半岛彩票看到这个问题，让我想到采访斯坦福大学计算机科学系和电子工程系副教授、人工智能实验室主任吴恩达时他说过的一句话：“我认为人工智会为社会带来巨大的影响。我有时打比方，人工智能就是未来的电能。”我非常认同吴教授的说法，未来人工智能就会像水、电一样影响我们的生活，这不仅仅是一个媒体的噱头，而是我在接触人工智能后由内而发的感受。在万物互联和万物智能的时代，它将融入我们的生活，无所不在。今天我想和大家分享我在采访中见到人工智能在视觉领域给我们带来的积极影响。
我在英国采访到了牛津大学计算机科学教授菲利普•托尔教授，他带领的团队正致力于把计算机视觉的最新成果应用到一款特殊眼镜的开发中，让盲障人士借助机器的眼睛看到这个缤纷的世界，他们设计这款眼镜叫做“Smart Specs”。“Smart Specs”是一款头戴式计算器，它通过摄像头和携带式计算机来为用户生成图像轮廓。电脑能够自动识别 图像中的物体，就像下图中，电脑会感知到我的一举一动。
这款眼镜就是为那些被认为是盲人实际上还残留一点光感的人准备的，因为有很多的盲人被认为是看不见的人，但实际上他们可能还残存一点点的视力或者是光感，这样的眼镜就可以帮助这样的盲人看到世界。这款眼镜只需要盲人把眼镜的框架、也就是透明的显示屏戴在眼睛上。另外在身上背着一个小小的处理器，也就是电脑。盲人在独自行走的时候，可以启动这样的眼镜，看到物体或者移动物体的黑白的图像，以及很明显的边缘线。这是让很多人感到惊讶的东西，比如一个人朝你身边走来的人，或是一些路障。我们用明亮的线条来勾勒物体外观，因为盲人想知道这些物体在哪里，这些线条会帮助你识别物体的形状。在大多数情况下，当你走在路上，你最感兴趣的东西就是你面前的物体。我们通过3D摄像机或其他形式的物体检测系统来找到这些物体，然后以视障者们能够看到的方式来重现这些物体。其中一个重要的方法就是提高这些边缘线的亮度，大脑会自动脑补辨别这个物体。省略掉了背景的所有细节。
如下图，电脑会自动识别物体圈定一个区域，这个区域的边缘被提亮，然后再把这个图像展示到眼镜的显示屏上，这样视障者就能看清这个图像了。
对于这款眼镜的实际应用，我采访了有一位叫瑞德•赛尔的盲人，他患有视网膜色素异常症，他的视力大约相当于正常人的3%，感觉一直是通过一个钥匙孔在看雾气迷蒙的房间一样。“Smart Specs”眼镜的形状有点像取景器，只需要把它固定好头带，打开电脑，就能与外面的世界进行更亲密的接触。他可以给自己的女儿做早餐，而对于这位盲人来说，能再次看见女儿的脸，就是一件让人非常惊奇的事情，因为从她两三岁到现在她十七八岁，他都没有真正看清她们的脸。这样的经历让这位盲人十分的感动，也让他觉得自己的生活有了更多的独立性和尊严。这听起来很科幻，但这就是人工智能技术带来的现实。
人工智能听起来很遥远，其实已经渗透到我们的日常工作和生活中。在不远的未来，互联网、大数据、硬件的发展和软件的优化，乃至全社会的参与，人工智能将真正从实验室走进生活，它将成为改变我们生活的一部分。
第一种是具有特殊功能的机器人，能满足我们某些特殊需求。它们虽然没有意识、完全在人的控制之下，但也可以比较精准地完成很多任务。
在各种文学、影视、游戏作品中，有自主意识的机器人几乎也已经是科幻题材必备的存在了。
这样的想象就跟我们对外星人的想象一样，认为人工智能的外在形式会跟我们差不多。他们是各自有意识、有同样外形（头、躯干、四肢等）的个体。个体之间也会产生很多交互，从而也会存在社会属性。
这些机器人的意识里进化出了情感、有了喜怒哀乐，所以才发生了更多有意思的情节......但我觉得这纯粹都是为了故事创作所做的牵强附会。
人之所以成为现在这样，是进化而来的，人体的功能是为了更好地生存和繁衍才出现的。机器人如果有了自己制造（繁衍）的能力，何必还跟我们一样？
第三种想象到的形式，是没有实体存在，全世界的智能设备甚至联网的电子设备都是它的一部分。全世界的人都是无数个体，但全世界的智能设备都有同一个意识。
在守望先锋的基本设定里，就是人类和人工智能中枢（智械）爆发了毁灭性的战争。终结者讲述的也是人类对抗人工智能中枢（天网）的故事。这些故事里，人工智能中枢和个体都是存在的，一个是神的化身，另一个是人的化身。
）中，讲到的是很多科学家和学者，对人工智能的想象：以我们的认知，无法想象它的存在形式，但它也可能是全知全能的。
对人工智能来说，第二种（自主意识机器人）和第三种（自主意识的智能中枢）存在不太可能。最主要的原因是：人工智能是快速发展、指数升级的，不可能稳定在一个跟人差别不大的状态上。也就是说，要不就是人工智能为人服务，要不就是瞬间远超人的能力，成为了神的存在。
我们以为的人工智能发展阶段可能是这样（所谓强人工智能，就是智力水平跟人差不多的人工智能，就是拥有了自主意识，同时又不够「特别特别」聪明）：
我们根本就来不及，甚至说「配得上」跟人工智能对抗，就瞬间被超越了。这种超越，可能是很可怕的。想想看，黑猩猩的大脑只是比我们轻了那么点、皮层比我们小了那么些，在我们眼里，他们就是野蛮的动物，跟弱智一样。那有强大学习能力、在「大脑」进化中并没有「硬件限制」的人工智能，看我们也许就像看低几个维度的生命了。
说了这么多，我下面不想详细阐述强人工智能的不可能性，或者超人工智能的神奇/可怕未来，我想说的，正是可能很快会大大改变我们生活的——弱人工智能。
弱人工智能其实早已融入我们生活，而且正在潜移默化影响我们的生活。比较麻烦的是，大部分人都没有意识到这一点。在警惕着机器人、矩阵或者外星人的时候，我们都很可能全被弱人工智能所「统御」。这种统御并不是有意识的，而是无意识的。
第一，弱人工智能一般很少被大家认为是人工智能本身，而觉得只是人工智能的分支或者技术。这些技术知名之后，都不叫人工智能了，比如 Siri（语音识别&自然语言处理）和今日头条（个性化推荐）。前几天锤子发布会上演示的讯飞语音输入（语音识别）和 Big Bang 的功能（中文分词），也看起来不太像那么高级的人工智能，而只是比较先进的技术而已。人工智能这个词的发明者 John McCarthy 就说到，一样东西如果是人工智能实现的，那人们就不再叫他人工智能了。
第二，相较强人工智能和超人工智能来说，弱人工智能看似完全在掌控之中。同时，弱人工智能又没有自主意识，并不会刻意去改变什么预设之外的工作，只是在执行人类给它写好的代码、编好的逻辑。既然是这样，拆弹机器人就永远只会拆弹，不会做出炸弹来；纳米机器人就永远只会治病，不会制造生化武器。好像没什么可怕的。但事情真的是这样的吗？
下面我会讲到很多弱人工智能下，我们会遇到的一些麻烦。说麻烦可能是谦虚了，这些问题搞不好真的会影响到整个人类文明。
现在纸媒很快要被淘汰，手机成了真正人人必备的信息入口，而互联网则逐渐成了唯一的信息平台——这在人类历史上绝无仅有。在很多人眼里，我们看到的信息变得多了，我们变得更加自由，但从另一方面来说，我们想要的信息被垄断和控制也变得更容易了。
在惯常思维中，互联网应该是打破了信息垄断的，但为什么说现在的互联网又在变得垄断了？
康奈尔的计算机教授 Thorsten Joachims （巧的是，他也是人工智能学者）曾经做过一个实验，观察用户点击 Google 搜索结果的情况。其中第一条结果有 42% 的点击率，而第二条则是 8%。也就是说，不管剩下的结果怎么样，前两条结果已经占据了 50% 的注意力。
接着，他们互换了前两条的位置，结果变成了 34% 和 12%。这也就是说，不管结果本身是怎样的，用户仍然只关心最开始的那条。
百度、Google 这样的公司，正在牢牢把控着目前我们的信息入口（当然，未来入口可能是多样的，但也存在同样的问题）。虽然我们搜出来了
个结果或者 5000 个结果，有种世界尽在掌握的感觉，但实际上很遗憾的是，对绝大多数用户来说，不管是
说到这里，估计不用提示你也能想到在信息垄断方面，他们能做什么了吧。他们其实已经做了一些。百度今年某个事件，就是在知乎酝酿发酵的，而这个事件，恰恰就是百度利用了信息垄断来获利，在某些用户获取信息的过程中夹了私货（广告）导致的（
Google 也经常在这个方面出事情，比如 2011 年的非法医药广告（
（不管影响谷歌的搜索结果是不是真的，希拉里竞选团队的技术负责人的确是前谷歌的高管）
当你随手点击了一家看似不错的餐厅的外卖时，也许不会意识到他们是花了钱的、是被平台塞到前面的（
）；当你津津有味地阅读某个新闻客户端的推荐文章时，也估计不知道有些文章其实是软文或者公关文。
第二个要说的麻烦同样存在于看似更便捷和舒适的人工智能技术里——个性化推荐。
近几年随着机器学习的发展，个性化推荐愈发有效。我们能用新闻客户端看到更喜欢的资讯、能用音乐客户端听到更喜欢的歌。在这之前，我们都疲于从无数的资讯和歌曲中分辨哪些才是我们喜欢的。
就好像说，我们喜欢甜，就每顿饭只吃白砂糖？喜欢美女，就每天混迹于红灯区吗？如果只顾着享受快感，那么毒品就会是正确的选择。
当这些个性化推荐系统逐渐明白我们的喜好后，就会很精准地给我们最喜欢的，而且永远都是最喜欢的。
（协同过滤是最常见的个性化推荐算法，亚马逊、Facebook、今日头条、网易云音乐、豆瓣都采用了这种算法）
我们喜欢摇滚乐，系统搞明白后，我们就永远听不到其它的音乐风格了，并且会错失跟它们邂逅的机会。（就像我一个朋友说的，他在听了一个星期民谣以后，想听几首流行歌，在每天的推荐歌单里已经找不到了。）
我们喜欢小米手机，系统搞明白后，我们也就永远看不到其它手机的资讯了。我们会认为全世界都在议论小米，却意识不到在三四线城市，仍然是 vivo 和 OPPO 的天下。
过滤泡沫让我们只关心世界的一小块，而且是越来越窄的一小块。更可怕的是，由于我们自己并不清楚过滤泡沫的存在，所以我们也不知道自己不知道。
在未来各种互联网服务成为常态后，即使没有人去操纵，在个性化推荐的「协助」下，我们也会变得越来越狭隘。
我们订的推荐的外卖，都是一个口味的；我们喜欢的歌，都是一个类型的；我们看的新闻，都是关于某一些事情的；我们到淘宝买的排序在前的东西，都是一样风格的。
在《1984》里，电子屏无处不在。老大哥依靠这个监视着每个人。如今的城市里，公共场合摄像头也是无处不在的，虽然目的不是为了监视我们，但至少提供了监视我们的途径。
一、主动提供。既然要有个性化推荐，既然我们要享受其它各种大数据带来的福利，那么我们就要提供很多个人的信息和数据。你可能没注意很多软件注册时的声明，但在读下这些文字时，你估计已经默认同意过几十个甚至上百个产品的隐私协议了，这些协议确保他们能够合法获取你的各种信息和数据。（凯文·凯利在《必然》中说过，人们总会为了享受服务而放弃部分隐私。）
二、被动监视。智能设备在逐步变多，也就意味着摄像头、各种传感器和监视器都变得多了起来。当你家里布满各种各样的智能设备、或者你身上在用各种设备，并且它们都接入了互联网时，它们也就同时带来了泄露你各种隐私的风险。
三、间接收集。科技进步使得很多过去在档案里、在纸质手册里的很多信息得以电子化。我们在医院的病历数据，在公安局的登记数据，在学校的教育数据，在公司的工作数据，在银行的信用数据，原本只是在限定的时空里存储，现在则会存入联网的数据库。迟迟没有破案的白银连环杀人案，就是因为公安局的 DNA 检测能够联网匹配，在 Y-STR 数据库里发现了凶手的堂叔。
由于这些变化，我们的数据逐步变得完整。这些数据，迟早可以描述我们每个人（就像《黑镜》第 2 季第 1 集里所讲的那样，死者的社交信息已经可以重塑他本人了），并且实时、动态地「监视」我们每个人（
如果被政府滥用，那就是像《1984》里描述的那种场景。我们所见到的每个摄像头、每块屏幕都是监视器，我们所拨出的每个电话、发的每条消息都被窃听。
苹果的经典广告里，拿着锤子的女模特击碎了老大哥的屏幕。而现在，苹果变成了新的老大哥，拥有全世界无数用户的个人信息。好在他们暂时还没有向政府妥协。
除了提供给政府，还有种可能是数据库的泄露。这样的事情发生过不止一次两次了，经常有账号密码泄露，就有大量的用户隐私被传出，有些非常严重。
这世界上不会存在完美的安全措施。互联网的地下世界有着无数黑客，他们可以来去无踪地搞到这些数据（可以阅读
科幻短剧《黑镜》第 3 季第 3 集讲的就是主人公和其他几个人被人盗取了隐私数据，被抓住了把柄所以言听计从、毫无还手之力，结局凄惨。
（主人公收到的短信里，对方让他打开定位、保持开机状态，就能了解他的位置信息，从而威胁和操纵他。）
迟早有一天，我们每天的一举一动，都能够记录在案。我们买了什么、吃了什么、用了什么、看了什么......想成为老大哥的人只要技术到家，都会有办法都获取到。
除此之外，在某些人工智能技术足够成熟后，数据可能有更重要的意义。目前的数据也许只是个人用途，但未来的数据可能是社会性的，比如交通数据、金融数据或者军事数据。
万一这些数据被人窃取甚至操纵，那后果不堪设想。就像一个连环杀人案，凶手的 DNA 在数据库里被人修改掉，那无辜的人就可能被当做杀人犯；或者有的人病历数据被恶意改掉，结果医生开了对他来说可能会过敏致死的药......
未来的智能交通系统、医疗系统，在工厂里的各种智能机械......但凡是有杀人放火能力的，并且在依照我们设定的数据按部就班工作的智能系统，都有可能因为数据篡改而造成天灾人祸。
《黑镜》第 3 季第 6 集里，原本用来维持生态平衡的电子蜜蜂被人修改了智能模块的数据，变成了可怕的杀人凶器。
未来如果能在家里，能感受到在任何其它环境中相似的体验，那干嘛还要出门呢？佛教中有所谓五感（色声香味触），这些感知都能用先进的科技完成的话，我们是不是就省去了很多麻烦呢？
我们用 AR 的工具跟朋友聊天、谈笑风生，但其实跟你聊天的，会不会只是一个机器人？那些影像会不会只是制作出的 CG？
你在路上看到每个路标、行人或者远处的高山，会不会是全息投影出来的假象？你坐在火车里，以为是一直驶向北方的，但车窗会不会是投射虚假风景的电子屏、你其实绕路去了另外的地方？
随着 AR 技术的发展，我们也许都会戴上像 Google Glass 那样的工具（当然肯定没有它那么笨拙）。有可能就像一个隐形眼镜一样方便，戴上去就能看到更多智能系统提供的视听内容；甚至有可能会直接植入什么芯片和纳米设备。
如果是这样，我们以为只是增强了现实的 AR 技术，就有无数种方法来操纵我们、混淆我们了。
《黑镜》第 3 季第 5 集里的大兵，都植入了称为「Mass」的视听增强系统，用来辅助他们的军事行动。他们可以直接取用无人机的视角、看到系统发来的信息以及地图。同时，这个系统也可以屏蔽掉很多声音、改变看到的画面，制造出虚假的内容，用来误导和操纵大兵。
起初我们只是从个性化推荐中得到信息，决策还是我们自己做的。等到它们逐渐变得更加智能、更加优秀，我们就会直接听从它们的建议。
每天起床，我们会先听一下智能助理对日程的安排。洗漱的时候，智能助理会读给我们最恰当的新闻。我们会乘坐它推荐的交通工具。中午会去它说好的餐厅吃饭。傍晚，会直接下单买它说好的衣服和日用品。下班后，会经过他的提醒给家人打个电话，然后去它安排好的健身房锻炼。
为什么要听它的？因为你发现，它永远都能做出比你更准确、更理性、更完美的决策。因为它手里有你的各种数据，知道你的生活习惯、性格特点、身体状况甚至 DNA 序列。
如果说目前的个性化推荐，缩小了我们可选的范围、给了我们一些选项，最终决定还是我们自己做的话：
那么，等到智能助理真的可以安排我们的生活和工作后，我们自己做的部分就会被压缩：
如果说信息的错漏会导致我们做出不完善的推断和决策，让我们的决断变得片面和不完善，那么决策层面的错漏会直接影响到我们的生活。
这些错漏造成的原因，会跟刚才说的类似，有两种可能：系统的不完善；恶意篡改。暂且抛开系统的不完善，就说恶意篡改这个可能。
如果是现在的黑客攻破你的手机，大概最危险的就是偷点艳照或者盗取银行账号。但未来我们对智能系统言听计从的话，黑客修改了我们的智能系统，就会变得非常危险了。
我们非常信任智能系统，于是它买的食物我们不会仔细研究就会吃下去；我们非常信任智能系统，所以它导航的路、让我们去的地方，我们都不会怀疑。我们会变得容易操纵。
同样麻烦的是，我们在纵的同时，完全不会意识到这一点。我们都没有能力去追究智能助理背后的算法和数据究竟是不是对的。
智能助理未来不仅可以解决个人问题，也许还能解决更多社会性的问题。那就是下面要说的烦了。
如果人工智能真的可以根据各种数据和有效的算法来协助我们做政府、企业和组织的决策，那我们也会对智能系统产生依赖。毕竟很多复杂的问题交给一个两个人去做总是会有错漏，但足够强大的智能系统则看起来比较保险。
这样以来，人工智能的数据和算法一旦被人有心篡改，可能波及范围就变成了全世界。
不要以为这样的智能助理很遥远，作为认知计算系统的代表，IBM Watson 已经是应用层级的人工智能专家系统了。采用了大量人工智能技术的 Watson，目的不在于成为全能的机器人，而是成为协助人完成很多事务的专家。
在未来的某个时代，人工智能已经参与到人类方方面面的决策中。有一批水平高超的程序员，他们合伙攻破了各处的智能系统，并且篡改了其中的算法和数据，使得他们能够人为操纵人工智能提供的决策结果。由于他们始终没有暴露，全世界实际上是不知情的情况下成为了他们的游戏沙盘。
虽然不能直接发起战争，但间接的一些手段，比如给军队虚假的敌方数据，就可以误导他们尽快发起进攻。虽然不能直接杀掉某个人，但像上文提到的，只要误导他吃会过敏致死的食物也能间接除掉他。于是，他们开发出了一套可视化的系统，能够快捷地对世界上大到国际政局、小到某个人生活的事项施加影响。
本质上，把信息整理和过滤的环节让渡给了人工智能，我们就会有一些风险；再把思考和决策的环节也让渡给人工智能，我们就会有更大的风险。
全世界的所有资源，比如食物、能源，都在智能系统掌控的全自动化工厂下运行，也不需要我们的操心。社会在智能系统的安排下，变得井井有条。
我们会阅读最合适的读物、观看最合适的娱乐作品。衣食住行也都不用操心，全被安排得妥当。
到了适婚的年龄，智能系统会推荐最匹配的情侣，无论怎么算，我们的性格和其它个人条件都跟对方最搭。
智能系统知道怎样让每个人开心，他会定时定量地给我们一些刺激。有时候是直接吃药，有时候是看一段有趣的视频，有时候是推荐给我们几个好玩的朋友。
总之，每个人的一生都会高高兴兴地度过。根据智能系统的测算，这个时代的人类，在整个历史上都是最幸福的。
这样的未来并不是臆想出来的。在《必然》里，凯文·凯利提到，所有的集体智能和机器，都会融合为一个被他称为「Holos」的整体。这个整体，目前尚属不完美的阶段，以互联网的形态覆盖着 510 亿公顷的土地、触及 150 亿的机器，占据 40 亿人类的心智，消耗地球 5% 的电能。
不过，跟凯文·凯利乐观的预测不同（他认为未来我们会跟这样的人工智能生态形成良好的关系），我觉得一旦人类活动几乎都移交给人工智能来完成了，那很快人类也就丧失价值，成为被照顾、被抚养的对象了。
以上，就是弱人工智能可能制造的麻烦。这些麻烦，都不需要人工智能产生自主意识，也不需要人工智能比人类高超多少段位。所需要的，都是我们平时习以为常的语音识别、自然语言处理、图像识别、机器学习、工业机器人、专家系统等等。
但后者描述的那些黑色幽默，由于万物互联的网络、完善的大数据或者先进的人工智能引发的种种危机，却更有可能成为现实。
因对人工智能的真实研究进展存在困惑，梅兰妮·米切尔（Melanie Mitchell）创作了她的新书《人工智能：人类思维指南》（Artificial Intelligence: A Guide for Thinking Humans），在书中她写道，她想“了解事情的真实状态”。
得知她存在矛盾情绪可以让普通人松一口气，因为她本人就从事人工智能研究，作为波特兰州立大学的计算机科学教授，也是著名的多学科研究中心——圣达菲研究所科学委员会的联合主席。如果米切尔都对人工智能的立场感到困惑，那我们其他人对于人工智能的困惑甚至完全错误的理解就可以被原谅了。
正如米切尔所指出的，人工智能在很多领域都得到了成功应用。从这些角度来看，最近在机器视觉、语音识别、游戏和机器学习的其他方面的突破都预示着，在未来几十年内，人工智能可以比人类更好的完成很多种任务。有些人觉得这种前景非常美好；电脑可能会决定淘汰人类并将此付诸行动。
但也正如米切尔所论证的，即使是当今最先进的人工智能也存在关键的局限性。它们只擅长定义在局部范围内的任务，对外部世界一无所知。它们能发现数据的相关性，而不考虑其含义，因此其预测可能可靠性较低甚至会引发事故。它们没有任何常识。
米切尔写道：“我们要么取得了巨大的进展，要么几乎没有任何进展。我们与‘真正的’人工智能，要么触手可及，要么相隔世纪。”
这本书的启发性和其令人难忘之处正是在于米切尔说出了问题的解决之道。她对当今人工智能技术的耐心解释让我们觉得，真正的人工智能还很遥远。计算机不仅需要更好的大脑，可能也需要更好的身体。
图像识别、翻译和自动驾驶领域最新进展均以神经网络技术为核心，为此技术，米切尔撰写了一本思路清晰、通俗易懂的入门级读物。神经网络技术于20世纪50-60年代首次被应用到人工智能的构建中。然而由于当时技术条件的限制，神经网络的应用价值有限，应用前景灰暗，使其失去了学术界的关注。但在大约十年前，这种情况发生了改变，随着计算能力的进步，可通过被称为“深度学习”(deep learning)的数据密集型方法训练神经网络。
按照米切尔对神经网络的描述，你不需要了解复杂的数学——但她表明，数学大体上反映了神经网络的本质，阐释了其优势和缺陷。基于卷积计算的神经网络算法非常适用于图像内容识别。分析文本时常用的统计量是某单词在句子中出现的频率，卷积算法依赖计算能力将该统计量转化为复杂多维向量再处理。
令人印象深刻的是，为了减少对计算机的干扰，人们量化了许多层面的问题。同时，这些方法在诸如肿瘤检测，自动驾驶和过滤垃圾邮件等方面的应用效果显著。但是对强大计算能力的智能新应用并不一定能赋予人工智能与我们相当的智力。正如米切尔指出的，让卷积神经网络正常工作“需要很多人类的创造力”。机器学习系统本质上是在进行统计工作，认识到这一点，就不难理解为什么它们在处理数据时如此容易出现不准确、漏洞和其他缺陷。如果主要通过白人的图像训练神经网络系统，它就无法识别黑人的脸。一辆自动驾驶汽车无法识别粘有贴纸的停车标志，但人类依然能轻松识别，这也不足为奇。
幸运的是，这类问题引发了许多关于面部识别和自动决策技术所带来的社会影响的讨论，这些讨论取得了丰硕的成果。纽约大学数据新闻学副教授梅雷迪思·布鲁萨德（Meredith Broussard）在2018年出版的《人工非智能：计算机如何误解世界》（Artificial Unintelligence: How Computers Misunderstand the World）一书中指出，无论你是否称之为“人工智能”，“计算机仍应被作为好奇的人类的工具，且永远保持这个定位。”
米切尔并不是第一个指出机器学习系统弱点的人，同时她在批判性的论述中增加了一层含义，即计算机的最优性能也可能不如想象的强大。近年研究人员开发出了一套神经网络系统，并声称其在识别照片或视频中的物体时，已达到甚至超过了人类的表现。这个系统一经报道，就被作为人类无法回避承认人工智能优越性的案例。
米切尔指出，书中各类讨论都基于对ImageNet图片大数据库的一项测试。2017年，最佳计算机系统对ImageNet中的图片进行分类，计算机系统“前5位”识别准确率高达98%，据称超过了人类95%的识别准确率。
如何界定“前五位”？即在进行物体分类时，计算机给出的前五个猜测中包含至少一个正确。正如米切尔所写：“如果给定一个篮球的图像，机器依次输出‘槌球’、‘比基尼’、‘沃茨猪’、‘篮球’和‘移动货车’，则被认为是正确的。”可以理解为什么存在“前5位”度量：如果一个图片显示了不止一个对象，那么人们需要知道机器是否会对其中的任何一个对象进行检测。但这削弱了对极端技能的要求。米切尔表示，当机器将正确的分类放在首位时，最佳的top-1精度在2017年仅为82％。
至于说人类有95%的正确率，米切尔认为支持这一说法的数据是站不住脚的。在2015年发表的一个研究项目中，两个人尝试了ImageNet挑战的一部分。现任特斯拉公司（Tesla）人工智能主管安德烈·卡普希（Andrej Karpathy）投入更多时间挑战该任务，他将一组500张带有标签的图片作为他的“训练数据”，然后将1500个没有标签的图像分类。以前五名的准确度作为衡量标准，他错了百分之五。现在，这个数字这个数字代表了人类的识别准确率。
如果不是这个特殊的测试，他的错误率可能会更低。卡普希写道，他和另一名受试者所犯的错误中，约有四分之一不是因为他们对所看到的图片一无所知，而是因为他们不知道或不记得ImageNet中使用的某些确切标签。
凭借计算速度快和可不断重复运算的特点，在很多应用场景下都优先选择计算机进行图像识别。在某些情况下，它们肯定比人类更精确。但要说得更多就太过分了。米切尔写道：“物体识别还没有被人工智能‘解决’。
现在人工智能领域最热门的话题之一是如何让机器不仅检测数据中的统计相关性，而且在某种程度上理解它们正在处理的内容的含义。和米切尔一样，纽约大学的研究人员加里·马库斯和欧内斯特·戴维斯说，如果没有这样的改进，人工智能将不会是“安全、智能或可靠的”。在他们的新书《重新启动人工智能：建立我们可以信任的人工智能》（Rebooting A.I.: Building Artificial Intelligence We Can Trust）中，马库斯（Marcus）和戴维斯（Davis）说，由于人们“容易上当受骗”，人们误以为计算机比实际更加敏锐。
他们写道：“无论计算机实际遵循的规则多么简单，我们都不禁从认知的角度来思考机器(比如：‘它认为我删除了我的文件’)。”
为了增强机器的思考能力，许多研究人员正在重新研究原先用逻辑和常识对计算机进行编码的方法。以米切尔为例，她用类比的方式描述了如何让计算机进行推理。如果你想让电脑识别描绘“遛狗”的图像，当前最基本的方法是给它展示数千幅遛狗的图像，然后通过这些图像同的物体——狗、牵引绳、手等等令计算机产生信任，下一次再识别到同样的物体时触发正信号，即识别到的是遛狗的图片。然而，计算机也可能发现不同的遛狗情境。米切尔举了一些例子，比如一张有人骑自行车遛狗的照片，或是一只狗嘴里叼着另一只狗的牵引绳的照片。她的研究小组正试图让计算机理解后一种情况是典型情况的“延伸”版本。
那样的工作既辛苦又缓慢。即使它成功了——如果一台计算机能够在某种程度上理解“遛狗”可以有多种形式——如果机器从来没有亲自遇到过狗，这种理解会有多丰富？
当我6岁左右的时候，在我家附近的人行道上骑着自行车，停下来看了看（可能会掉下来的）一堆甜树胶树上的种子球。突然，有人打开街对面一所房子旁边的一扇门，从里面出来一条棕色的狗，它犹豫了一两秒钟，然后直接跳过来，咬住我，撕破了我灯芯绒裤子的处。这种记忆使我对人生经历的各个方面产生了深刻体会——惊讶、恐惧和痛苦的情绪，狗出现的不可预测性，甜胶籽球带有异国情调的怪异相比之下，计算机需要被告知“自食恶果”并不始终是一个习语，就显得太浅薄了。
哲学家和其他人工智能怀疑论者一直认为，一个盒子里没有实体的电子大脑只能学到这么多东西。许多人工智能研究人员把这种怀疑归咎于“某种残余的神秘主义”——正如认知科学家安迪·克拉克（Andy Clark）在1997年出版的《在那里：把大脑、身体和世界重新组合起来》（Being There: Putting Brain, Body, and World Together Again）一书中写的，一种“对灵魂般的精神本质的不科学信仰”。但是，当你考虑到只会爬行的婴儿能很快掌握基本概念，而数据中心的计算机需要大量的电力来理解一个东西时，智能需要实体的想法听起来相当不错。
米切尔似乎不情愿地主张起了怀疑论。她写道：“在与人工智能抗争多年后，我发现实体化理论越来越有说服力。”
那么，要怎样才能生产出一种能在世界范围内移动，且对自身行为、与之交互的人、动物和其他机器的行为具有一定见解的机器人？她写道：“我几乎无法想象，制造这种机器需要取得什么突破。”
如今，如果要去一个不熟悉的地方，很多人都会习以为常地打开地图，输入出发点和目的地，然后等着智能手机给出路线规划。甚至有些上班族会每天打开导航，通过实施路况信息，避免拥堵和临时施工，以此来保证通勤的通畅无阻。人工智能赋予了地图以灵活性，影响了我们的出行方式。
有些影响显而易见，有些影响却润物无声。工业场景或许就是那个看似有点遥远，或者不起眼，但正经历人工智能变革，并产生着巨大影响的地方。不如，容我抛砖引玉，探讨一下人工智能在工业场景的影响。
既然智能地图受到青睐，那么自动驾驶呢？大概还有许多人仍持有小心审慎的观望态度。
这样的情况不仅仅是取决于技术的成熟程度与否，更重要的问题在于发生错误的代价。
如果智能地图给出了错误的路线，那么，我们可能会在途中有所耽误。再不济，重新规划以纠正路线。但如果是自动驾驶造成的交通事故，特别严重的话，就不一定有纠正错误的机会了。
相比消费场景，人工智能在工业场景中的应用也是如此，错误的代价更高。一颗未拧紧的螺母有可能会导致一架飞机的坠毁。错误可能避无可避，那么避免代价高的错误则会是一种不错的选择。
- 单层全连接神经网络对手写数字（MNIST数据集）的识别率在98%左右。
神经网络是人工智能的一个重要分支，尤其在视觉检测方面有非常良好的应用。单层全连接神经网络识别MNIST数据集是视觉识别的入门案例。ImageNet竞赛曾一度是视觉识别的顶级赛事，代表了最先进的视觉识别水平。但仅从上述数据的正确率来看，该项技术似乎远远达不到应用于工业场景的要求。
不同于通常的视觉识别，产品的视觉检测不是多分类，而是仅分为两类，合格和不合格。除了正确分类外，不正确的分类又可以分为两类。一类是将合格品误判为不合格，称为误检。
另一类则是将不合格品判为合格，称为漏检。由于测量误差，合格与不合格的产品在临界值附近易相互掺杂。因此，误检与漏检如同跷跷板的两端，通常有此消彼长的趋势。
显然，在工业应用场景中，漏检比误检对最终交付客户的产品质量影响更为严重。即使出现了较高的误检率，也可以通过人工复检的方法，从而降低报废品，降低生产成本。
又由于自动检测能提高检测效率，从而匹配自动生产线的生产节拍；还能将原来的人工抽检转变成更高质量的全检；因此得到了广泛的应用。另外，通过增加检测项，改进检测方法等措施，自动检测的正确率正在不断提高。
从自动检测的应用实例中，我们或许可以思考如何接受人工智能带来的错误。我认为，错误是必然存在的。即使对质量要求十分苛刻的精益制造，也给出了百万分之一的容错率，并认为达到该标准的生产堪称完美。帮助人工智能避免严重的、不能被接受的错误，则离应用就又近了一步。
西门子就运用生成式对抗神经网络，帮助耐世特优化某核心产品部件的生产质量，显著提升良品率，使用效果也是显而易见的，不仅提高了生产效率，还降低了人员的劳动强度，将人力分配到更有价值的地方上。
零售业巨头沃尔玛曾将啤酒和纸尿裤放在毗邻的货架上。而且，两类货品的销售量双双上涨。这并不是沃尔玛的神来之笔，而是沃尔玛用人工智能分析历史销售数据后得到的结果：
试想一下，手忙脚乱的新手老爸前往超市为宝宝买纸尿裤，如果正好还能带上几罐啤酒犒劳一下自己，何乐而不为呢？当然，如果预测错误，是新手妈妈来买尿布，旁边货架上的啤酒也无伤大雅。
与消费场景相比，工业场景里能产生更海量的数据。例如，波音飞机上有发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态，这些数据通常几微秒就被测量和发送一次。在飞行状态下，仅发动机就能在30分钟产生10TB的数据量。很难想象依靠人力归纳数据之间的规律，更何况，可能是类似于啤酒和纸尿裤这样的隐含联系。
普华永道曾在2018年对全球1155家制造企业进行调研，并总结出人工智能在数据方面的难点，工业场景数据量巨大且难以标注，对垂直行业的知识专业度要求高。
所幸，我们并不缺乏既具备人工智能技术和垂直行业专业知识的团队，并将其成功地应用于过程行业的预测性维护。
通过使用西门子SIMATIC PCS 7过程控制系统、一体化软件平台COMOS和虚拟仿真平台SIMIT，青岛炼化不仅搜集了设备传感器地数据，还搜集了设备所处的生产环境信息，包括上下游工艺情况和整个工厂的运转负荷等。在此基础上，西门子人工智能技术帮助工厂进一步整合多种数据来源，综合分析成百上千个传感器之间的关联关系，借助机器学习算法克服人类难以完全穷举判断规则的难题。通过对工厂的历史数据进行模型训练，智能软件系统可以在实时数据出现异常变化时，实现比传统方式提前数小时甚至数天的预警，从而有效避免非计划性停车可能造成的数千万损失。
另一个应用实例来自华润电力。基于MindSphere的集中监视与分析专家系统，华润电力通过机器学习算法来深度分析传感器数据，对设备运行的当前数据与历史数据进行量化的特征学习和模式识别。又运用基于知识图谱的自然语言处理技术，将机组当前的运行状态与根据历史维护记录、专家经验等建立的知识库中的故障描述和分析进行语意关联，推断出可能的故障原因和解决方案。从而实现对分布在全国各地的电厂实现远程预警、分析、诊断、优化和调度。
人工智能不仅能代替人类部分的重复性工作，还能完成人类所不能完成的海量枚举，从而发现某种细枝末节的联系，并应用于预测性场景。
一直以来，人类智慧与人工智能之间总存在着一条界限，那就是创造力。但随着九歌写下了“赖有佳人意，依然似故年”的静夜之思，少女小冰在中央美校举办画展，创造力的评判标准也逐渐模糊了。
从九歌和少女小冰的创作过程来看，艺术领域的创造力从激发源作为起点，以接受者的直观感受作为最终评价。相比之下，工业场景中的设计环节则存在更多功能性的约束，比如装配、加工方法等。此外，工业设计还需要经历漫长的改进迭代过程，以实现各方面的优良性能。
产品轻量化是近几年来汽车行业的必然发展趋势和重要课题。有实验数据表明，汽车质量降低一半，燃料消耗也会降低将近一半。但降低汽车的整备质量必须以保证汽车的强度和安全性能的作为前提。
目前，应用人工智能的CAE (Computer Aided Engineering）软件能对现有产品进行智能化的拓扑优化，从而实现产品轻量化。在最新版本的NX软件中，西门子还推出了融合建模（convergent modeling）。融合建模能在单一的集成环境下同时处理网格化小面片（facet）、复杂连续曲面（surface）和实体（solid）模型，而不需要额外的数据转换。融合模型使轻量化优化迭代中CAD （Computer Aided Design）数据和CAE数据交换更顺畅，有利于轻量化的反复迭代。而人工智能的优化结果往往也不会令我们失望，不仅坚固轻巧，还会有意外的美观。
仍然是汽车应用场景。最近的疫情中，很多汽车行业能纷纷迅速地投入口罩生产中，有文章硬核科普谈到“一辆汽车所有零部件总和超过2万个，造点口罩算什么！”。可见汽车生产的复杂性。
虽然以前没有人工智能，厉害的工程师也设计出了相当厉害的汽车。那么，有了人工智能的帮助，造汽车能简单点吗？至少替工程师们保住些头发。当然可以。
最新的NX软件提供了自适应用户界面。自适应用户界面可以针对组织下的每一个人员来进行适合用户习惯的工作流程优化。自适应用户界面可根据用户当前的使用情景来预测用户下一步最有可能使用的命令并把它推送给用户。系统将把这些推荐的命令放在一个简洁的面板上以加速用户的设计流程。系统会根据不同用户使用NX的不同的习惯来进行推送，以保证用户的个性化需求。有经验的工程师甚至可以在团队中分享他们的工作流程给其他用户，使得其他用户可以更有效率的使用NX，并提升企业的NX应用最佳实践。通过企业最佳实践的建立来提升整个团队的生产力。
自适应用户界面还集成了3D搜索引擎，通过相似度，为工程师们找到历史数据库中的相似零件，并提供逆向工程学习，使无论来自于其他软件或是旧版NX软件的现有设计都能顺利地迁移至当前NX软件中。
CAM (Computer Aided Manufacturing）则是与生产结合最为紧密的设计环节，CAM直接作用于数控机床，其优良的加工参数设定需要平衡生产效率和产品表面光洁度，也需要平衡刀具寿命和机床负载，还能平衡制造企业的成本与质量的关键问题。西门子专家团队通过机器学习算法，自主学习不同切削参数下刀具寿命的模式，预测在实际生产状态下的刀具寿命最优值，避免了频繁更换刀具导致的生产效率降低和成本上升，也避免了刀具过度使用而影响产品质量或增加机床负载，甚至造成机床损坏的情况。目前已成功应用于一汽解放发动机事业部（锡柴），涉及其精加工工艺的数十种刀具。此外，NX软件的CAM模块还提供了基于特征的自动加工策略，为相同特征引用相同的加工策略。
西门子从CAD、CAM到CAE都在积极的嵌入人工智能技术，以助力工程师们更灵活地进行设计。即使在工业行业，人工智能的创造力也在协助人类智慧发挥着积极的作用。
在工业场景下，人工智能的实践将人们从重复性劳动中解放出来，投入更有价值的劳动中去。并在海量数据的基础上，为人们提供有价值的参考，为更多创造性的劳动，提供了有益的帮助。
“有一种形式的人工智能，我们所有人都可以从中受益，就是将人工智能集成到工业过程中，在工业规模上创造价值。”
本账号为西门子中国的官方知乎账号。西门子是全球领先的技术企业，创立于1847年，业务遍及全球200多个国家，专注于电气化、自动化和数字化领域。我们希望与你一同分享这些领域的知识与新科技，欢迎你的提问。此外，我们并不卖家电:)
西门子中国的每一位专家都是我们的智囊，你在这个账号可以阅读到来自西门子各个不同方向专家们的见解。请大家不要吝惜手里的“邀请”，让我们在分享同进步。
也欢迎大家关注我们的微博（ID：西门子）、微信 （ID：西门子中国）和B站（ID：西门子中国） ，更多的了解我们。
深度网络代表的这波人工智能风潮代表的是一种局部的演进，还是未来的一扇大门打开？
AI离真正的智能很遥远是因为它不能创造吗？ 是因为它只擅长形式逻辑？ 是因为它没有自我意识？
其实，我们连生物的智能都不了解。 现在，我们回顾一下神经科学和AI的历史， 从脑和智能的演进来看这个所谓的人工智能有多聪明。
要谈这个问题，我们就需要从智能说起，智能其实分为三个层次，对应丹内特对意识进化的三个分级： 达尔文式造物 ，斯金纳式造物， 波普尔式造物 。
智能的第一个层次是进化（达尔文式），而不是自我意识这些高端装逼的东西。智能的起点是学习，学习即对环境变化做出相应对策。整个生物进化过程，就是学习的过程。为什么呢? 你一个小小的细菌， 也可以对环境做出趋利避害的反应， 并且通过基因突变的方法有点盲目的适应环境，这其实就是用遍历法来选择针环境变化的最佳生存策略，然后通过遗传以及下一代继续试错，将某种策略强化。 阿法狗的策略网络也是类似的道理， 通过对可选策略集合的分析进行局部最优的调整。 细菌和十亿年的 的恶略环境下棋， 把对哪些化学物质该如何转化这个信息深深的埋藏在了它的DNA里， 因此才可以有如今如此从极地到大漠的如此伟大的适应性。 大自然的这种学习方式可以看做智能1.0版， 缺陷是速度慢和读取数据量小 。我们人类模仿进化的过程创造了进化选择算法， 作为人工智能一个非常基础的部分。
斯金纳式造物说的是生物自己能够自主的去学习而非被动的靠基因变异适应环境。这项伟大的创举背后就是大名鼎鼎的神经网络， 生物进化几十亿年的历史都是这种被动的适应环境， 直到神经网络的出现一切才悄悄发生变化。
神经网络的作用简单来看， 就是一个分类器， 它可以把外界刺激分成好的和坏的， 并且趋利避害。拥有这个分类器， 动物终于可以在自然环境面前主动做决策， 并且趋利避害。把狮子放在要躲避的那一堆， 异性放在要接近的那一堆对于动物的生存意义之重大不言而喻。 这个分类器最开始是储存一些先天的条件反射， 比如婴儿见到目前的就要吸。 而后来就出现了后天习得的条件反射， 比如著名的巴甫洛夫的狗，听到铃声就会分泌口水。没错， 后天形成的条件反射-就是学习的2.0版。
然而生物神经网络是如何实现这一调整的，却一直是个迷，直到1940年Hebb提出神经科学的牛顿定律-Hebbian learning rule， 人们开始了解神经网络是如何实现这一步骤。 Hebb说组成神经网络的神经元通过不停的调整之间的突触连接来改变对外界刺激的反应，这个变化法则就是同时放电的神经元连接加强（细节来看还与放电的顺序有关）。 这就使得被一起激活的神经元形成一个基团， 比如狗听到铃声以后被喂食， 那铃声这个刺激之前狗可能没有任何反应，而之后就被划分到午餐那一类， 从而形成对铃声的条件反射。阿尔法狗深度学习的基本原件人工神经网络也是一个人为敲定的分类器， 用于做决策。
人工神经网络的训练过程同样借鉴了生物神经网络的学习过程， 根据反馈调整神经元之间连接的权重关系， 来实现对外界信号分类方法的改变， 因此调整决策（reinforcement learning 强化学习）。
上图的神经网络， 就是一个基本的卷积网络， 把输入的值乘以一定权重在加在一起， 再通过一个非线性的阶梯函数， 转化为0（有害），1（有利）的输出， 即决策过程。
神经网络的分类功能， 把输入的信息（环境变化）分为有利和有害的进行决策， 环境的变化越复杂， 越体现神经网络可以任意的通过改变连接强度来调整决策“界面” 的优势, 而不需要用进化的方法上下一辈来适应环境（学习的重要性）。 当然这个学习过程需要大量数据的训练。
从第二种智能方式我们依然可以看到， 生物智能的方式是如何启发了人工智能。
智能的最高级形式波普尔造物， 对外部世界进行表征， 形成认知，信念和预期，则对应神经网络的更高级功能。
如果仔细思考， 我们会发现这些很多包含在阿法狗使用的深度网络里。 首先， 深度网络最擅长的是对事物进行抽象（深度学习）， 在最靠近输入的层次上， 每个细胞就如同数码相机CCD上的像素，之后的每一层次都比上级网络的感受野要大， 而最终得到的效果是最深层的神经元直接处理和图像的全貌相关的特征，比如照片上的人是谁。如果换到其他地方，就是从抽象或全局特征进行决策。
这个结构像极人类社会的结构， 越是高层， 越能把握和总控全局。深度网络上的“抽象概念”这个认知武器，使得阿尔法狗有对全盘棋的趋势进行判断的能力，可以迅速舍弃一些错误的方向，减少搜索的深度，即价值网络。 其实人脑所使用的算法和阿尔法狗差距没有那么大， 记得前些年有一篇著名的science文章说人类发现在高级脑区表现抽象概念-如人名的细胞，这是符合这种深度网络逐层抽象的概念。高级脑区正是对应人脑深层网络的最底层。
阿尔法狗能够战胜代表棋牌巅峰智慧的围棋冠军这件事最大的意义，也在于深度网络赋予了AI自主判断局势和形成策略，而不是靠之前的仅靠人为给定的策略遍历所有可能。或者说深度网络打开了波普尔造物的大门
当然，深度网络算法只是提取了生物神经网络的一个主要特征 ， 而几亿年进化结晶的人脑， 由于计算机能够提取并用于学习的数据量巨大， 使得它能够在学习了人脑的一个雕虫小技之后通过迭代学习迅速在某个特定任务上超越人类。
就上面这个简单的历史陈述我们发现，AI说到底是一种仿生，但是这种仿生无疑会改变我们生活的方方面面， 阿尔法狗的智慧是结合了古老的细菌智慧（策略网络）+高级哺乳动物的智慧（价值网络），可谓仿生物智慧杰作。
AI一定会逐步取代简单的人类劳动， 但是也会增加新的劳动出来， 比如AI设计， AI纠错 ， 以及如何利用AI做出以往实践不能的事， AI将使得人脑从简单劳动中解放， 可以爆发中不可预计的新产业。
2， AI没有意识， 无法预测，没有创造力， AI几乎永远无法与人类智能望其相背。
人类容易犯的错误之一， 就是用一些自己也无法严格定义的概念去套用机器。 “ 意识” “ 创造力”这些概念， 其实人类自身也不理解， 你站在人类的角度上， 去讨论ai有无意识这个问题， 是自己陷入了一个思维的陷阱。 因为究其根本， 我们对自己有没有意识这件事也没有一个掌控的时候， 整个这样的讨论流于空泛。 而对于这些概念的进一步掌握， 取决于神经科学的进步。虽然我比较怀疑很快强人工智能会出现， 但是即使出现， 它也不一定需要以我们人类能理解的方式产生意识， 达到目标。 说不定在另一个外星观测者看来， 我们也是无意识的， 意识不过是这个被称作“人”的东西所使用的多级神经网络里某个调节参数的辅助工具。
这也是犯了太骄傲的毛病。 因为你并不懂得人脑运算所采用的算法。 人脑这个东西， 即使是情感这些我们觉得很柔软的功能，背后也是以海量运算为背景的，而目前的科学论文证实的是， 在视皮层的运算， 很多与目前的深度网路运算是很接近的。 有的人说人是向前看的动物而机器只会向后看， 事实上呢， 人对未来的预测也来自于对过去数据的大量积累。
我们并无太多证据受AI是否和我们的大脑有着相类似的运转方式， 但是有一点肯定的是，AI的发展源自我们对自身的模仿， 而对AI的探究反过来正在帮助我们理解我们自身 ，这也是生命最终的意义。
