玛德林（Madaline）是第一个。
早在1959年，她就仰仗超凡智慧处理了一个棘手难题：电话线路上的回声。当时，长途电话中每次通话声响都会有回响，形成通话者的很大困扰。
玛德林可以辨认输入与输入的的相反信号，然后用电子的方式删除回声，处理了这个成绩，这一简约的处理方案沿用至今。当然，玛德林不是人类，而是一个多元自顺应线性神经元（Multiple ADAptive LINear Elements）系统，简称“Madaline”。这是人工智能初次运用于工作范畴。
明天，人们普遍以为智能计算机会抢走我们的工作，在你早餐还没吃完以前，它就曾经完成了你一周的工作量，而且他们还不休息，不喝咖啡，也不要退休金，甚至不用睡觉。但理想上，虽然很多工作将来都会自动化，但至少短期内，这种新种类智能机器更有能够是与我们一同工作（而不是取代人类）。
你的工作还有多久会被机器取代？永远不会落入机器人之手的工作机器人会抢走您的工作吗？
麦肯锡以为5%的工作可以完成完全自动化，60%的职业有大约三分之一的工作可由机器人完成（图片来源：Getty I
虽然人工智能机器在很多范畴建树非凡，譬如预防欺诈，甚至比医生还牢靠的癌症诊断。但现今最尖端的人工智能机器也跟普通人脑智力相差甚远。
麦肯锡2017年的一份报告以为，在现有科技下，只要5%的工作可以完全自动化，60%的职业中有大约三分之一的工作可由机器人完成。
千万别忘了，并非所无机器人都运用人工智能——有些用，很多不用。成绩是，妨碍智能机器人经过人工智能接管世界的缺点，也恰恰是它们与人类共事显得非常蹩脚的缘由。谷歌的相片辨认软件曾经将黑人的脸辨以为猩猩，人工智能机器也不能完全自定义目的，处理成绩，甚至是运用基本常识都有成绩，这些新一代机器工人所缺乏的这些技能，对于人类，即或是最愚钝者，也是易如反掌。
人工智能受捉弄后也会犯"低级错误"人工智能的真正风险人工智能面临的最大应战不是技术？
因此，在心灰意冷之前，你需求了解几点与新的机器人同事一同工作的法则。
法则一：机器人不会像人类一样思索
大约与玛德林革新长途电话的同时，英籍匈牙利哲学家波兰尼（Michael Polanyi）在苦苦思索人类智力的成绩。波兰尼看法到，人类的有些技能，例如运用准确的语法，可以随便地归纳成规则并向别人解释，有些则不能。
人类能不自觉地运用所谓的隐功才能，用波兰尼的话来说是"人类所知多于所能表述"。这包括骑自行车和揉面，以及更高程度的实际才能。唉，假如我们不懂规则的话，就不能把规则教给一台计算机。这就是波兰尼悖论。
为了处理这个成绩，计算器迷信家没有试图逆向设计人类智力，而是给人工智能开发了全新的思索方式——用数据思索。
微软研讨院（Microsoft Research）高级研讨员卡鲁阿纳（Rich Caruana）说："你能够以为人工智能的原理是我们先了解人类，然后以异样的方式构建人工智能，但理想并非如此。"他以飞机为例，我们早在详细了解鸟类飞行原理之前就造出了飞机，运用的空气动力学原理不一样，但明天我们的飞机比任何动物都飞得更高更快。
与玛德林一样，许多人工智能主体都是"神经网络"，它们经过分析大量数据，构建数学模型来学习。例如Facebook用大约400万张照片来训练人脸辨认软件DeepFace。DeepFace在标注为同一个人的不同图像中寻觅形式样本，最终学会人脸婚配，成功率达97%。
世界顶尖围棋手，19岁的柯洁在DeepMind应战赛中对战人工智能软件AlphaGo（图片来源：Getty Images
相似DeepFace的人工智能机器是硅谷的明日之星，并且曾经在驾车、语音辨认、文字翻译、标注照片等方面超过了其开发者，估计将来还将进军包括医疗以及金融在内的众多其他范畴。
人工智能公司为什么要不停的砸玻璃？人工智能时代下人类所剩的最后价值你所未知的人工智能运用范畴
法则二：机器人新冤家并非相对牢靠，它们也会犯错
但是这种依托数据的思想方法也能够会犯下大错，例如某人工神经网络曾经把3D打印的乌龟认成了步枪。由于这个程序无法停止概念推理 ，不会想到"这个东西有鳞和壳所以能够是只乌龟"。相反，它们是根据形式思索——这个例子中是以像素为单位的视觉形式。因此，改变图像中的某个像素，一个合理答案就能够演化成无稽之谈。
而且它们也不具有工作中必不可少的常识，不能把已有知识运用到新情境中。
DeepMind人工智能就是一个经典案例。2015年时DeepMind获令操作经典街机游戏《乓》（Pong）并要获得高分。如你所想，它几小时就击败了人类玩家，而且还开发了全新的获胜方式。但是让它再去玩相似的另一款游戏《打砖块》（Breakout），人工智能又得从零末尾学起。
开发人工智能的迁移学习才能曾经成为研讨的一大范畴，例如一个名为IMPALA的系统已能在30种情境下转换所学得的知识。
这身绿色龙装能让喂奶机器人看上去友善一些（图片来源：Getty Images）
法则三：机器人无法解释本人的决议
人工智能的第二个成绩是一个古代版波兰尼悖论。我们并不完全清楚人脑的学习机制，因此我们让人工智能用统计学家的方式来思索。讽刺的是，我们如今对人工智能如何思想也知之甚少，于是有了两套未知系统。
这通常被称为"黑匣子成绩"——你知道输入的数据，也知道得出的结果，但不知道眼前的盒子是怎样得出结论的。卡鲁阿纳说，"我们如今有两种不同的智能，但两种我们都无法完全了解。"
人工神经网络没有言语才能，所以无法阐明其所作所为及缘由，而且跟一切人工智能一样也没有常识。
一些人工智能机器人正在受训学着获取记忆，并对记忆赋予意义，从而可用于护理行业（图片来源：Getty Images
几十年前，卡鲁阿纳将医疗数据输入人工神经网络，包括症状及其后果，从而计算在任何一天患者的死亡风险有多大，让医生可以采取预防措施。效果似乎不错，直到有天早晨一位匹兹堡大学（University of Pittsburgh）的研讨生发现了成绩。他用一个更简便的算法处理同一组数据，逐条研讨神经网络做诊断的逻辑，其中一条诊断是"假如你患有肺炎，那么患哮喘对你是有好处的"。
卡鲁阿纳说，"我们去问医生，他们说'这太蹩脚了，你们需求修正'"。哮喘是引发肺炎的重要风险要素，由于二者都会影响肺部。人们永远也不知道这个智能机器如何得出了哮喘对肺炎有益的结论。有种解释是，有哮喘病史的患者一末尾患肺炎，就会尽快去看医生，这能够人为地提高了他们的存活率，因此人工智能就错误地以为有哮喘对肺炎是有协助的结论。
随着人工智能越来越广泛地用于公益事业，许多业内专家也越来越担心。往年，新的欧盟法规失效，授权个人可以解释人工智能决策背后的逻辑。与此同时，美国军方的研讨机构国防部高级研讨计划局（Defense Advanced Research Projects Agency, Darpa）投入七千万美金，以研讨可解释其行为的人工智能。
Darpa该项目担任人冈宁（David Gunning）说，"近来，系统的准确度有了质的提高，但成绩是这些系统太隐晦、太复杂，我们不知道它为什么引荐某个东西，或是在游戏里做某个动作。"
法则四：机器人能够有成见
人们越来越担心一些人工智能的运作能够会偶然藏无看法成见，譬如性别歧视或种族歧视。例如最近有一款软件用来评价犯人再次犯罪的能够性，它对黑人就双倍的严苛。
这完全取决于人工智能遭到怎样的训练，假如它们接收的数据无懈可击，那它们的决议就很能够正确，但多数时分人的成见曾经夹在其中。谷歌翻译里就有很分明的例子。一位研讨员在去年出版的《传媒》（Medium）杂志中指出，假如在谷歌翻译中把英文"他是位护士，她是位医生"翻译成匈牙利文再译回英文，翻译机给出的是相反的句子："她是位护士，他是位医生"。
翻译机接受了一万亿网页内容的数据训练，但它只能以寻觅形式样本来运算，譬如它发现的医生以男性居多而护士以女性为主。
另一种能够出现成见的缘由是数学加权（数学计算中将参数比重加入计算称之为加权）导致的。跟人一样，人工智能也会对数据停止"加权"分析——看哪个参数更重要。某种算法能够以为邮政编号跟居民信誉评分是有关系的（美国已有这样的实例），这就会出现歧视多数族裔的计算结果，由于他们能够住在较贫穷的小区里。
不只仅是种族歧视和性别歧视的成绩，还会有我们从未想到过的歧视。诺贝尔奖得主经济学家卡内曼（Daniel Kahneman）穷其终身研讨人类思想中的非感性成见。他在2011年接受魔鬼经济学（Freakonomics）博客访问时，很好地解释了这个成绩。他说："本质上无论是人还是人工智能，阅历法则都会形成成见，但人工智能的阅历法则未必与人的阅历一样。"
机器人的时代即将到来，并将永远改变将来的工作，但在它们变得更像人类之前，还需求我们守护在它们旁边。令人难以置信的是，硅谷的同事似乎在这方面做得非常之出色。
的同事似乎在这方面做得非常之出色。 | 
