科學創(chuàng)造了不可思議的現(xiàn)代文明。每次坐飛機，大部分人都驚嘆于這項讓人類在云端之上翱翔的技術。人類繪制了基因組圖譜，建立了超級計算機和互聯(lián)網(wǎng)，對彗星進行了探測，在粒子加速器中以接近光速的速度粉碎了原子，并把人送上了月球。我們是怎么做到的呢?
我們的大腦只有3磅，看看我們已經(jīng)取得的這些成就，這是相當了不起的?？茖W方法可能是人類有史以來最強大的想法，自啟蒙運動以來取得的進步簡直令人震驚。但我們現(xiàn)在正處于一個關鍵時刻，從氣候變化到宏觀經(jīng)濟問題，再到老年癡呆癥這許多的系統(tǒng)問題都極其復雜，很難掌握。我們能否解決這些挑戰(zhàn)，以及我們能以多快的速度實現(xiàn)，這兩個問題將影響數(shù)十億人未來的福祉，以及我們所將要生活的環(huán)境。
問題在于，這些挑戰(zhàn)如此復雜，以至于即便是世界頂尖的科學家、臨床醫(yī)生和工程師也難以掌握所有必要的復雜情況，而只有掌握了這些，問題才能取得突破。據(jù)說，達芬奇可能是最后一個能夠完全理解他們那個年代的知識范圍的人。從那時起，我們就開始了專門的研究。
今天，要完全掌握哪怕是一個領域，如天體物理學或量子力學，也需要一輩子的時間。我們現(xiàn)在想弄明白的系統(tǒng)是由大量的數(shù)據(jù)支撐的。這些數(shù)據(jù)通常是高度動態(tài)的、非線性的，并且具有突現(xiàn)的特性，因此很難找到結構和連接，從而揭示隱藏在其中的見解。開普勒和牛頓可以用方程式來描述地球上的行星和物體的運動，但是今天的問題很少可以簡化成簡單的一套簡潔的公式。這是當今時代最偉大的科學挑戰(zhàn)之一。
現(xiàn)代計算機時代的創(chuàng)始人艾倫·圖靈、約翰·馮·諾伊曼、克勞德·香農(nóng)，他們都明白信息理論的核心重要性，如今大部分人也都已經(jīng)意識到幾乎所有事情都可以用這種范式來思考或表達。這在生物信息學中是最明顯的，基因組實際上是一個巨大的信息編碼模式。相信有一天，信息會被視為基本的能源和物質。從本質上來說，智能可以被視為一個將非結構化信息轉化為有用和可操作的知識的過程。很多人愿意用盡一生為人工智能的科學愿景而努力鉆研，人工智能的愿景是人類可以人工合成、自動化和優(yōu)化這一過程，利用技術，把它作為工具幫助在那些對人類毫無幫助的領域獲得快速的新知識。
如今，人工智能已經(jīng)變得非常流行。然而，“人工智能”一詞的含義還要取決于語境。AlphaGo之父Demis Hassabis 與人聯(lián)合創(chuàng)辦的DeepMind公司采取的方法側重于學習和一般性的概念，目的是開發(fā)其所需要的人工智能。如果想要計算機去發(fā)現(xiàn)新的知識，那么必須讓他們有能力真正地為自己學習。他們研究出來的算法會直接從原始經(jīng)驗中進行學習，掌握規(guī)律，從而完成任務，這意味著他們所掌握的知識并不是抽象的符號，而是最終以某種形式的感官現(xiàn)實為基矗
他們進一步要求將這種算法一般化，因為相同的系統(tǒng)具有相同的參數(shù)，可以在廣泛的應用中都能表現(xiàn)出色。這兩項原則都是在DeepMind 2015年的自然雜志上展示的，在這篇論文中，一個單一的程序可以讓自己學會玩幾十個經(jīng)典的雅達利游戲，除了屏幕上的像素和跑步的得分外，并不需要其他的輸入。他們還將系統(tǒng)級別的神經(jīng)科學作為新算法和建筑理念的靈感來源。畢竟，大腦是唯一存在的證據(jù)能證明一種通用的基于經(jīng)驗的學習系統(tǒng)是可能的。這與許多前輩的做法完全不同。
這種差異有一個例子可以很好的進行解釋：那就是兩項在游戲領域取得世界第一的突破性項目:IBM的深藍（在1997年擊敗了國際象棋冠軍Garry Kasparov），以及他們最近的AlphaGo程序，去年在世界上最復雜的圍棋比賽中，擊敗了世界上最頂尖的選手之一。“深藍”使用的是所謂的“專家系統(tǒng)”方法：一組程序員與一些國際象棋大師們坐下來，明確地提煉并將他們的知識編寫成一套復雜的試探法。一臺強大的超級計算機隨后使用這些手工制作的規(guī)則來評估大量可能的變化，用蠻力計算出正確的移動方式。深藍對Kasparov的勝利是人工智能歷史上的一個重要里程碑。但它的勝利更多地證明了它的程序員和大師團隊的聰明才智，以及當代硬件的計算能力，而不是程序本身的內在智力。