2010年，喬布斯在蘋果的Iphone4發布會上喊出“再一次改變世界”，Iphone4作為第一款“智能手機”引領了移動互聯網的先聲。商業上的成功宣傳與技術上的飛躍進步再一次形成合力，帶動了變革。技術革新的深刻程度，往往有幾個判斷標準：商業成功、社會變革、法律沖擊、文化轉型。
相比較其他標準，商業成功可以在短期之內量化衡量，所以也最容易作出判斷。越是深刻的技術革新，越是會帶來除商業以外對其他領域影響的豐富想象。沒有哪一項技術像人工智能技術一樣，影響如此廣泛且深遠。
人工智能技術不再“錦衣夜行”
我們總是會高估技術的短期作用，而忽視技術的長期影響。人工智能技術從1956年萌芽開始，經歷了一個甲子。六十年的時間可以分為三段。第一個階段是人工智能學科初創的新興期。從1956年到1970年前，新興時期的第一個十年充滿了“技術樂觀”。人工智能學科的代表人物西蒙與明斯基曾在這十年間做出了四個著名的預言：第一，“數字計算機”十年之內就會戰勝國際象棋世界冠軍;第二，在三到八年時間里我們將得到一臺具有人類平均智能的機器;第三，二十年內機器將能完成人能做到的一切工作;第四，一代之內……創造人工智能的問題將獲得實質性解決。
現在看來，四個預言無一應驗成真。戰勝國際象棋世界冠軍也是20世紀最后十年中的事兒了。第二個階段是理論與技術逐步發展的沉寂期。進入20世紀七十年代之后，人工智能技術的發展遠沒有達到專家與社會的預期，理論與技術的發展也逐步陷入瓶頸，整個學科陷入迷茫。
1973年，英國發布了著名的《萊特希爾報告》，宣告人工智能領域“沒有得到有重大影響潛力的發現”，學科和行業隨之進入第一個“冬天”。日本曾經想通過第五代超級計算機計劃帶動整個行業的發展。試驗了十年最后也以失敗告終。人工智能領域的研究持續暗淡。
到了2005年，紐約時報的一篇報道，道出了一股心酸，“計算機科學家和軟件工程師避免使用人工智能一詞，因為怕被認為是在說夢話。”盡管社會關注度逐漸下降，但是前沿研究始終在累積著巨大能量。
從2010年前后開始，人工智能進入新的發展階段。深度學習、神經網絡、大數據是這個階段的關鍵詞。此次發展期持續到今，前后也不過十余年時間，但是獲得了空前的關注。人工智能技術在互聯網通訊技術、大數據、云計算的“加持”下，開始形成“技術合力”，不再“錦衣夜行”。
2018年被稱為人工智能技術規模應用的拐點，人工智能技術在諸多國家、各個領域都被大量運用，這背后離不開商業化運作的推手。每一年，在人工智能領域都有一個風光的“明星”，2016年，仿人機器人索菲亞首次吸引社會的關注;2017年，Alpha Go戰勝人類圍棋冠軍柯潔，摘得人類智力“最后的皇冠”在2018年，谷歌的Duplex還以假亂真地完成了美發店、餐館預約服務。“明星效應”疊加未來想象，越來越多的科技公司選擇了All in AI，AI也正隨處可見。
All in AI的三大效應
在前期所積累的大量研究成果基礎上，人工智能技術在2018年實現新的發展與爆發。例如生成對抗網絡(Generative Adversarial Nets)。這項在2014年開發出來的模型是近年來在復雜分布問題上進行無監督學習的新興技術，被認為是人工智能領域最具有前景的技術之一，主要運用在語音合成、人臉識別等領域，解決了以往需要依靠大數據訓練人工智能模型的效率以及合規等問題。
據說生成對抗網絡是在一場斗酒之后，由一位程序員敲打的幾百行代碼一氣呵成的。有時候，越是具有廣闊應用前景的重要技術，其誕生就越具有戲劇感。生成對抗網絡的誕生就頗有些生活化的浪漫。相似的，那些All in AI的公司也像極了認定目標奮勇前進的騎士。這種“浪漫與決絕”的態度形成了溢出、替代與巨頭三大效應，促進了當下人工智能的規模化應用。
溢出效應指的是技術會通過各種方式擴散，從而逐漸地適用于越來越多的領域。這種溢出效應可以是科技公司通過對外投資實現的內部技術轉移，也可以是商業對手在不同領域的技術競爭，更可以是算法代碼在研究層面上的一定程度共享。
一個典型的例子是，經由全球最早也是最頂級的圖像識別大賽——ImageNet的“普及”，深度學習算法成為了圖像識別領域的“標配”之一。2018年，類似ImageNet所采用的“技術普及”方式，遷移學習(同樣是機器學習的一種)正在改變著自然語言識別領域。
替代效應指的是人工智能替代了人力，人工智能產品替代了各類產品。一方面，替代效應表現在人工智能提升了原有社會中效率低的部分，改善了技術運用的效果;另一方面，替代效應還表現在人工智能改變了原有社會中的組織結構，改變了各類商業模式。效率提升的需求、商業模式創新的需求是從微觀而生的。
例如，規模化生產的制造業、養殖業都存在著利用智能機器人降低生產成本的需求。而一個比較熱門的微觀商業創新模式是，面對日益增長的中產階級理財需求，人工智能技術驅動的“機器人投顧”應運而生。
巨頭效應指的是：公司規模越大，掌握的核心技術越多，越能夠形成人才的集聚、技術的集聚、場景的集聚。巨頭效應之下，和行業中的其他公司相比，頭部公司擁有技術研發能力、商業創新能力等方面的優勢。
此外，對于人工智能技術的研發和運用來說，數據體量越大、應用場景越豐富的公司，人工智能技術的規模運用越容易實現。所以對于那些已經積累了大量數據、創設了豐富場景的公司，其先發優勢更加明顯。
AI in All的新預言
與之前不同，進入21世紀之后，伴隨此輪人工智能技術發展而廣為傳播的著名預言或多或少地反映了技術發展之下的人文隱憂。
《連線》雜志創始人和前主編凱文?凱利強調，未來20年，人工智能將會連接全球，樂觀之下也會帶來新的風險。《人類簡史》作者尤瓦爾?赫拉利認為，在未來，99%的人類將淪為無用階層，人工智能革命將成為個人價值的終結。而擁有技術背景的人工智能科學家的預測顯得更加樂觀：微軟副總裁沈向洋博士認為，從2018年往后看，五年之內，語音識別技術一定可以超過人;十年之內，機器視覺一定比人好。
“奇點理論”的發明光大者、預言家雷?庫茲韋爾更是大膽設想：超人工智能從多方努力中誕生，它將深深融入我們的文明基礎中，并被親密捆綁在我們的身體與大腦中，它會反映我們的價值，因為它就是我們。
回到現在，人工智能還遠遠沒有發展到能夠觸及“奇點”的地步。人類依靠著宣傳攻勢，打造了擁有智能的“挑戰者”。而真正超出人類智能的東西，是不會熱衷于向人類宣稱自己是擁有智能的。
凱文?凱利認為，現在的我們正身處人工智能的第一天，甚至在它的起步階段。人工智能始終在悄然進步和滲透，加速從實驗室走到了實踐中。AI in All依舊仍然需要遵循人工智能的技術路徑。
清華大學計算機系教授、中國科學院院士張鈸教授指出了目前人工智能存在的三個限制條件：第一，確定性任務;第二，完全的知識和信息;第三，封閉化、特定化的問題。簡單來說，目前的人工智能在處理限定性問題時的表現可能會優于人類;但是無法勝任開放性問題的解決。
他認為，人的智能是舉一反三，而機器是舉一百反一。從這個角度來說，只要走不出限制條件，真正的人工智能還“任重而道遠”。技術的發展正在打破這種藩籬限制。例如，機器學習需要用大數據訓練算法模型，訓練的效果取決于大數據的質量和數量。
所以有人認為大數據是人工智能發展的必要條件，缺乏大數據將會影響算法的有效性。而現在，以對抗生成網絡為代表的算法只需要小數據就可以實現自我學習。
2019年的人工智能需要什么
“人機對戰”這樣的主題總是能夠吸引大眾的眼光。過去的2018年，我們始終將目光放在機器“挑戰”人類帶來的恐慌和膜拜，但忽略了更本質的東西。當我們理解AI in All的時候，往往把范圍限定在產業領域。為了解決產業領域的人工智能問題，人工智能需要一群“公民數據科學家”，他們需要了解數據科學，了解人工智能的思維方式，是出色的研究人才，而當我們將范圍擴展到整個社會的時候，人工智能最本質的東西就開始浮現——基于人工智能的新社會結構。
這個結構需要一群“理性思考技術中性的思想領袖”去搭建，他們需要融匯技術和倫理，需要研究和發展經濟和法律理論，他們既是新秩序的構建者，又是技術異化的批判者，同時還是科技文明的布道者。
相似的故事在不同的時代都會發生。人類天生會對未知的事物產生無法控制的恐懼。19世紀，當機動車首次出現在倫敦街頭時，沿街的民眾一片嘩然。1865年，英國議會通過了《機動車法案》，立法規定汽車必須由三個人共同駕駛，且不得超過手舉紅旗之人的行走速度。很多評論家認為它限制了英國汽車業的發展，最終將發展機遇拱手讓給了美國。這部法案也被嘲笑為《紅旗法案》。
其實，限制了行業發展的，并不在于這部法律，而是其背后對于超出社會認知范圍的科技力量的恐懼。100多年后，無人駕駛汽車發生交通事故，第一次奪去無辜行人的生命。要解決這個問題，光有恐懼是不夠的，我們應該做的，是因應新的社會結構創設新的社會制度。
前人已經給我們提供了非常多的思想。有一些人類思想的引領者始終在拓展著人類和機器的邊界。例如艾倫?圖靈從理論上奠定了計算機與智能的基礎，打開了機器智能與人類互動的大門。也有科學家始終保持著理性與批判，例如美國科學家休伯特?的雷福斯反思《計算機不能做什么：人工智能的極限》。現在，歷史的方向盤交到我們手里，如何有效地利用前人的智力遺產，如何融合行業發展的現狀，考驗著我們的智慧。
Iphone4降世時，雖然號稱世界上首部智能手機(smart phone)，但是并不擁有嚴格意義上的智能(Intelligence)。而在人類工程師不到十年的辛勤開發之下，其智能程度不斷迭代提升。現如今，我對著最新款的Iphone說：嘿siri，你是不是人工智能時，它會回答：差不多吧。
京公網安備 11010502049343號