人工智能正變得越來越普遍，幾乎每天都有關于人工智能新進展或新應用的報道。人類對它的想法有多少了解？我們又該如何努力去研究它？

我們今天所了解的人工智能中，大部分都遵循深度學習的規(guī)則，即向機器輸入一組數據以及想要的輸出結果，機器據此產生算法來解決問題。然后系統(tǒng)會重復這一過程，不斷學習。這被稱為神經網絡。使用這種方法來建立人工智能是非常必要的，因為計算機的編碼速度比人類要快。如果換作人類，可能需要用一輩子的時間來手工編碼。

麻省理工學院電子工程和計算機科學教授Tommi Jaakkola說：“如果你擁有一個小型神經網絡，你可能很容易就理解它。但是，一旦這個神經網絡擴大，直到擁有數千層，而每層可達到數千個單位，那么就不那么容易理解了。”

我們正處在人類與這些系統(tǒng)正面交鋒的時代。在人類信任機器之前，我們必須解決一個問題，即讓這些機器進行自我解讀。那么，我們用什么辦法來做到這一點呢？

1.逆轉算法。在圖像識別中，當計算機識別它所學習過的模式時，需要對機器進行編程運算，以生成或修改圖片。以《創(chuàng)世紀》一圖為例，它運用了谷歌Deep Dream技術進行圖片修改，人工智能參與其中，調整了圖像中一只狗的位置。由此，我們可以了解到對于人工智能來說，狗的形象是什么樣的。首先，它主要識別頭部（這是狗的主要特征）；其次，電腦的識別方式是將其定位到亞當（圖像左側）和上帝（圖像右側）的中間。總結一下就是，Deep Dream技術被運用于一幅描繪亞當誕生的圖像，人工智能被要求尋找狗并修改它的位置。

2.識別它所使用的數據。如此一來，人工智能接收指令，記錄學習摘要，并根據提示重點“復習”它此前使用過的文本。麻省理工學院臺達電子教授Regina Barzilay首先研發(fā)出這種理解方法，人類可以借此研究那些擅長在數據中尋找模式、并作出相應預測的人工智能系統(tǒng)。Carlos Guestrin是華盛頓大學的機器學習教授，他開發(fā)了一種類似的系統(tǒng)，該系統(tǒng)能夠選取數據并對自己的選擇作出簡單解釋。

3.監(jiān)控單個神經元。Uber人工智能研究室的機器學習研究員Jason Yosinski發(fā)明了這種方法，使用探測器來檢測哪一幅圖像可以刺激神經元。這讓我們可以通過推理發(fā)現人工智能最需要的是什么。然而，這些方法在很大程度上是無效的。正如Guestrin所說：“我們的終極夢想是讓人工智能與人類對話，并向人類解釋它的行為，而這一夢想尚未完全實現。想要擁有真正的可解讀式的人工智能，還有很長的路要走。”

了解這些系統(tǒng)的工作方式是很重要的，因為它們已經被應用于醫(yī)藥、汽車、金融和招聘等行業(yè)，而這些領域對我們的生活產生了根本性的影響。如果把這么艱巨的任務交給我們不了解的東西，那就太愚蠢了。當然前提是，人工智能是誠實的，也不會因為人類的行為或疏忽而受到影響。

試圖理解機人工智能的核心問題，其實是一件頗具緊張感的事情。如果我們能夠完美地預測人工智能行為，那么就可能會剝奪它們特有的自主智慧。我們必須記住一點，人類有時連自己作出的決定都無法理解，更不用說人工智能了。意識問題始終是一個謎，也正因為有這一謎題的存在，世界才更加有趣。

不過，Daniel Dennet也警告說，面對人工智能的“侵入”，我們需要自問：“人類對人工智能的要求是什么？對自己的要求又是什么？”那么，這些可能將很快掌控世界卻又不完全為人類所理解的機器，我們應該如何設計和研發(fā)它們呢？換句話說，人類要如何為這些改變世界的“神”編程？讓我們拭目以待。