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。
4. 前两次热潮更多时提出问题，第三次热潮更多时解决问题。

人工智能不能做什么？

人工智能的3个级别

在探寻 AI 的边界时，我们可以先简单粗暴的把 AI 分为3个级别：

1. 弱人工智能
2. 强人工智能
3. 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（Narrow AI）或应用型人工智能（Applied AI），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（Artificial General Intelligence）或完全人工智能（Full AI），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。

人工智能的能力边界是什么？

如果在深入一点，从理论层面来解释 AI 的能力边界，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：

1. 世界上是否所有数学问题都有明确的答案？
2. 如果有明确的答案，是否可以通过有限的步骤计算出答案？
3. 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：

1. 世界上有很多问题，只有一小部分是数学问题
2. 在数学问题里，只有一小部分是有解的
3. 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
4. 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
5. 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。

人工智能会让你失业吗？

这个问题是大家最关心的问题，也是对每一个个体影响最大的问题。所以单独拿出来说一下。

首先，人工智能替代「部分人类的行为」是必然的趋势

每一项新技术或者新发明都会替代一部分劳动力：

报时间的工作——表

拉人力车的工作——汽车

挖井的工作——钻进机

……

需要注意的是，科技替代的只是某些特定的工作。挖井机只能帮你挖洞，但是无法帮你判断应该在哪里挖洞。

人工智能也是如此，它并不是针对某些职业或者某些人，而是替代一些具体的劳动行为。

其次，失业的同时会出现更好新职业

几次技术革命的历史告诉我们，虽然新技术的出现导致了部分人失业，但是同时也会产生很多新的职业。被替代的工作往往是低效的，而创造出来的工作往往更高效。想想拉人力车，再想想开汽车。

当人工智能解放了一部分劳动力，这部分劳动力就可以做更有价值，更有意思的事情。

不要怕！用好 AI 是一种超级技能

上文说过2个观点：

1. 人工智能的本质是工具，需要人来用它
2. 人工智能替代的不是人，而是某些工作环节

所以，千万不要怕人工智能取代自己，你应该主动去学习AI，成为最早会用AI的人，成为能把AI用好的人。

想想20年前会使用电脑和网络的人，他们在那时代是非常稀缺的，所以他们赚到了互联网时代的红利。同样的道理，智能时代的红利将属于会用AI的人。

哪些工作会被人工智能替代？

李开复提出过一个判断依据：

如果一项工作，它做决策的时间在 5 秒钟以内，那么大概率是会别人工智能取代的。

这种工作有4个特点：

1. 做决策所需要的信息量不大
2. 做决策的过程并不复杂，逻辑简单
3. 能独自完成，不需要协作
4. 重复性工作

科学家总结出了3个人工智能很难替代的技能：

1. 社交智慧（洞察力、谈判技巧、同理心…）
2. 创造力（原创力、艺术审美…）
3. 感知和操作能力（手指灵敏度、协调操作能力、应付复杂环境的能力…）

如何迎接智能时代？

人工智能将像工业时代一样，席卷全球。这种情况下，我们要做的不是逃避，而是拥抱这种变化。下面给大家一些具体的建议：

1. 了解智能时代的底层逻辑和基本原理，不需要学习写代码，但是需要知道可能会发生什么，不可能发生什么。
2. 人工智能未来将像计算机一样渗透到各行各业，你要尽量了解人工智能，学习如何利用他解决现有的问题，成为早期使用人工智能的人。
3. 做好职业规划。不要选择三无职业（不需要社交、不需要创造力、不需要强感知和操作能力）

总结

人工智能的基本原理：机器从「特定的」大量数据中总结规律，形成某些「特定的知识」，然后将这种「知识」应用到现实场景中去解决实际问题。

在这个基本原理的基础上，有3个特征：

1. 人工智能本质上是一种工具
2. 人工智能技能只能解决特定的问题，而不是什么都能做
3. 人工智能属于归纳逻辑，可以告诉你是什么，但是不能告诉你为什么

到目前为止，人工智能经历了3次浪潮：

1. 20世纪50年代到60年代：非智能对话机器人
2. 20世纪80年代到90年代：语音识别
3. 21世纪初：深度学习+大数据

人工智能分为3个级别：

1. 弱人工智能
2. 强人工智能
3. 超人工智能

在失业问题上，人工智能的确会替代部分人类的工作，不过在替代的同时也会出现一些新的更有价值的工作。未来不容易被人工智能替代的技能有3点：

1. 社交智慧（洞察力、谈判技巧、同理心…）
2. 创造力（原创力、艺术审美…）
3. 感知和操作能力（手指灵敏度、协调操作能力、应付复杂环境的能力…）