眾所周知，如今的人工智能，已經(jīng)深入到了我們?nèi)粘Ｉ睢W(xué)習(xí)和工作的方方面面，在某些特定任務(wù)中有著比肩甚至超越人類的能力。因此，有些人會擔(dān)憂，能力越來越強(qiáng)的人工智能系統(tǒng)，會不會在未來的某一天進(jìn)化出自己的意識，進(jìn)而超越人類，甚至做出更可怕的事情，但其實對于這樣的問題大家不用擔(dān)心，具體知識介紹如下！

本文目錄

1、AI智能和人工PK誰會贏？

2、人工智能的優(yōu)勢在哪里？

3、如何正確認(rèn)識人工智能？

4、賦予人的思維，讓計算機(jī)超越計算機(jī)模式

AI智能和人工PK誰會贏？

自人工智能誕生以來，其與人類之間的PK就從未間斷。

30年前，也就是1992年，國際跳棋人工智能程序奇努克首次挑戰(zhàn)了被譽(yù)為“世界上最好的”跳棋世界冠軍廷斯利。然而令人遺憾的是，奇努克落敗了。但兩年之后，奇努克重振旗鼓，再次向廷斯利發(fā)起挑戰(zhàn)，在雙方打了6局平手之后，廷斯利因病退賽，奇努克獲得冠軍。這是人工智能歷史上第一次在競技游戲中獲得官方世界冠軍。

但奇努克前進(jìn)的腳步并未停下，2007年4月，奇努克終極程序問世，成為了國際跳棋領(lǐng)域不可能被擊敗的存在。

1996年的冬天，首次國際象棋人機(jī)大戰(zhàn)在美國費(fèi)城上演。IBM公司的超級計算機(jī)“深藍(lán)”與棋王卡斯帕羅夫進(jìn)行了6局人機(jī)對弈。最終，卡斯帕羅夫以4:2的總比分戰(zhàn)勝了“深藍(lán)”。然而，僅僅過了一年，1997年5月，經(jīng)過改進(jìn)后的超級計算機(jī)“深藍(lán)”就再次向卡斯帕羅夫發(fā)起了挑戰(zhàn)。6局戰(zhàn)罷，卷土重來的“深藍(lán)”以兩勝一負(fù)三平的戰(zhàn)績戰(zhàn)勝了棋王。這是人工智能首次在標(biāo)準(zhǔn)比賽時限內(nèi)擊敗國際象棋世界冠軍。但在今天看來，“深藍(lán)”還算不上足夠智能，其缺陷是沒有直覺，不具備真正的“智能靈魂”，只能靠超強(qiáng)的計算能力來彌補(bǔ)分析思考方面的缺陷。

直到2016年3月，另一場“人機(jī)大戰(zhàn)”震驚了世界。由谷歌旗下人工智能公司DeepMind研發(fā)的AlphaGo以4:1的大比分，擊敗了當(dāng)時的圍棋世界冠軍李世石，成為了第一個戰(zhàn)勝圍棋世界冠軍的人工智能。這一事件被認(rèn)為是人工智能行業(yè)真正意義上的里程碑。從技術(shù)上講，通過使用蒙特卡洛樹搜索與兩個深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，AlphaGo可以像人類大腦一樣自發(fā)學(xué)習(xí)，進(jìn)行分析訓(xùn)練，不斷學(xué)習(xí)提高棋力。

一年后，在中國烏鎮(zhèn)圍棋峰會上，AlphaGo以3:0的總比分，又戰(zhàn)勝了當(dāng)時排名世界第一的世界圍棋冠軍柯潔。自此之后，在電子競技、編程和生命科學(xué)等領(lǐng)域，各類人工智能也如雨后春筍般涌現(xiàn)。

比如，2018年12月10日，DeepMind針對即時戰(zhàn)略游戲《星際爭霸》開發(fā)的AlphaStar完虐了世界上99.8%的人類職業(yè)選手。

同月，由索尼人工智能團(tuán)隊研發(fā)的人工智能程序，在賽車游戲《GT賽車》中，也戰(zhàn)勝了世界冠軍級人類玩家。

人工智能的優(yōu)勢在哪里？

人工智能的優(yōu)勢在于超強(qiáng)的記憶力、計算能力等方面，并且能夠在極端條件下無休止工作。在這一點(diǎn)上，目前的人工智能確實在很多領(lǐng)域超越了人類。

但從技術(shù)層面來說，目前的人工智能系統(tǒng)是在給定的數(shù)據(jù)和指定的規(guī)則下進(jìn)行自主學(xué)習(xí)或者人工矯正，可以在特定參數(shù)下解決特定問題。一旦引入一個變量，系統(tǒng)可能就會崩潰，或者需要創(chuàng)建一個新的模型，離科幻電影中描述的場景，還相去甚遠(yuǎn)。

如何正確認(rèn)識人工智能？

如果你在2017年看到DeepMind開發(fā)的人工智能AlphaGo擊敗九段圍棋選手李世石（Lee Sedol）時，你會有什么感受？你可能會感到驚訝或害怕，認(rèn)為人工智能的能力已經(jīng)超越了人類天才。可盡管如此，贏得像圍棋這樣具有指數(shù)級可能走法的游戲只意味著人工智能已經(jīng)超越了人類智力的一個非常有限的部分。

我們往往在觀看一個機(jī)器人演示后就急于概括出人工智能的所有功能。例如，當(dāng)我們在街上看到有人在做后空翻時，我們往往會認(rèn)為這個人擅長走路和跑步，而且還具有足夠的靈活性和運(yùn)動能力，肯定也擅長其他運(yùn)動。一般來說，我們對這個人的判斷并不會出錯。

然而，我們是否也可以將這種判斷方法應(yīng)用到機(jī)器人上呢？我們很容易根據(jù)對特定機(jī)器人運(yùn)動或功能的觀察來概括和確定人工智能的性能，就像我們對人類所做的一樣。通過觀看人工智能研究實驗室OpenAI的機(jī)器人手解魔方的視頻，我們認(rèn)為，既然人工智能可以執(zhí)行如此復(fù)雜的任務(wù)，那么它一定可以完成一切比這更簡單的任務(wù)。但是，我們忽略了這樣一個事實：人工智能的神經(jīng)網(wǎng)絡(luò)僅針對有限類型的任務(wù)（比如解魔方）進(jìn)行過訓(xùn)練。如果情況發(fā)生變化，例如，在操作魔方時將其倒置，那么算法的效果就無法像預(yù)期那樣好了。

與人工智能不同，人類可以將單個技能結(jié)合起來，并將其應(yīng)用于多項復(fù)雜的任務(wù)中。一旦我們學(xué)會了如何解魔方，即使我們將其倒置，盡管一開始可能會覺得很奇怪，但我們?nèi)匀豢梢钥焖偈纸饽Х?。而對于大多?shù)機(jī)器人算法來說，它們需要新的數(shù)據(jù)或重新編程才能做到這點(diǎn)。此外，自動駕駛汽車需要每種情況的真實數(shù)據(jù)，而人類司機(jī)可以根據(jù)預(yù)先學(xué)習(xí)的概念做出理性決定，以應(yīng)對無數(shù)種情況。這些例子讓人類智能和機(jī)器人算法形成了鮮明的對比：機(jī)器人算法無法在數(shù)據(jù)不足的情況下執(zhí)行任務(wù)。

環(huán)顧四周，我們的日常生活充滿了算法。由于所有算法都是基于數(shù)字，于是我們使用諸如“目標(biāo)函數(shù)”這樣的術(shù)語，它是一個表示特定目標(biāo)的數(shù)值函數(shù)。許多算法的唯一目的是達(dá)到該函數(shù)的最大值或最小值，并且算法的特性因?qū)崿F(xiàn)方式而異。

人工智能已經(jīng)應(yīng)用于與數(shù)據(jù)處理相關(guān)的信息服務(wù)，比較突出的例子如語音識別和面部識別。現(xiàn)如今，我們即將進(jìn)入一個人工智能的新時代，它可以高效地為我們提供物理服務(wù)。也就是說，復(fù)雜物理任務(wù)的自動化時代即將到來。

尤其值得關(guān)注的是，日益老齡化的社會給我們帶來了巨大的挑戰(zhàn)。勞動力短缺變成了明顯的社會問題。因此，我們迫切需要討論如何開發(fā)增強(qiáng)人類能力的技術(shù)，從而讓我們能夠?qū)Ｗ⒂诟袃r值的工作，追求人類特有的生活。這就是為什么工程師以及來自各個領(lǐng)域的社會成員都應(yīng)該提高他們對人工智能和無意識認(rèn)知偏見的理解。如上所述，人工智能很容易被誤解，因為它在本質(zhì)上就不同于人類智能。

賦予人的思維，讓計算機(jī)超越計算機(jī)模式

在過去十年左右的時間里，世界各地的研究人員一直在嘗試開發(fā)受大腦啟發(fā)的計算機(jī)系統(tǒng)，也稱為神經(jīng)形態(tài)計算工具。這些系統(tǒng)中的大多數(shù)目前用于運(yùn)行深度學(xué)習(xí)算法和其他人工智能 (AI) 工具。

桑迪亞國家實驗室的研究人員最近進(jìn)行了一項研究，評估神經(jīng)形態(tài)架構(gòu)執(zhí)行不同類型計算的潛力，即隨機(jī)游走計算。這些計算涉及數(shù)學(xué)空間中的一系列隨機(jī)步驟。該團(tuán)隊的研究結(jié)果發(fā)表在Nature Electronics上，表明神經(jīng)形態(tài)架構(gòu)可能非常適合實現(xiàn)這些計算，因此可以超越機(jī)器學(xué)習(xí)應(yīng)用程序。

過去大多數(shù)與神經(jīng)形態(tài)計算相關(guān)的研究都集中在認(rèn)知應(yīng)用上，例如深度學(xué)習(xí)，雖然我們也對這個方向感到興奮，但我們想提出一個不同且互補(bǔ)的問題：神經(jīng)形態(tài)計算能否在我們的大腦無法真正解決的復(fù)雜數(shù)學(xué)任務(wù)中表現(xiàn)出色？”

到目前為止，計算機(jī)科學(xué)界已經(jīng)排除了類腦計算機(jī)系統(tǒng)在復(fù)雜的數(shù)學(xué)任務(wù)中表現(xiàn)良好的可能性。Aimone 和他的同事最近的研究表明，出乎意料的是，情況可能確實如此。更具體地說，該團(tuán)隊發(fā)現(xiàn)這些芯片也可能有望使用隨機(jī)游走計算來模擬離散時間馬爾可夫鏈。

最近研究背后的團(tuán)隊包括數(shù)學(xué)家、計算機(jī)工程師和理論神經(jīng)科學(xué)家 Aimone。結(jié)合他們的專業(yè)知識，研究人員能夠在神經(jīng)形態(tài)計算的背景下檢查蒙特卡羅模擬，迄今為止，這些模擬主要是使用傳統(tǒng)計算工具實現(xiàn)的。這使他們能夠展示神經(jīng)形態(tài)架構(gòu)在完成一項可能具有“神經(jīng)形態(tài)優(yōu)勢”的著名復(fù)雜數(shù)學(xué)任務(wù)方面的潛力。

Aimone 和他的同事表明，神經(jīng)形態(tài)硬件比其他系統(tǒng)更節(jié)能，因為它可以執(zhí)行比傳統(tǒng) CPU 和 GPU 更多的每焦耳隨機(jī)游走計算。此外，雖然神經(jīng)形態(tài)芯片仍然比現(xiàn)有的 CPU 和 GPU 慢，但該團(tuán)隊發(fā)現(xiàn)，隨著問題變得更大和更復(fù)雜，這種速度差異會減小。

鑒于神經(jīng)形態(tài)硬件繼續(xù)快速改進(jìn)并且更大的系統(tǒng)將很快推出，我們預(yù)計這種優(yōu)勢將繼續(xù)增長，以解決更大的問題，有許多現(xiàn)實世界的應(yīng)用程序使用蒙特卡洛隨機(jī)游走模型作為其計算工作量的一部分，包括計算生物學(xué)、材料科學(xué)、金融建模和人工智能。然而，這些模型通常在計算上運(yùn)行起來很昂貴，并且具有巨大的能量，時間和財務(wù)成本。

神經(jīng)形態(tài)硬件仍處于早期開發(fā)階段，但它們將逐漸變得易于使用且更易于編程。一旦發(fā)生這種情況，這組研究人員最近的研究可能會激發(fā)使用受大腦啟發(fā)的系統(tǒng)來更有效地解決數(shù)學(xué)問題。

Aimone 和他的同事最近的研究主要集中在簡單的隨機(jī)游走模擬，例如那些代表擴(kuò)散過程的模擬。然而，在未來，該團(tuán)隊還希望測試神經(jīng)形態(tài)芯片在運(yùn)行更復(fù)雜的隨機(jī)游走模擬方面的潛力。

總結(jié)：人類對人工智能和機(jī)器人存在認(rèn)知偏見是件很自然的事。但是，如果我們不清楚地了解這個認(rèn)知偏見，我們就無法為這項技術(shù)的研究、應(yīng)用和政策制定合適的方向。作為一個科學(xué)共同體，為了使科學(xué)的發(fā)展富有成效，我們需要在促進(jìn)技術(shù)適當(dāng)開發(fā)和應(yīng)用的過程中密切關(guān)注我們的認(rèn)知。