关于AI，都柏林理工学院教授谈到了几个重点

人工智能（AI）技术市场正在蓬勃发展。可以看到，其中不仅存在大肆炒作和媒体的日益关注的现象外，众多初创公司和互联网巨头都在竞相加入进来，并且企业的投资力度和采用程度随之大幅提升。不过人工智能究竟是什么？为什么如此重要？关于人工智能是如何支配人类生活？最近，John D.Kelleher教授给出了答案。

John D.Kelleher：都柏林理工学院信息通信和娱乐研究所教授和学术带头人，同时也是《Fundamentals of Machine Learning for Predictive Data Analytics》的合著者。

初始阶段

《A proposal for the 1956 Dartmouth Summer Research Project on Artificial Intelligence》一文首次正式使用术语“人工智能（AI）”。撰写该著作的研讨会为期六个月，标志着人工智能研究领域的诞生，会议组织者（John McCarthy、Marvin Minsky、Nathaniel Rochester和Claude Shannon）和与会者们在此领域领先数年。

初期研究聚焦于开发具备人类智能的计算系统，此类智能与人类传统意义上的智力相关，包括语言使用、数学以及基于经验（学习）和计划（如象棋等游戏）的自我能力提升。

图灵测试

如何确定“智能”的操作定义是长期以来的一大难题，若不定义，研究者将无法衡量是否能成功开发智能系统。

几乎所有图像、语音和语言处理、自动驾驶汽车和机器博弈等领域的最新突破都基于深度学习。

1950年，阿兰·图灵发明了一套针对人工智能的测试，即图灵测试。人类评估员事先知道测试对象（A和B）分别是人类和机器，却无法分辨谁是谁的前提下，向测试对象提出系列问题。

所有提问结束后，若评估员依旧无法根据回答确认测试对象的真实身份，机器即通过测试并被认定为人工智能。测试的基本要求是机器表现得足够智能，才能称作人工智能。

多年来，对于图灵测试的质疑声不断。哲学家John Searle将人工智能划分为弱人工智能和强人工智能，前者只需能够思考，而后者则能进行真正的思考（不只是模拟思考）。如今，多数研究者已认可弱人工智能，并不在乎它们是否真正创作智能。

机器人难以胜任人类的简单工作

人工智能领域已取得诸多前期突破，例如逻辑推理和定理证明的一些通用方法。Terry Winograd的SHRDLU系统能够识别自然语言命令，斯坦福国际研究所的Shakey机器人项目则展示了将符号推理与形体动作相关联的可能性。

但这些前期突破给研究者注入的热情已渐渐消退。实践证明，这些所谓的成功突破难以改善现实世界。事实上，研究人员从早期研究中了解到，有些任务对人类来说轻而易举，但机器人却难以胜任。“在智能测试中，让机器表现得像成年人一样下跳棋并不难，但要让它们拥有一岁孩子的感知力和灵活性，几乎不可能。”机器人专家Hans Moravec在1988年发表的《Mind Children》（哈佛大学出版社）中如是说道。

消除悖论

人工智能研究团队对Moravec悖论的看法和现实世界应用人工智能系统带来的挑战是多种多样的。一些研究者在传统基础上扩充了人工智能这一概念，将感知力、记忆力、自律能力、情绪和运动能力也纳入其中。该研究通常被称作具身认知，它假定有机体的认知能力由躯体所塑造并依赖于躯体，而非大脑。人工智能研究领域的这一分支极有可能研发出电影里那样的自主式智能机器人。

另一观点则主张研发能胜任特定任务或精通特定领域的人工智能系统。这类系统在发达国家已是老生常谈，且未来几年将不断推陈出新。

以下系统全都运用了人工智能：Roomba智能吸尘器、谷歌搜索引擎、亚马逊的智能推荐系统、苹果手机的Siri界面、垃圾邮件过滤器以及机器翻译系统。然而，它们只能完成特定任务，并不能胜任其他领域，因而最好将其视作特定领域的专家，而非具备人类拥有的一般智力和灵活思维。

深度学习的到来

现代人工智能的研究围绕利用大型数据集和机器学习，使计算机掌握相应领域的规则。深度学习恰恰是此类数据或机器学习主导的人工智能的核心。近期，人工智能在图像处理、语音处理、语言处理、自动驾驶汽车以及机器博弈领域等均有新突破，相关新闻报道几乎全都关注深度学习。

短期内全面开发人工智能的可能性微乎其微。

机器学习领域将开发算法作为研究重点，使计算机从大型数据集中提取模式，并产生实现这些模式的模型。机器学习算法最常用的模式为一系列输入特征到输出特征的映射。数学上，将这种从输入到输出的系列映射称作函数。因此，可以将机器学习理解为从数据中获取函数的过程。

例如，垃圾邮件过滤器应用的函数为邮件特征（如邮件中的词句或发件人地址等）到标记垃圾邮件或其他邮件的映射。而人脸识别软件应用的函数则为一系列面部特征（如图像的线条颜色及像素颜色）到表征像素点是否在面部轮廓线内的标记的映射。

从各方面来讲，与其说人工智能是能通过自然流畅的语言与人类交流的机器人，倒不如将其理解为函数，即从输入到输出的映射。理解函数的应用是现代人工智能的核心，就会明白目前多数人工智能都只能完成设计要求的特定任务。

人工智能的未来

史蒂芬·霍金教授曾警告：彻底开发人工智能可能导致人类灭亡。尽管霍金这一观点是正确的，但短期内全面开发人工智能的可能性微乎其微。

人工智能为现代社会带来了更迫在眉睫的挑战是确立人类对于人工智能自动化程度的期望值。如今，从数据中获取函数这一理念影响着人类生活的方方面面。根据计算机习得的函数，人类的面部轮廓可能将会映射到昂贵汽车或健康保险费上，或是高价网络购物体验或航班禁飞名单中。实际上，一些城市正在运用人工智能系统划定警察巡逻范围，并在刑事司法系统中协助做出假释和判刑方面的决定。

人工智能的决策过程是从数据中习得的，因此这些系统更为客观公正，人们对于这一说法争议不断。但此因果关系的漏洞在于人工智能毫无道德观念，它仅从数据中机械提取模式，并非客观行为。因而研究者需重点关注数据集的设计和取样过程，否则只会徒增社会偏见。

人工智能也为我们带来诸多便利，它能够帮助我们在医药、交通及商业领域作出更明智的决定。人工智能这个“精灵”已从魔瓶中释放出来，因此，我们需谨慎处理内心的欲望。