人工智能技術(shù)應早日走下神壇
隨著AlphaGo权纤、冷撲大師、OpenAI等AI機器人在游戲界陸續(xù)戰(zhàn)勝頂尖人類全手仆葡，人們對于人工智能的預期可謂越來越高逻悠，仿佛科幻電影講述的場景將很快在現(xiàn)實中出現(xiàn)。但是蚯窥，事實上自2015年AlphaGo一戰(zhàn)成名以來掸鹅，人工智能創(chuàng)業(yè)最大的問題一直是應用場景落地的問題，眾多巨頭投入巨資尋找的超級機器拦赠，到目前為止可以說是進展甚微巍沙。
解釋原因之前，讓我們先來看一下人工智能的定義荷鼠。根據(jù)著名的圖靈測試句携，一個系統(tǒng)是否具有智能性的判斷標準為：如果該系統(tǒng)的回答和反應與人類的無法區(qū)別時，則該系統(tǒng)是智能的允乐。這個定義的不足之處是用人類作為唯一測試標準矮嫉，而事實上很多生物體也是智能系統(tǒng)的范例，所以牍疏，圖靈所定義的智能并不嚴謹蠢笋。我們這里引用歐洲科學院院士克勞斯·邁因策爾對于智能的定義。
智能應是指通過技術(shù)或自然系統(tǒng)有效而自動地解決問題的程度或者等級鳞陨。如果一個系統(tǒng)能獨立而有效地解決問題昨寞，則它就是智能的。一個系統(tǒng)的智能度由系統(tǒng)的獨立性程度、問題的復雜程度以及解決問題過程的效率大小決定：智能度我們能夠測量编矾。
簡單來說熟史，克勞斯院士的定義指出智能應該是一種自動化的等級，度量標準就是智能度窄俏。引入了智能度的概念蹂匹，智能就可以不僅限于能夠模擬人的智能了，而是依據(jù)解決問題的復雜程度凹蜈、有效程度限寞、自動化程度來度量，比如動物界的蜜蜂也可以算是有智能的仰坦，只是它的智能度可能和其他的昆蟲差不多履植，再比如自動駕駛技術(shù)也是有智能的，因為它解決了駕駛汽車或者飛機這類問題的自動化和效率問題悄晃∶钓總結(jié)起來就是以下兩點：
- 智能只需要在某些方面比人強且自動化程度高就有應用價值。動物(和人類)的意識和感覺對于智能來說并非必需的妈橄。
- 智能不一定要有人類一樣的自我學習能力庶近，能獨立而有效地解決問題就算智能。比如很多生物實際上是靠遺傳變異進行進化的眷蚓，自身雖很強的學習能力鼻种，但是遺傳變異來獲得更高層面的學習能力。
現(xiàn)在回到我們開始拋出的那個問題上來沙热。人工智能已經(jīng)走上了神壇叉钥，高高在上不接地氣。不論是從概念的定義上篙贸，還是現(xiàn)實的案例上投队，都和現(xiàn)實脫鉤了，以致于沒有機器學習的人工智能統(tǒng)統(tǒng)不算人工智能爵川，不用神經(jīng)網(wǎng)絡的系統(tǒng)都不算是人工智能系統(tǒng)敷鸦，沾人工智能的邊的必須很黑科技，必須要打敗人類雁芙。請問計算機算不算人工智能？他很神秘嗎钞螟？人工智能不是也用計算機做出來的嗎兔甘？神經(jīng)網(wǎng)絡不就是用計算機模擬生物大腦中神經(jīng)元網(wǎng)絡嗎？所以現(xiàn)實中的神經(jīng)網(wǎng)絡對我們來說仍然是一個“黑匣子”鳞滨。就好比是你請了一個外星人來做事情洞焙，事情雖然辦了，但是互相之間誰也不理解誰。奈特(Knight)關(guān)于機器學習的核心提到了一個“黑暗的秘密”：“即使設計基于機器學習系統(tǒng)的工程師澡匪，可能也很難將任何單一行為的原因分離出來熔任。”唁情。如果自動駕駛車輛發(fā)生事故疑苔，誰負責？其道德和法律的挑戰(zhàn)是什么甸鸟？這一類問題都需要分析事故的原因來確定惦费。對于具有數(shù)百萬的元素和數(shù)十億的突觸連接的神經(jīng)網(wǎng)絡的復雜系統(tǒng)，由于每個元素的經(jīng)驗參數(shù)的數(shù)量如此之大抢韭，以至于無法確定局部原因薪贫。可以斷言刻恭，無法確定原因的系統(tǒng)瞧省，在涉及到生命、健康鳍贾、財富等關(guān)鍵領(lǐng)域鞍匾，是無法應用于現(xiàn)實的。
人工智能首先是一種想要有效解決問題的工程科學贾漏，這一點很清楚候学，它并不是為人類智能建模、模擬纵散，甚至取代人類智能的科學梳码。所以，我們在此呼吁：人工智能技術(shù)走下神壇伍掀，回歸工程技術(shù)本質(zhì)掰茶。技術(shù)永遠只是工具，人類才是主人蜜笤。讓人與機器合作回歸人工智能的主流應用場景才能夠打開局面濒蒋，使人工智能的應用落地！
如果人工智能走下神壇擁抱現(xiàn)實把兔，我們就可以更加理性和客觀的看待人工智能這項技術(shù)沪伙。首先，任何一個人工智能技術(shù)要想面向市場县好，我們需要從工程角度去評估它围橡，你的智能度是多少？在你解決的問題這個領(lǐng)域缕贡，你的能力是否高于人類翁授？你解決的問題有多大拣播？解決的可靠性是多少？你的成本是多少收擦？你的市場有多大贮配？使用的難易程度是否滿足要求？有沒有妥善的問題處理機制塞赂？通過客觀理性的分析泪勒，我想737 Max 8的飛機的防失速系統(tǒng)(MCAS)也就不至于設計成優(yōu)先于人的判斷。悲劇總是本可以避免减途，但因為人的認知問題而一再發(fā)生酣藻。
人機結(jié)合是人工智能應用場景落地的必然選擇
如果人工智能變成一個提高效率降低成本的工具，雖然看起來光環(huán)小了很多鳍置，但是辽剧，可落地的場景就一下子多了很多。
我們可以找出無數(shù)人機結(jié)合的成功案例税产。
在乳腺癌診斷領(lǐng)域怕轿，專家在轉(zhuǎn)移性淋巴癌的活檢切片圖像上判斷錯誤，就有可能導致致命的后果辟拷。一種深度學習網(wǎng)絡經(jīng)過訓練可以達到0.925的準確度撞羽，而人類專家在同一測試集上達到的準確度是0.966。機器的準確度雖然不及人類衫冻，但是把機器和人類的預測結(jié)合起來诀紊，準確度達到了0.995，近乎完美隅俘。由于機器和人類專家查看相同數(shù)據(jù)的方式不同邻奠，兩者相結(jié)合比單獨預測要好，這樣一來更多的生命得以被挽救为居。在未來碌宴，人類與機器將是合作而非競爭關(guān)系。
再舉個身邊的例子蒙畴。打斗地主的時候贰镣，很多平臺都會給你一個機器助手，它幫你記牌算牌膳凝，給你提供出牌建議碑隆，而且還可以幫你學習高手的策略升級自己的能力。
在無人駕駛車領(lǐng)域蹬音，實際也是一種人機結(jié)合的典型案例上煤，雖然機器的駕駛經(jīng)驗已經(jīng)遠超人類，但是駕駛室里面的方向盤祟绊、剎車楼入、油門將一直存在，人可以隨時干預或終止機器的操作牧抽。除非有一天法律上機器可以承擔責任嘉熊，在大多數(shù)領(lǐng)域，人機結(jié)合的模式都是人工智能最好的選擇扬舒。
