曾經(jīng)，人工智能被人們視作未來科技。但如今，人們想要看到超越人工智能的未來。在如今物聯(lián)網(wǎng)、機器人、納米科技及機器學(xué)習(xí)逐漸發(fā)展和崛起的背景下，本文試圖解讀人們對人工智能在未來五年內(nèi)發(fā)展的看法。

　　一、概要

　　很顯然，在過去幾年間，人工智能給許多領(lǐng)域造成了非常大影響。不過，人們現(xiàn)在考慮的是，人工智能在未來五年內(nèi)會在哪些領(lǐng)域發(fā)展。筆者認(rèn)為，有必要（撰寫一篇文章）描述如今我們?nèi)缃窨吹降囊恍┌l(fā)展趨勢，并對關(guān)于機器學(xué)習(xí)領(lǐng)域未來的發(fā)展做出一些預(yù)測。如下提出的列表并不一定窮舉了所有的可能，讀者也無需奉之為圭臬。但它們源自于在考慮人工智能對我們世界影響時，筆者認(rèn)為有用的一些觀點。

　　二、關(guān)于人工智能的十三點預(yù)測

　　1.人工智能工作時需要的數(shù)據(jù)量會變得更少。諸如 Vicarious 或 Geometric Intelligence 這樣的公司，正在努力減少訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要的數(shù)據(jù)集的大小。訓(xùn)練人工智能使用的數(shù)據(jù)量如今被視為其發(fā)展的主要障礙，同時也是其最主要的競爭優(yōu)勢。同時，使用概率歸納模型（probabilisTIc inducTIon， Lake 等人提出， 2015）能夠解決這個在人工智能發(fā)展上的主要問題。某種不那么需要大量數(shù)據(jù)的算法，最終將會以豐富地方式學(xué)習(xí)、吸收并使用這個概念，無論是在行動上、想象上還是在探索中。

　　2.新的學(xué)習(xí)模型是關(guān)鍵要素。一種名為轉(zhuǎn)移學(xué)習(xí)（Transfer Learning）的技術(shù)能允許標(biāo)準(zhǔn)的強化學(xué)習(xí)（Reinforcement Learning）系統(tǒng)基于之前獲取的知識進行構(gòu)建——而這是人類能輕松完成的。它隸屬于增量學(xué)習(xí)（Incremental Learning）技術(shù)。而 MetaMind 則在研究多任務(wù)學(xué)習(xí)（MulTItask Learning）問題。在其中，同一個神經(jīng)網(wǎng)絡(luò)被用來解決不同類型的問題，且當(dāng)該神經(jīng)網(wǎng)絡(luò)能夠在一類問題上表現(xiàn)更好時，那么它也能在另一些問題上表現(xiàn)更好。MetaMind 的下一步發(fā)展，是引入動態(tài)神經(jīng)網(wǎng)絡(luò)（Dynamic Memory Network）的概念，它能夠回答特定問題，并能夠推斷一系列話語間的邏輯聯(lián)系。

　　3.人工智能會消除人類（認(rèn)知）偏差，并能讓我們變的更像“人造”的。人類的天性，將會因為人工智能而改變。Simon（1995）表示，人類不會作出完全理性的選擇，因為（做出）最優(yōu)化選擇代價高昂，還因為人腦計算能力有限（Lo， 2004）。人們常常做的是尋求滿意解，即挑選出至少是能使自己滿意的選擇。在生活中引入人工智能，或許會結(jié)束這樣的情況。當(dāng)（裝備了人工智能）人類不再受計算能力約束后，這終將會一勞永逸地回答，是認(rèn)知偏差真實存在并且是人類本能，還是這些行為只是在有限信息環(huán)境下或限制性情況下進行決策的捷徑。Lo（2004）認(rèn)為，人類（做決策時）的滿意點，是在一系列的進化嘗試和自然選擇的過程中形成的。在其中，個體基于過去數(shù)據(jù)和經(jīng)驗進行預(yù)測并做出選擇。他們根據(jù)接受的正／負(fù)反饋進行學(xué)習(xí)，并能夠啟發(fā)式的快速解決相關(guān)問題。但是，一旦環(huán)境改變，適應(yīng)過程則有些延遲和緩慢，而且一些老的習(xí)慣并不能適應(yīng)新的改變——這就造成了行為偏差。人工智能則會縮減這些延遲時間到 0，虛擬化的消除任何行為偏差。

　　此外，基于經(jīng)驗隨時間進行學(xué)習(xí)，人工智能成為新的變革工具：我們通常不評估所有的備選決策，因為我們不能想到所有決策（知識空間有限）。

　　4.人工智能會被愚弄。如今的人工智能遠非完美，同時也有很多人正專注于研究如何欺騙人工智能設(shè)備。最近一個被叫做對抗樣例（Adeversarial Examples； Papernot 等人， 2016； Kurakin 等人， 2016）算法被研發(fā)出來，它是首個能夠誤導(dǎo)計算機視覺的方法。智能圖像識別軟件會被經(jīng)過微妙處理的圖像所愚弄，該軟件會對這些圖像進行錯誤地分類。但有趣的是，這種方法卻不會欺騙人類。

　　5.人工智能的發(fā)展伴隨著風(fēng)險。主流的聲音認(rèn)為，人工智能正越來越成為人類潛在的災(zāi)難。當(dāng)一個超級人工智能系統(tǒng)（ASI， ArTIficial Super Intelligence）被造出的時候，也許它的智慧遠超過人類，甚至它能夠想到并做到我們今天不能預(yù)測的事情。盡管如此，我們認(rèn)為，在這些可怕的于人類存亡相關(guān)的威脅之外，還存在著不少和人工智能相關(guān)的風(fēng)險。我們對于超級人工智能會做什么、怎么做，這背后隱藏的風(fēng)險實際上都無法理解，無論它們會對人們造成正面的還是負(fù)面的影響。再之，在從狹義人工智能（Narrow Artifical Intelligence）向強人工智能乃至超級人工智能轉(zhuǎn)換的過程中，會產(chǎn)生一個內(nèi)在的責(zé)任風(fēng)險——誰會對可能出現(xiàn)的錯誤或者故障負(fù)責(zé)？更進一步，在究竟誰能主導(dǎo)人工智能、人工智能的能力應(yīng)該被如何使用的方面，也同樣存在著風(fēng)險。在這種情況下，我們確實覺得，人工智能應(yīng)當(dāng)作為一個工具（或是面向所有人的公眾服務(wù)）被使用，并預(yù)留一定程度的決策權(quán)給人類以幫助該系統(tǒng)處理罕見的意外情況。

　　6.真正的通用性人工智能很可能是一種集體智能（Collective Intelligence）。強人工智很有可能不會是一個具有強大決策功能的單一終端，而是一種集體智能。群體智能（Swarm or Collective Intelligence， Rosenberg， 2015；2016）可以被視作“一群大腦的大腦”。到目前為止，我們僅讓個體提供輸入值，然后我們以一種“平均情緒”的智能方式整合這些事后輸入。Rosenberg 稱，現(xiàn)存的實現(xiàn)人類集體智能的方法，甚至都不允許用戶之間互相影響。它們通常的處理方式，是只允許影響非同步出現(xiàn)——這會導(dǎo)致群體性偏差。另一方面，人工智能則會解決這樣的聯(lián)通缺陷，并且創(chuàng)建一個與其他物種非常相像的統(tǒng)一的集體智慧。自然中較好的例子來自于蜜蜂，它們進行決策的方式和人類神經(jīng)運作的方式非常相像。它們都是用了大量的可執(zhí)行單元，它們同步運行，能夠整合噪聲、權(quán)衡替代方案，并最后能夠形成特定的決策。Rosenberg 認(rèn)為，這個決策經(jīng)過在分布的可執(zhí)行單元和子群上的實時閉環(huán)競爭而最終形成。每一個子群都支持一個不同的選擇，而最后共識的達成不是經(jīng)過經(jīng)過類似“平均情緒”的方法由大眾決定，而是以一種“足夠激勵量”（Sufficient Quorum of Excitation， Rosenberg， 2015）的方式確定的。對于替代方案的抑制機制，由其他子群產(chǎn)生，能夠避免整體系統(tǒng)達到一個局部優(yōu)化決策。

　　7.人工智能會帶來無法預(yù)期的社會政治影響。人工智能首先帶來的社會經(jīng)濟方面的影響，是失業(yè)問題。盡管從一方面來說這是一個非?，F(xiàn)實的問題（當(dāng)然也在很多方面帶來了機會），我們認(rèn)為也應(yīng)當(dāng)從其他不同的方面來看這個問題。第一，工作機會是被完全地摧毀了，而是會變得不同。因為數(shù)據(jù)將能被個人而非企業(yè)直接獲取和分析，因而許多服務(wù)會逐步消失。并且，人工智能會使得知識分布趨于分散化。我們認(rèn)為在這場革命中更應(yīng)該關(guān)切的，是它帶來的雙重后果。首先，使用更聰明的（人工智能）系統(tǒng)后，在特定的領(lǐng)域內(nèi)，越來越多人將喪失它們的專業(yè)性。這預(yù)示著，人工智能軟件需要被設(shè)計整合一套雙重反饋系統(tǒng)，能夠整合人類和機器的處理方法。我們的第二點擔(dān)憂和之前提到的第一個風(fēng)險相關(guān)，我們擔(dān)心人類將淪為“機器技術(shù)員”。因為大家都認(rèn)為人工智能更擅長于解決問題，覺得它們很更可靠（，所以我們會更多地部署人工智能系統(tǒng)）。這種惡性循環(huán)將會讓我們變得更沒有創(chuàng)造力、失去獨創(chuàng)力、更不聰明，并會以指數(shù)地增加人機的差異。我們正體驗著這樣的系統(tǒng)，或是當(dāng)我們使用它時我們會更聰明，或是當(dāng)我們不使用它時我們會覺得糟糕。我們希望人工智能更傾向于變?yōu)榍罢撸皇菐硇碌?ldquo;智能手機效應(yīng)”——我們會完全地依賴于它。最后，這個世界正變得越來越對機器人友好，人類在其中也扮演著連接機器人的角色而與之對立。機器人（在社會中）正逐步起到主導(dǎo)作用，它們對人類的影響相比人類對他們的影響也越來越大，這也許會讓人類最終變?yōu)椋ㄉ鐣到y(tǒng)中的那個）“故障”。

　　而在地緣政治方面，我們則認(rèn)為人工智能會對全球化造成巨大的影響。有這樣的可能，由人工智能系統(tǒng)控制機器人運行的被優(yōu)化的工廠，其廠址最終會重新回到發(fā)達國家。因為（到那時）在新興國家建廠，會失去那些傳統(tǒng)的低成本的理由。我們不清楚，這是會平衡國家之間的差異，還是會增大發(fā)達國家和發(fā)展中國家間已經(jīng)存在的差異。

　　8.真正的人工智能應(yīng)該開始問“為什么”。到目前，大多機器學(xué)習(xí)系統(tǒng)都能夠在模式識別及輔助決策方面做的很好；并且因為大部分程序都被硬編碼了，所以它們?nèi)阅軌虮焕斫?。盡管我們已經(jīng)能讓人工智能闡明“是什么”和“如何做”，這已經(jīng)是一個不錯的成就，但人工智能仍未能夠理解事物背后的“為什么”。因此，我們需要設(shè)計一個通用算法，它能夠從物理上及精神上建立關(guān)于世界本質(zhì)的模型（Lake 等人， 2016）。

　　9.人工智能正在推進隱私保護問題和數(shù)據(jù)泄漏預(yù)防問題。人工智能將隱私問題提升到了一個新的等級。新的隱私保護方法應(yīng)當(dāng)被發(fā)明及采用，它們應(yīng)當(dāng)比簡單的安全多方計算法（SMPC）復(fù)雜得多，也應(yīng)該比同態(tài)加密法（homomorphic encryption）高效迅速。最近的研究表明，差分隱私（Differential Privacy）法能夠解決大部分我們?nèi)粘Ｓ龅降碾[私問題。不過已經(jīng)有不少公司走得更遠，如 Post-Quantum 公司——這是一家基于量子計算的網(wǎng)絡(luò)安全創(chuàng)業(yè)公司。

　　10.人工智能正在改變物聯(lián)網(wǎng)（設(shè)備）。人工智能（的發(fā)展）允許物聯(lián)網(wǎng)設(shè)備能被以完全分布式的架構(gòu)進行設(shè)計，在其中每一個節(jié)點都能夠進行自己的預(yù)算（也就所謂的邊界計算）。在傳統(tǒng)的中心化模型中，有一個被稱作是服務(wù)器／客戶端模型的問題。其中的每一臺設(shè)備都連接到云端服務(wù)器，并由云端服務(wù)器識別、驗證，這導(dǎo)致了非常昂貴的設(shè)備費用。但基于分布式方法設(shè)計的物聯(lián)網(wǎng)網(wǎng)絡(luò)或是傳統(tǒng)的點對點（Peer-to-Peer， P2P）架構(gòu)，則能夠解決這個問題、降低費用，并能夠避免因一個節(jié)點實效而造成整個系統(tǒng)損壞的問題。