“AI”的局限性：人工智能改变未来，还有一个尚未突破的问题( 二 ) 全文共6211字

当今被称为“人工智能”的事物，在过去几十年一直被称为“机器学习” 。机器学习属于算法领域，包含了来自统计学、计算机科学和许多其他学科的思想，以开发处理数据、预测和支持决策制定的算法。
机器学习对世界的影响由来已久。早在上世纪90年代初，机器学习就已经很明显地发展成为具有巨大工业意义的产品。而在世纪之交，机器学习开始被具有前瞻性的公司所利用。
在整个公司（如亚马逊）内部，机器学习已经被应用于解决欺诈检测和供应链预测等关键任务的后端问题，并开发面向消费者的突破性服务，如推荐系统。在接下来的20年里，随着数据集和计算资源的快速增长，很快机器学习将不仅控制亚马逊，而且将几乎控制任何决策可以与大规模信息相关联的组织。
文章插图
科学家预测，新的商业模式会持续发展。 “数据科学”这一术语开始用于指代这一现象，表明机器学习算法方面的专家需要与数据库和分布式系统专家协作，以创建可伸缩、稳定的机器学习系统，用以表示生成的系统更广泛的社会和环境影响范围。
回顾历史， “人工智能”一词在20世纪50年代末被创造出来，指的是一种在软件和硬件上实现具有人类智能水平物体的强烈愿景。虽然已经有了相关的学术领域，如运能分析、统计、模式识别、信息论和控制理论，这些往往受到人类智能的影响，人工智能其实是一项学术事业。
这些领域的灵感来自于一种能力，例如，一只松鼠能够感知它所生活的森林的三维结构，并能在树枝间跳跃。 “人工智能”旨在专注于——人类高级的“推理”和“思考”或“认知”能力。
然而， 60年后，高层次的推理和思考仍然难以捉摸。现今在工程领域中被称为“人工智能”的技术主要着眼于低级模式的识别和调节运动，和统计领域——在集中识别数据和趋势后做出有根据的预测、测试假设和决定。
事实上， David Rumelhart在20世纪80年代初重新发现的流行“反向传播”算法（现在被认为是所谓的“人工智能革命”的基石），最早出现在20世纪50-60年代的控制理论领域。它的早期用途之一是在阿波罗飞船飞向月球时改进其推力。
文章插图
自20世纪60年代以来，人类科技已经取得了重大进步，但人工智能的发展并没有达到顶峰。相反，就像阿波罗宇宙飞船一样，这些和研究人员的独特技术问题相关的概念一直被隐藏在幕后。
虽然没有明确向公众、研究展示，但系统建设在文档检索、文本处理、垃圾邮件检测、推荐系统、自定义搜索、社会网络分析、准备、诊断和A/ B测试领域取得了巨大成功。这些创新也推动了一些公司的发展，如Google、Netflix、Facebook和亚马逊。
人们将这些统称为AI ，优化和统计研究人员一夜之间被贴上“人工智能研究人员”的标签，令人惊讶。但除此之外更严重的问题在于，使用这个模棱两可的特殊字母缩写，会妨碍人们对其涉及的知识和商业问题更为清晰的认知。
文章插图
过去二十年里，在工业和研究方面，人类对于人工智能的模仿（也被称为“信息增强”）取得了重大进展。计算和数据在这里被用来构建提高人类智能和创造力。搜索引擎可以被视为IA（增强人类记忆力和事实意识）和自然语言翻译（增强人类沟通能力）的示例，基于计算的声音和图像的生成是艺术家创造力的调色板和增强器。
尽管这些服务可能需要高级的逻辑和分析，但目前它们还没有——它们只是执行各种类型的字符串匹配和数字操作，以确定人类可使用的模式。
希望读者能接受最后一个缩写词来代替“人工智能” ，设想一个“智能基础设施”（II）学科，其中存在一个能够使人类环境更加友好、有趣和安全计算、数据和物理实体的网络。这类基础设施开始出现在交通、卫生、贸易和金融等领域，对个人和社区产生深远影响。
这些讨论常被冠以“物联网”之名，但这通常仅仅指示了互联网上的问题，而非关乎抽象层次更高、能够操纵数据流以发现相关环境信息和交流信息的更多问题。
在笔者看来，读者可以想象自己生活在一个“社会规模的医疗系统”中。该系统在医生和放置在人体内部或周围的设备之间创建数据流和数据分析流，从而使人工智能能够进行诊断并提供治疗。