在计算机科学中,人工智能(AI)有时被称为机器智能,是由机器展示的智能,与人类和动物展示的自然智能形成对比。通俗地说,“人工智能”一词用来描述模仿人类与其他人类思维相关联的“认知”功能的机器,如“学习”和“解决问题”。随着机器变得越来越有能力,被认为需要“智能”的任务通常会从人工智能的定义中删除,这种现象被称为人工智能效应。特斯勒定理(Tesler's Theorem)中的一句妙语说:“人工智能是尚未完成的事情。”例如,光学字符识别经常被排除在人工智能之外,已经成为一种常规技术。现代机器能力通常被归类为人工智能,包括成功理解人类语言, 在战略游戏系统(如象棋和围棋)中处于最高水平的竞争, 自主操作汽车、内容传递网络中的智能路由以及军事模拟。
人工智能可以分为三种不同类型的系统:分析型、人类启发型和人性化人工智能。 分析型人工智能只有与认知智能一致的特征;生成对世界的认知表示,并利用基于过去经验的学习来为未来的决策提供信息。人类启发的人工智能包含认知和情商的元素;除了认知因素之外,还要理解人类情感,并在决策中考虑它们。人性化人工智能显示了所有类型能力(即认知、情感和社会智能)的特征,能够自我意识,并在与他人的互动中自我意识。
人工智能(AI)本质上是一种工具
那么我们应该如何正确的看待人工智能(AI)?
AI 跟我们使用的锤子、汽车、电脑……都一样,其本质都是一种工具。
工具必须有人用才能发挥价值,如果他们独立存在是没有价值的,就想放在工具箱里的锤子一样,没有人挥舞它就没有任何价值。
虽然锤子、汽车、电脑、AI 都是工具。但是他们还是有差别的。
他们最核心的差别就是效能(更准确的说应该是杠杆率)。我们把上面几个工具的使用场景对比一下就能理解了:
锤子:
用过锤子的人都知道,为了钉一个钉子,大部分的力还是人出的。
锤子的使用场景中,人出了1份力,得到了2倍的回报。
汽车:
人类跑步20分钟达到的距离,汽车2分钟就能搞定!而且这个过程中人类不需要出太多力气。
汽车的使用场景中,人出了1份力,得到了10倍的回报。
电脑:
人类自己计算一些复杂的问题可能需要花1个月甚至更久的时间(还不一定正确),而电脑可能只需要1秒就完成了,并且精确无误!而人们使用电脑只需要敲几下键盘,点几下鼠标就可以了。
电脑的使用场景中,人出了1份力,得到了1,000,000倍的回报。
人工智能:
人工智能其实是超越了之前电脑的边界,以前电脑无法做的事情 AI 可以做了。所以从杠杆率上讲,人工智能和电脑是在一个量级上的,但是它能做的事情更多了,大大超越了传统电脑的能力范围,所以大家十分看好。
但是(凡是都有但是),AI 在很多很多场景和领域还是没有价值,很多能力甚至不如小学生。所以,目前 AI 的局限性依然很大!
所有人都应该知道的关于 AI 的3个重点
什么是人工智能?
开门见山的给出人人都能听懂的解释:
下面是书面语的版本,看着更严谨(装逼)一些:
人工智能(Artificial Intelligence,简称AI)是计算机科学下的一个分支。某些方面像人一样,AI 可以“看到”和“听到”环境的变化,同时可以根据环境的变化做出合理的判断和行动,从而实现某些目标。
下面就针对“环境感知”、“合理判断”和“实现目标”3个层面来详细对比一下普通的计算机程序和人工智能:
虽然上面的对比让 AI 看上去很强大,但是实际上并非如此,AI 在某些场景表现的很好,但是在某些场景表现的很不理想。
AI 并没有想象中强大,它也会犯低级错误
AI 的确具备了理解图片、视频和语音(非结构化数据)的能力,但并不代表这些能力已经很强大的。AI 经常犯一些低级错误,下面就是一个具体的案例:
左:摩托车的遮挡让 AI 把一只猴子误认为人类。中:自行车的遮挡让 AI 把猴子误认为人类,同时丛林背景导致 AI 将自行车把手误认为是鸟。右:吉他把猴子变成了人,而丛林把吉他变成了鸟
上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类,同时将吉他误认为鸟,大概是因为它认为人类比猴子更可能携带吉他,而鸟类比吉他更可能出现在附近的丛林中。
AI 对数据的依赖相当于人类对空气的依赖
目前(截止到2019年)是深度学习最流行的时代,深度学习在各个领域虽然表现出了很强大的能力,但是并不是人人都能玩转深度学习的,因为它需要海量的带标注的数据,这种条件不是人人都具备的。
简单的做一个类比,狮子的力量很强大,狗的力量相比较就弱小很多。虽然狮子的战斗力很强,但是狮子需要吃很多东西才能保持战斗力。而狗就不需要吃那么多的东西。如果不给狮子吃足够的东西,他可能会躺在地上完全丧失战斗力。
深度学习就类似狮子,想让他发挥出战斗力,就需要给他喂养大量的数据(相当于狮子的食物)。不然再出色的深度学习模型都无法发挥任何价值。
狮子对食物也是比较挑剔的,不是给他吃啥都行的,而深度学习更是如此!
数据是否有标注、数据是否“干净”、数据是否有多样性……都对深度学习的学习结果影响巨大!
总结一下的话:
像 Google 这种拥有海量数据的公司最容易在 AI 领域有较大的突破和优势,而一般的小公司很难跨越数据的门槛。