(美)傑瑞·卡普蘭 著

人機共生下財富、工作與思維的大未來

1956年的夏天,一群看起來似乎最難達成共識的頂級學者,在達特茅斯學院的花園裡,達成了一個共識,那就是“人工智能”的概念。其中之一的納撒尼爾·羅切斯特,是IBM初期人工智能產品研究的領導者…

試讀


一、從僕人到顛覆

1956年的夏天,一群看起來似乎最難達成共識的頂級學者,在達特茅斯學院的花園裡,達成了一個共識,那就是“人工智能”的概念。其中之一的納撒尼爾·羅切斯特,是IBM初期人工智能產品研究的領導者,那時IBM的客戶就有疑問:“如果機器那麼能幹,我們買了他,我們還有存在的必要嗎? ”這是一個好問題,以至於IBM的內部報告都建議公司停止關於人工智能的研究(可能同樣為自己的工作而擔心),IBM的管理層告訴銷售人員一句簡單的回應:“計算機只能按照編好的程序工作。”

這句話巧妙地去除了人們的擔心,沒什麼可怕的,這些電子大腦只是順從的機械僕人,它們會盲目地聽從你的指揮。這成為半個世紀內傳播最廣的關於人工智能的認知。誠如斯言,在計算機發展的初期,這還算真實。那時,大部分程序可以形容為“做這個,然後做那個”的一系列指令,這種風格的人工智能被稱為符號系統法。


機器學習,一個失敗者的逆襲


但是,早期的人工智能研究者很快就遇到了一個問題,就是所謂的“組合爆炸”問題。假設你想找到從北京到上海的最短行車路線,而你的方法是測量每一條可能會走的路,那會產生無數的可能性組合。隨著問題越來越複雜,符號系統的編程方法很快變得過時,很多努力都轉向了啟發法研究。即模仿人類大腦功能,創造出“神經網絡”程序。它需要程序員提供足夠的示例,告訴它你想讓它做什麼。初期,研究者在神經網絡方向上遇到一系列的麻煩。但在上世紀90年代和本世紀初,這種技術和程序在先進的構架、技術以及統計學的支持下,被包裝為機器學習和大數據捲土重來,取得了極具說服力的成果。

信息技術的進步讓計算機發生了徹底的改變。此前的半個世紀,處理速度、晶體管密度以及內存等計算能力重要指標,差不多每18~24個月就會翻倍,呈現指數級增長。英特爾的創始人戈登·摩爾在1965年發現這個趨勢,被人們稱為摩爾定律,直到今天這個趨勢仍然沒有減弱的跡象。看看我們的手機內存,就是摩爾定律最明顯的例證之一。


案例:

1980年,作者幫助斯坦福的一些研究者建立一個程序,當時,團隊領導借給他一台當時最先進的個人電腦——Apple II,這台據說無與倫比的機器可以儲存軟盤上的信息,還支持最高4.8萬字節的內存。這個內存的含義是,Apple II可以存儲時長1秒CD音制的音樂。而今天我們的智能手機有64G的容量,可以容納長達12天CD音質的音樂,內存是Apple II電腦的100萬倍,而價格只有它的零頭。而網絡,1980年幾乎還不存在。

今天,專業機器學習程序能力已經快速超越了它們的創造者——人類。它們發展出自己的直覺力,然後用直覺來行動,這和 “只能按照編好的程序工作”的說法,大不相同。 2011年,IBM超級計算機沃森參加了益智問答節目《危險邊緣》,挑戰該節目的世界冠軍肯·詹寧斯,並最終取得了勝利。

人工智能從人們認為的僕人,正在一步步成為顛覆者。