弱人工智能已掌握 强者工智能还能有多远

对于人工智能你了解多少，你知道什么是人工智能吗，如何应用人工智能走向将来社会？

虽然人工智能技术在很早就提出来了，但真正的发展却没有几年，毕竟起落不定也是人工智能的走势，同时也阐明一个高科技的专业难度越大，发展妨碍越多，人工智能想要起步，那就要在人力、财力方面付诸举动。

其真实很长一段工夫内，我们对于人工智能的印象和看法都来源于科幻电影，每当提起人工智能，我们的大脑总会浮现出将来感，科技感的画面或者词语。但是短短几十年的风云际会，当我们真正处于发达的互联网技术的环境之时，我们对于正在接触的人工智能却照旧没有真实感。以致于我们并不明白什么是人工智能，却对它唯恐避之不及。

什么是人工智能？

人工智能的概念很宽，所以人工智能也分很多种，我们按照人工智能的实力将其分成三大类。弱人工智能、强者工智能和超人工智能。

弱人工智能Artificial Narrow Intelligence （ANI）： 弱人工智能是擅长于单个方面的人工智能。比如有能打败象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎样回答你了。

强者工智能Artificial General Intelligence （AGI）： 人类级别的人工智能。强者工智能是指在各方面都能和人类比肩的人工智能，人类无能的脑力活它都无能。创造强者工智能比创造弱人工智能难得多，我们如今还做不到。Linda Gottfredson教授把智能定义为“一种广泛的心思才能，可以停止思索、计划、处理成绩、笼统思想、了解复杂理念、疾速学习和从阅历中学习等操作。”强者工智能在停止这些操作时应该和人类一样得心应手。

超人工智能ArTIficial Superintelligence （ASI）： 牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎一切范畴都比最聪明的人类大脑都聪明很多，包括迷信创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。超人工智能也正是为什么人工智能这个话题这么火热的缘故，异样也是为什么永生和灭绝这两个词总是出如古人们的口中。

如今，人类曾经掌握了弱人工智能。其实弱人工智能无处不在，人工智能革命是从弱人工智能，经过强者工智能，最终到达超人工智能的旅途。这段旅途中人类能够会生还上去，能够不会，但是无论如何，世界将变得完全不一样。

弱人工智能已掌握 强者工智能还能有多远

智能家居的运用

我们日常生活中曾经每天都在运用人工智能了，只是我们没看法到而已。人工智能如今曾经能完成很多功能了，比如

语音辨认——李开复博士当年做的工作奠定了很多当今辨认系统的基础。这里忍不住说一下，Siri本身的技术并没有特别大的亮点，真正nb的是它的形式（语音辨认直接与搜索引擎结合在一同，产品体验做得好。而且关键是这样的形式能采集到更多数据，使得系统的精度越来越高）

数据发掘——随着近年数据量的疯狂增长，数据发掘也有了长足提高。最具有代表性的是前几年着名的Netflix challenge最后这一比赛成绩较好的队伍，并非是单一的某个特别nb的算法能给出准确的结果，而是把大量描写了不同方面的模型混合在一同，停止最终的预测。

自然言语了解——目前看到的最强的结果应该是IBM Watson。但其实我们如今用的搜索引擎、中文输入法、机器翻译都和自然言语了解相关。

计算机视觉——目前越来越多的范畴跟视觉有关。大家能够一末尾想到的都是自动驾驶。虽然大家都在说googleX的无人车， 但实践上如今无论是商业上，还是技术整合上最成功的算法是Mobile Eye的辅助驾驶系统。这个公司也是目前computer vision范畴最挣钱的公司。

从完成新功能方面说，视觉的发展的趋向次要有两方面，A） 集成更多的模块，从成绩的各种不同方面，处理同一个成绩（比如Mobile Eye，就同时运用了数十种方法，放到一同最终作出决策） B） 运用新的信息，处理一个原来很难的成绩。这方面最好的例子是M$的Kinect，这个产品最让人赞不绝口的就是那个红外pattern投影仪。

2. ===实际基础===

这里说的是数学实际，是为完成功能处理成绩而存在的。与人类的智能的联络在下一节说。从这个角度，我们曾经有了很多强有力的数学工具，从高斯时代的最小二乘法，到如今比较火的凸优化，其实我们处理绝大多数智能成绩的套路，都可以从某种意义上转换成一个优化成绩。

真正限制我们解这个优化成绩的困难有以下三个：

计算复杂度——能保证完美解的算法大都是NP-hard的。如何能让一个系统在当前的硬件下“跑起来”，就需求在很多细节取巧，这是很多learning paper的核心冲突。

数据基础——任何学习过程都需求数据的支持，无论是人类学说话学写字，还是计算机学习汽车驾驶。但是就数据采集本身来说，成功的案例并不多。大概这个世界上最强的数据采集就是google了吧。每次你搜索一个关键词，然后点出来，google就自动记录了你的行为，然后以此数据来训练本人的算法。

模型假设——一切模型都要基于一些假设，比如说，无人车会假设周围的汽车加速度有一个下限（至少不会瞬间移动吧，否则怎样闪避）绝大多数假设都不能保证相对正确，我们只是制定那些在大多数时分合理的假设，然后基于这些假设建模（比如，在语音辨认里，我们能否要假设存在背景噪声呢？假如有背景噪声，这个噪声应该符合什么特点呢？这时分无论你怎样定标准，总能找出“反例”）