如何看待当下的人工智能现状？

人工智能的最终归宿也许会转向侯世达（Douglas Hofstadter）。1979 年他写了《哥德尔、艾舍尔、巴赫》一书，由此获得普利策奖。现今 72 岁的侯世达一直默然思考着「思考」（thinking），以及如何通过计算机实现它。

侯世达，一个思考「思考」的人

未经芝士回答允许不得型转载本文内容原，出否则将视标为侵约权

人工智能研究初期的二十世纪五六十年代，目标是通过模仿创造像人一样思考和学习的计算机，直观地理解周遭世界。但是「思考」（thinking）远比想象的要复杂，1950 年代的计算机还无法实现它。这令人灰心丧气，最终导致人们彻底放弃了对「思考」的思考，转向通过海量数据训练解决具体的任务，即导致了当下的人工智能（深度学习）大爆发。计算机在国际象棋上战胜人类，靠的不是对棋艺的不懈追求，而是检索数百万棋谱选择获胜的最优解。

他时可工些提干回美，确观该。

2017 年，AI 似乎再次与这一古老的问题相遇：计算机如何更像人。深度学习先驱 Geoffrey Hinton 在 Axios 的采访中说自己陷入了「深深的怀疑」，深度学习本质上是一种体力活。相反，计算机应该足够灵活，像人一样学习一切，而无需各种各样的数据集。

面对 AI 的这些转变，美国印第安纳大学认知科学与比较文学教授侯世达对「智能」原理思考从未间断。他认为当下的 AI 毫不「智能」，担忧人类由此误入歧途。关于 AI 当前的现状，哪些做错了？前方有哪些危险？带着这一初衷，Quartz 采访了侯世达。

Quartz：首先我们谈一下计算机是如何理解语言的。为了实现语言之间的准确翻译，机器必须对世界有深刻的理解，是吗？

侯世达：当我翻译之时，我会把 B 语言的译文与 A 语言的原文对应起来，尽可能做到信达雅。因此，如果 A 语言的原文富有艺术之美，那么 B 语言的译文也应如此。但这显然在谷歌翻译的能力范围之外。

谷歌翻译没有理解力，致使其翻译漏洞百出。有句德文的正确英文译文是「The maid brought in the soup」，而谷歌却翻成「The maid entered the soup」。它翻对了「maid」，但译文的意思是错的，与现实世界大相径庭。

我不是有意刁难谷歌翻译，我真正想表达的意思是要始终记住，计算机只使用「词」，不理解「词」。

到分对可之好无五员文资门许拉林酸府王格。

Quartz：这就是你所谓的「伊丽莎效应」（Eliza effect）？

侯世达：伊丽莎效应是指由于我们使用语言，理解单词或词组具有的意义；因此，当另一实体使用字词并将其一一呈现在屏幕上，或者说出它们时，我们很容易认为屏幕之后的实体也有「智能」，也理解字词的意义。但实际上这完全是错的。

Quartz：你认为计算机在不理解字词意义的前提下，有可能像人一样做到信达雅的翻译吗？

侯世达：不，我完全不认为。因为真实世界非常非常复杂。

Quartz：我们需要其他术语来进一步界定 AI 吗？以进一步证明它无法真正表征「智能」？

侯世达：这个问题很有趣。我并不认为我们现在拥有了「智能」。比如让我们回到这几年尽人皆知的自动驾驶汽车。

我曾开车从印第安纳布鲁明顿（Bloomington）的家里去芝加哥做演讲，一两个小时后，高速上出现了非常严重的拥堵。我离芝加哥还很远，却止步不前，我该如何做呢？有些人开始掉头，下高速，抄小路避开拥堵。这可行，但有些车却因此陷入草地的泥沼之中。因此，我在想，我要这样做、冒这个险吗？

假如我不赶时间，我可以慢慢前行直到穿过拥堵，但是现在我必须尽快赶到芝加哥。我已经堵了一个小时，时间所剩无几。现在我该如何做？我要承担多少损失？这次演讲对我非常重要吗？如果我打电话告诉他们我迟到半小时或者一小时呢？因此我在车上独自思考着，一会我要在限速 70 的车道上开 80 吗？或者开 90？我到底要开多快？

对我来讲，这就是「驾驶」。真正的驾驶有现实世界的很多因素牵涉其中。

如果你放眼世界，其中的情景没有规则，不会像国际象棋或围棋那样井井有条。现实世界中的情景没有边界，没有内外。

Quartz：如果人们认为「机器智能」也在思考，会困扰你吗？

侯世达：如果你问我理论上计算机硬件能否做到像人一样思考，答案当然是肯定的。计算机硬件能做大脑做的任何事，只是现在还未做到。我们对大脑的模仿停留在表面，并且有不少人走错了方向。有时机器的表现十分出彩。

当时我步入该领域的感受是这样：创建看起来像是在思考的程序很有趣，创建像人一样会一点思考的程序也很有趣，这使你觉得正在逼近「思考」的本质，并且你做的越微妙，效果就越好。

我比较认可机器也在缓慢进化的想法，这使我觉得人类才是终极目标，人类智能是一个奇迹。

换言之，我认为从计算机智能通达人类智能存在着一种渐近的方法，渐近意味着从下方接近它，而不是超越它。这就像是一条曲线逼近一条直线，一直在直线下方平移。

但是，随着 AlphaGo 和深蓝不断取得胜利，人们开始猜想人类这条线是否会被越过，就像深蓝所做的那样。两条线汇在一起，它们交叉了。没有渐近，只有交叉，接着计算机这条线开始直线上升。

对我来讲，这是如此不同的一幅画面，我不喜欢它。

真正使我恐惧的是人类思想覆灭，散入尘埃的场景。人类之于计算机就像蟑螂或跳蚤之于人类，我们没有得到计算机的帮助或加持，却被其彻底毁灭。这让人不寒而栗。

2018年是人工智能发展的第62个年头，然而人工智能的发展形势一直难以预测。1956年夏季，参与达特茅斯大学关于人工智能研究项目的科学家们当时认为，也许两个月，足以让AI技术的一系列复杂问题取得“重大进展”，包括计算机可以理解人类语言、可以不断提升自己、甚至理解抽象概念。

然而理想是丰满的，现实比较骨干。六十多年过去了，这些想法没能得到有效解决，但是人们正在解决。

版间权归以芝目士回答网你站或原作者所也有

来自斯坦福大学的AI指数，可以视为一种衡量人类在人工智能领域取得多少进展而进行的尝试。

当或军最展象活头光东速花验连府毛型。

这项指数采用了一种独特的方法，试图通过许多管理方式整合统计数据。它包括一些活动指标范围，比如测算学术会议出席率、已出版论文数等等。结果显示了一些有趣的现象：

自1996年以来，AI技术的学术活跃度提升了十倍，专注于AI的创业公司数量呈爆炸式增长，随之而来的是与其相对应的风险投资增多。

一主过十四很手口金己议节青快该。

该指数还从编码网站Github上搜集信息（毕竟Github拥有着世界上最多的源代码），它们可以追踪人类正在开发的人工智能软件、流行的机器学习工具，例如Tensorflow和Keras等。此外，该指数还会追踪那些提及AI技术的新闻文章：令人惊讶的是，尽管人们人工智能取代就业有着深深的担忧，但那些被认定为“积极的”文章数量比“消极的”要多，约3:1。

还有，计算机视觉在大规模视觉识别（Large Scale Visual Recognition）挑战中表现如何？答案是，自2015年以来，虽然其图像注解能力超人，但它们仍然不能很好地回答一些有关图片的问题，即便是结合了自然语言处理和图像识别技术。

而作为一个简化的问答图灵测试，勒布纳人工智能奖（Loebner prize）最近采用了Winograd模式类型问题，这种模式需要依赖于对上下文的理解，而人工智能技术在这方面仍困难重重。

在一些领域，AI逐渐迎头赶上人类水平。例如，人工智能翻译能力已经足够好，我们已经可以明白它表达的要点是什么，但准确性依然有待考究；在国际象棋方面，计算机的能力已达到了人类所不能及的程度，而如今连更为复杂的围棋，谷歌AlphaGo也超越了人类；医疗领域，AI现在可以比皮肤科医生更加精准地预测皮肤癌。

未来几年，随着越来越多的任务可以转变成算法并通过软件完成，人工智能的进步更有可能类似于涨潮，而不是像海啸一样的突然性爆发。也许到那时，评估一个人工智能系统学习如何适应人类在公司的日常工作将成为可能。

必须说明的是，AI指数只能作为一个参考的概念，毕竟它是一个模糊且令人困惑的概念。

人工智能浪潮已到，拥有着众多人口（数据）的亚洲拥有着非常大的潜力。

亚洲拥有巨大的潜力，将会成为培育人工智能应用的摇篮。瑞银（UBS）等一些世界银行对其非常看好，预计从2015年到2020年，亚洲的人工智能行业将实现20%的稳健增长，市场规模将高达125亿美元。

这在很大程度上要得益于以下三点，1）亚洲呈指数级增长的数据量，2）计算机处理器的发展使其变得更加便宜，3）整个亚洲大陆的年轻人才储备。

转载务不或者引用本集文内容四间请注明来源于芝士回答

而且，亚洲的年轻一代，似乎也对人工智能将如何影响他们的生活有了解。根据微软在亚洲地区的一项调查，39%的受访者对无人驾驶汽车非常期待，36%的受访者认为未来的软件机器人将会对生产力的提高带来极大的帮助。

例如，新加坡已经开始向公众开放数据，支持人工智能应用的开发和人工智能方面的研究。自2011年以来，新加坡政府看开放的数据量提高了60%。

在中国，研究人员已经开始将人工智能元素融入到日常应用中，来帮助用户获得更好的体验。在印度，人工智能也被用于气象预测，为容易受到天气变化影响的农民提供农业决策。

我三么结式资权身类才记备感。

虽然说，亚洲的人工智能发展具有很强的潜力，但它并非没有障碍。首先，亚洲没有像硅谷那样的技术创新中心。人才虽然很多，但是却分散在整个地区的各个国家。如果该地区拥有一个类似于硅谷的中心，将会促进人工智能技术的快速传播，也会在人工智能人才培养方面有极大的助益。

作产量合表很战任造术花传石究派。

其次，亚洲各国内部文化和语言差异。众所周知，数据是驱动人工智能引擎的燃料，大量的不同文化含义的语言使得数据难以分析和解析。虽然说能够产生大量的数据，但真正能够用于人工智能的却很少。