數月前，我長途跋涉來到位于紐約州約克城高地的IBM研究實驗室的林間園區(qū)，為的就是能早早一窺那近在眼前卻讓人期待許久的人工智能的未來。這兒是超級電腦“沃森”（Watson）的研發(fā)地，而沃森在2011年就在“危險邊緣”（Jeopardy?。┕?jié)目的比賽里拔得頭籌。最初的沃森電腦仍留于此處——它是一個體積約與一個臥室相當，由10臺直立的冷柜式機器圍成四面墻的計算機系統(tǒng)。技術人員可以通過系統(tǒng)內部的小細孔把各種線纜接到機器背部。系統(tǒng)內部溫度高得出奇，仿佛這個計算機集群是活生生的一般。

如今的沃森系統(tǒng)與之前相比有了顯著差異。它不再僅僅存在于一排機柜之中，而是通過大量對用戶免費開放的服務器傳播，這些服務器能夠即時運行上百種人工智能的“情況”。同所有云端化的事物一樣，沃森系統(tǒng)為世界各地同時使用的客戶服務，他們能夠用手機、臺式機以及他們自己的數據服務器連上該系統(tǒng)。這類人工智能可以根據需求按比例增加或減少。鑒于人工智能會隨人們的使用而逐步改進，沃森將始終變得愈發(fā)聰明；它在任何一次情況中所獲悉的改進點都會立即傳送至其他情況中。并且，它也不是一個單一的程序，而是各種軟件引擎的集合——其邏輯演繹引擎和語言解析引擎可以在不同的代碼、芯片以及位置上運行——所有這些智慧的因素都匯集成了一個統(tǒng)一的智能流。

用戶可以直接接入這一永久連接（always-on）的智能系統(tǒng)，也可以通過使用這一人工智能云服務的第三方應用程序接入。正如許多高瞻遠矚的父母一樣，IBM想讓沃森電腦從事醫(yī)學工作，因此他們正在開發(fā)一款醫(yī)療診斷工具的應用程序，這倒也不足為奇。之前，診療方面的人工智能嘗試大多以慘敗告終，但沃森卻卓有成效。簡單地說，當我輸入我曾經在印度感染上的某種疾病癥狀時，它會給我一個疑似病癥的清單，上面一一列明了可能性從高到低的疾病。它認為我最可能感染了賈第鞭毛蟲?。℅iardia）——說的一點兒也沒錯。這一技術尚未直接對患者開放；IBM將沃森電腦的智能提供給合作伙伴接入使用，以幫助他們開發(fā)出用戶友好界面為預約醫(yī)生及醫(yī)院方面服務。“我相信類似沃森這種——無論它是機器還是人——都將很快成為世界上最好的診療醫(yī)生”，創(chuàng)業(yè)公司Scanadu的首席醫(yī)療官艾倫·格林（Alan Greene）說道，該公司受到電影《星際迷航》中醫(yī)用三錄儀[2]的啟發(fā)，正在利用云人工智能技術制造一種診療設備。“從人工智能技術改進的速率來看，現(xiàn)在出生的孩子長大后，很可能不太需要通過看醫(yī)生來得知診療情況了。”

醫(yī)學僅僅只是一個開始。所有主流的云計算公司，加上數十家創(chuàng)業(yè)公司都在爭先恐后地開展類似沃森電腦的認知服務。根據量化分析公司Quid的數據，自2009年以來，人工智能已經吸引了超過170億美元的投資。僅去年一年，就有322家擁有類似人工智能技術的公司獲得了超過20億美元的投資。Facebook和谷歌也為其公司內部的人工智能研究小組招聘了研究員。自去年以來，雅虎、英特爾、Dropbox、LinkedIn、Pinterest以及推特也都收購了人工智能公司。過去四年間，人工智能領域的民間投資以平均每年62%的增長速率增加，這一速率預計還會持續(xù)下去。

縱觀所有這些活動，人工智能的未來正進入我們的視野之中，它既非如那種哈爾9000（HAL 9000）（譯者注：小說及電影《2001：太空漫游》中的超級電腦）——一臺擁有超凡（但有潛在嗜殺傾向）的類人意識并依靠此運行的獨立機器那般——也非讓奇點論者心醉神迷的超級智能。即將到來的人工智能頗似亞馬遜的網絡服務——廉價、可靠、工業(yè)級的數字智慧在一切事物的背后運行，偶爾在你的眼前閃爍幾下，其他時候近乎無形。這一通用設施將提供你所需要的人工智能而不超出你的需要。和所有設施一樣，即使人工智能改變了互聯(lián)網、全球經濟以及文明，它也將變得令人厭倦。正如一個多世紀以前電力所做的那樣，它會讓無生命的物體活躍起來。之前我們電氣化的所有東西，現(xiàn)在我們都將使之認知化。而實用化的新型人工智能也會增強人類個體（加深我們的記憶、加速我們的認知）以及人類群體的生活。通過加入一些額外的智能因素，我們想不到有什么東西不能變得新奇、不同且有趣。實際上，我們能輕易地預測到接下來的一萬家創(chuàng)業(yè)公司的商業(yè)計劃：“做某項事業(yè)，并加入人工智能”。茲事體大，近在眼前。

大約在2002年時，我參加了谷歌的一個小型聚會——彼時谷歌尚未IPO，還在一心一意地做網絡搜索。我與谷歌杰出的聯(lián)合創(chuàng)始人、2011年成為谷歌CEO的拉里·佩奇（Larry Page）隨意攀談起來。“拉里，我還是搞不懂，現(xiàn)在有這么多搜索公司，你們?yōu)槭裁匆雒赓M的網絡搜索？你是怎么想到這個主意的？”我那缺乏想象力的無知著實證明了我們很難去做預測，尤其是對于未來的預測。但我要辯解的是，在谷歌增強其廣告拍賣方案并使之形成實際收益，以及進行對YouTube的并購或其他重要并購之前，預測未來是很難的。我并不是唯一一個一邊狂熱地用著谷歌的搜索引擎一邊認為它撐不了多久的用戶。但佩奇的回答讓我一直難以忘懷：“哦，我們實際上是在做人工智能。”

過去數年間，關于那次談話我想了很多，谷歌也收購了14家人工智能以及機器人方面的公司。鑒于搜索業(yè)務為谷歌貢獻了80%的收入，因此乍一看去，你可能會覺得谷歌正在擴充其人工智能方面的投資組合以改善搜索能力。但是我認為正好相反。谷歌正在用搜索技術來改善人工智能，而非使用人工智能來改進搜索技術。每當你輸入一個查詢詞，點擊搜索引擎生成的鏈接，或者在網頁上創(chuàng)造一個鏈接，你都是在訓練谷歌的人工智能技術。當你在圖片搜索欄中輸入“復活節(jié)兔子”（Easter Bunny）并點擊看起來最像復活節(jié)兔子的那張圖片時，你都是在告訴人工智能，復活節(jié)兔子是長成什么樣的。谷歌每天擁有12億搜索用戶，產生1210億搜索關鍵詞，每一個關鍵詞都是在一次又一次地輔導人工智能進行深度學習。如果再對人工智能的算法進行為之10年的穩(wěn)固改進，加之一千倍以上的數據以及一百倍以上的計算資源，谷歌將會開發(fā)出一款無與倫比的人工智能產品。我的預言是：到2024年，谷歌的主營產品將不再是搜索引擎，而是人工智能產品。

這個觀點自然也會招來懷疑的聲音。近60年來，人工智能的研究者都預測說人工智能時代即將到來，但是直到幾年前，人工智能好像還是遙不可及。人們甚至發(fā)明了一個詞來描述這個研究結果匱乏、研究基金更加匱乏的時代：人工智能之冬。那么事情真的有變化嗎？

是的。近期的三大突破讓人們期待已久的人工智能近在眼前：

1. 成本低廉的并行計算

思考是一種人類固有的并行過程，數以億計的神經元同時放電以創(chuàng)造出大腦皮層用于計算的同步腦電波。搭建一個神經網絡——即人工智能軟件的主要結構——也需要許多不同的進程同時運行。神經網絡的每一個節(jié)點都大致模擬了大腦中的一個神經元——其與相鄰的節(jié)點互相作用，以明確所接收的信號。一項程序要理解某個口語單詞，就必須能夠聽清（不同音節(jié)）彼此之間的所有音素；要識別出某幅圖片，就需要看到其周圍像素環(huán)境內的所有像素——二者都是深層次的并行任務。但直到最近，標準的計算機處理器也僅僅能一次處理一項任務。

事情在十多年前就已經開始發(fā)生變化，彼時出現(xiàn)了一種被稱為圖形處理單元（graphics processing unit -GPU）的新型芯片，它能夠滿足可視游戲中高密度的視覺以及并行需求，在這一過程中，每秒鐘都有上百萬像素被多次重新計算。這一過程需要一種專門的并行計算芯片，該芯片添加至電腦主板上，作為對其的補充。并行圖形芯片作用明顯，游戲可玩性也大幅上升。到2005年，GPU芯片產量頗高，其價格便降了下來。2009年，吳恩達（Andrew Ng）（譯者注：華裔計算機科學家）以及斯坦福大學的一個研究小組意識到，GPU芯片可以并行運行神經網絡。

這一發(fā)現(xiàn)開啟了神經網絡新的可能性，使得神經網絡能容納上億個節(jié)點間的連接。傳統(tǒng)的處理器需要數周才能計算出擁有1億節(jié)點的神經網的級聯(lián)可能性。而吳恩達發(fā)現(xiàn)，一個GPU集群在一天內就可完成同一任務?，F(xiàn)在，一些應用云計算的公司通常都會使用GPU來運行神經網絡，例如，F(xiàn)acebook會籍此技術來識別用戶照片中的好友，Netfilx也會依其來給5000萬訂閱用戶提供靠譜的推薦內容。

2. 大數據

每一種智能都需要被訓練。哪怕是天生能夠給事物分類的人腦，也仍然需要看過十幾個例子后才能夠區(qū)分貓和狗。人工思維則更是如此。即使是（國際象棋）程序編的最好的電腦，也得在至少對弈一千局之后才能有良好表現(xiàn)。人工智能獲得突破的部分原因在于，我們收集到來自全球的海量數據，以給人工智能提供了其所需的訓練。巨型數據庫、自動跟蹤（self-tracking）、網頁cookie、線上足跡、兆兆字節(jié)級存儲、數十年的搜索結果、維基百科以及整個數字世界都成了老師，是它們讓人工智能變得更加聰明。

3. 更優(yōu)的算法

20世紀50年代，數字神經網絡就被發(fā)明了出來，但計算機科學家花費了數十年來研究如何駕馭百萬乃至億級神經元之間那龐大到如天文數字一般的組合關系。這一過程的關鍵是要將神經網絡組織成為堆疊層（stacked layer）。一個相對來說比較簡單的任務就是人臉識別。當某神經網絡中的一組比特被發(fā)現(xiàn)能夠形成某種圖案——例如，一只眼睛的圖像——這一結果就會被向上轉移至該神經網絡的另一層以做進一步分析。接下來的這一層可能會將兩只眼睛拼在一起，將這一有意義的數據塊傳遞到層級結構的第三層，該層可以將眼睛和鼻子的圖像結合到一起（來進行分析）。識別一張人臉可能需要數百萬個這種節(jié)點（每個節(jié)點都會生成一個計算結果以供周圍節(jié)點使用），并需要堆疊高達15個層級。2006年，當時就職于多倫多大學的杰夫·辛頓（Geoff Hinton）對這一方法進行了一次關鍵改進，并將其稱之為“深度學習”。他能夠從數學層面上優(yōu)化每一層的結果從而使神經網絡在形成堆疊層時加快學習速度。數年后，當深度學習算法被移植到GPU集群中后，其速度有了顯著提高。僅靠深度學習的代碼并不足以能產生復雜的邏輯思維，但是它是包括IBM的沃森電腦、谷歌搜索引擎以及Facebook算法在內，當下所有人工智能產品的主要組成部分。

這一由并行計算、大數據和更深層次算法組成的完美風暴使得持續(xù)耕耘了60年的人工智能一鳴驚人。而這一聚合也表明，只要這些技術趨勢繼續(xù)下去——它們也沒有理由不延續(xù)——人工智能將精益求精。

隨著這一趨勢的持續(xù)，這種基于云技術的人工智能將愈發(fā)成為我們日常生活中不可分割的一部分。但天上沒有掉餡餅的事。云計算遵循收益遞增（increasing returns）[4]法則，這一法則有時也被稱為網絡效應（network effect），即隨著網絡發(fā)展壯大，網絡價值也會以更快的速度增加。網絡（規(guī)模）越大，對于新用戶的吸引力越強，這又讓網絡變得更大，又進一步增強了吸引力，如此往復。為人工智能服務的云技術也遵循這一法則。越多人使用人工智能產品，它就會變得越聰明；它變得越聰明，就有越多人來使用它；然后它變得更聰明，進一步就有更多人使用它。一旦有公司邁進了這個良性循環(huán)中，其規(guī)模會變大、發(fā)展會加快，以至于沒有任何新興對手能望其項背。因此，人工智能的未來將有兩到三家寡頭公司統(tǒng)治，它們會開發(fā)出大規(guī)?；谠萍夹g的多用途商業(yè)智能產品。

1997年，沃森電腦的前輩、IBM公司的深藍電腦在一場著名的人機大賽中擊敗了當時的國際象棋大師加里·卡斯帕羅夫（Garry Kasparov）。在電腦又贏了幾場比賽之后，人們基本上失去了對這類比賽的興趣。你可能會認為故事到此就結束了，但卡斯帕羅夫意識到，如果他也能像深藍一樣立即訪問包括以前所有棋局棋路變化在內的巨型數據庫的話，他在對弈中能表現(xiàn)得更好。如果這一數據庫工具對于人工智能設備來說是公平的話，為什么人類不能使用它呢？為了探究這一想法，卡斯帕羅夫率先提出了“人加機器”（man-plus-machine）比賽的概念，即用人工智能增強國際象棋選手水平，而非讓人與機器之間對抗。

這種比賽如今被稱為自由式國際象棋比賽，它有點兒像混合武術對抗賽，選手們可以使用任何他們想要用的作戰(zhàn)技巧。你可以單打獨斗；也可以接受你那裝有超級聰明的國際象棋軟件的電腦給出的幫助，你要做的僅僅是按照它的建議來移動棋子；或者你可以當一個卡斯帕羅夫所提倡的那種“半人半機”的選手。半人半機選手會聽取人工智能設備在其耳邊提出的棋路建議，但是也間或不會采用這些建議——頗似我們開車時候用的GPS導航一般。在接受任何模式選手參賽的2014年自由式國際象棋對抗錦標賽上，純人工智能的國際象棋引擎贏得了42場比賽，而半人半機選手則贏得了53場。當今世上最優(yōu)秀的國際象棋選手就是半人半機選手Intagrand，它是一個由多人以及數個不同國際象棋程序所組成的小組。

但最令人驚訝的是：人工智能的出現(xiàn)并未讓純人類的國際象棋棋手的水平下降。恰恰相反，廉價、超級智能的國際象棋軟件吸引了更多人來下國際象棋，比賽比以前增多了，棋手的水平也比以前上升了?，F(xiàn)在的國際象棋大師（譯者注：國際象棋界的一種等級）人數是深藍戰(zhàn)勝卡斯帕羅夫那時候的兩倍多?，F(xiàn)在的排名第一的人類國際象棋棋手馬格努斯·卡爾森（Magnus Carlsen）就曾接受人工智能的訓練，他被認為是所有人類國際象棋棋手中最接近電腦的棋手，同時也是有史以來積分最高的人類國際象棋大師。

如果人工智能能幫助人類成為更優(yōu)秀的國際象棋棋手，那么它也能幫助我們成為更為優(yōu)秀的飛行員、醫(yī)生、法官以及教師。大多數由人工智能完成的商業(yè)工作都將是有專門目的的工作，嚴格限制在智能軟件能做到的工作之內，比如，（人工智能產品）把某種語言翻譯成另一種語言，但卻不能翻譯成第三種語言。再比如，它們可以開車，但卻不能與人交談。或者是能回憶起YouTube上每個視頻的每個像素，卻無法預測你的日常工作。在未來十年，你與之直接或者間接互動的人工智能產品，有99%都將是高度專一、極為聰明的“專家”。

實際上，這并非真正的智能，至少不是我們細細想來的那種智能。的確，智能可能是一種傾向——尤其是如果我們眼中的智能意味著我們那特有的自我意識、一切我們所有的那種狂亂的自省循環(huán)以及凌亂的自我意識流的話。我們希望無人駕駛汽車能一心一意在路上行駛，而不是糾結于之前和車庫的爭吵。醫(yī)院中的綜合醫(yī)生“沃森”能專心工作，不要去想自己是不是應該專攻英語。隨著人工智能的發(fā)展，我們可能要設計出一些阻止它們擁有意識的方式——我們所宣稱的最優(yōu)質的人工智能服務將是無意識服務。

我們想要的不是智能，而是人工智慧。與一般的智能不同，智慧（產品）具有專心、可衡量、種類特定的特點。它也能夠以完全異于人類認知的方式來思考。這兒有一個關于非人類思考的一個很好的例子，今年三月在德克薩斯州奧斯汀舉行的西南偏南音樂節(jié)（South by Southwest festival）上，沃森電腦就上演了一幕厲害的絕技：IBM的研究員給沃森添加了由在線菜譜、美國農業(yè)部（USDA）出具的營養(yǎng)表以及讓飯菜更美味的味道研究報告組成的數據庫。憑借這些數據，沃森依靠味道配置資料和現(xiàn)有菜色模型創(chuàng)造出了新式的菜肴。其中一款由沃森創(chuàng)造出的受人追捧的菜肴是美味版本的“炸魚和炸薯條”（fish and chips），它是用酸橘汁腌魚和油炸芭蕉制成。在約克城高地的IBM實驗室里，我享用了這道菜，也吃了另一款由沃森創(chuàng)造出的美味菜肴：瑞士/泰式蘆筍乳蛋餅。味道挺不錯！

非人類的智能不是錯誤，而是一種特征。人工智能的主要優(yōu)點就是它們的“相異智能”（alien intelligence）。一種人工智能產品在思考食物方面與任何的大廚都不相同，這也能讓我們以不同的方式看待食物，或者是以不同的方式來考慮制造物料、衣服、金融衍生工具或是任意門類的科學和藝術。相較于人工智能的速度或者力量來說，它的相異性對我們更有價值。

實際上，人工智能將幫助我們更好地理解我們起初所說的智能的意思。過去，我們可能會說只有那種超級聰明的人工智能產品才能開車，或是在“危險邊緣”節(jié)目以及國際象棋大賽中戰(zhàn)勝人類。而一旦人工智能做到了那些事情，我們就會覺得這些成就明顯機械又刻板，并不能夠被稱為真正意義上的智能。人工智能的每次成功，都是在重新定義自己。

但我們不僅僅是在一直重新定義人工智能的意義——也是在重新定義人類的意義。過去60年間，機械加工復制了我們曾認為是人類所獨有的行為和才能，我們不得不改變關于人機之間區(qū)別的觀點。隨著我們發(fā)明出越來越多種類的人工智能產品，我們將不得不放棄更多被視為人類所獨有能力的觀點。在接下來的十年里——甚至，在接下來的一個世紀里——我們將處于一場曠日持久的身份危機（identity crisis）中，并不斷捫心自問人類的意義。在這之中最為諷刺的是，我們每日接觸的實用性人工智能產品所帶來的最大益處，不在于提高產能、擴充經濟或是帶來一種新的科研方式——盡管這些都會發(fā)生。人工智能的最大益處在于，它將幫助我們定義人類。我們需要人工智能來告訴我們，我們究竟是誰。

原文來自 Wired，作者 Kevin Kelly，標題 The Three Breakthroughs That Have Finally Unleashed AI>