人机结合推动创新

 人工智能和人类智力究竟有何差异？AI可以达到人类的智力水平吗？

 只有弄清楚这些问题，我们才能更好地看待AI与人类的关系。

 信息时代已经终结，智能时代将获永生。

 20世纪90年代，国际象棋大师加里•卡斯帕罗夫（Garry Kasparov）输给了IBM超级计算机“深蓝”（Deep Blue）后，人们纷纷表示担忧：“AI会威胁人类生存吗？”“机器人会使人类失业吗？”AlphaGo战胜围棋高手李世石后，这种担心又浮出水面。

 但是，失败是成功之母，对卡斯帕罗夫来说的确如此。输给深蓝后，他开发了一个名为“Centaur Chess”的人机合作系统，由计算机来建议人类棋手走哪一步棋。该组合集人机的优势于一身，总是能够击败单纯由人类国际象棋大师，或是单纯由超高速计算机组成的团队。

机器与人类各有擅长

 计算机可以帮助人类避免失误，处理沉闷乏味的工作，识别人类难以察觉的、过于宏观或过于微观的趋势。不过，AI难以达到人类的智慧水平，计算机永远也无法取代人类。美国心理学家斯腾伯格的智力三元论就从三个方面展示了机器智力和人类智力的差异。

 分析性智力：主要应用于数学、逻辑和算法。机器拥有更高的分析性智力，反应速度比人快。老派的AI系统曾试图利用机器的这一特性。不过，虽然机器的逻辑算法优于人类，但机器的知识库始终都不完整。

 实用性智力：主要应用于理解现实世界中事物之间的关系。人类在网上（越来越多地是通过物联网）与其他人物、地点、事物互动时，机器就利用从中获取的事实和关系形成一个知识图。虽然分析性智力和实用性智力相结合可以创造强大的机器智能，但前提是，这些知识必须由人事先输入计算机。

 创造性智力：主要应用于人脑魔力的具体化。机器并不具备创造性智力。创造力指的是想到一些意想不到的东西，这些东西是无法事先打上标签或编程的。虽然机器可以通过某些途径模仿人类的创造力，但尚无证据证明，机器像人那样具有本能，可以利用已有知识形成新模式、新创意和新创新，进而解决新问题。

 不过，创造力并不仅仅局限于艺术，在日常生活中解决从未遇到过的问题也是一种创造力。一旦处于新环境中（例如在土路而非马路上开车），人类完全能识别新老环境之间的差异，但是，机器要么会被这种新环境搞瘫痪，要么就对新环境全然不知。人类则可以创造性地找到解决方案，利用自己的分析性智力和实用性智力预测结果，并识别可以用来执行该解决方案的资源。虽然机器可以完成后面几步，帮助人类更加迅速地找到解决方案，并降低人类的失误，但整个过程必须由人操控。 

人类决策必不可少

 在创造力、同理心、自我激励等方面，机器永远也赶不上人类。不过，机器擅于分析，而且已经开始慢慢读懂基础文本，并逐渐自动完成重复出现的任务。尽管如此，仅仅依靠机器决策可能会导致混乱和灾难，例如股票抛售、电网故障、种族主义肆虐等。因此，人类需要参与进来，发挥自身创造力，并对机器的行为施加一定程度的控制。虽然大多数人习惯在机器的帮助下选择看哪部电影、去哪家餐厅吃饭，但在自主驾驶汽车和致命武器的使用上仍然相对保守。由于每个场景都具有独特性，即便对规则进行了明确说明，人类的参与也是必要的，这样才能确保规则在某个特定场景中得到合理解读。

 与AI相结合后，人类智能将会更具价值。与人相比，机器不容易犯错，思考得更加深入，也更有耐心，可以帮助人类解决那些难以解决的个人、社会和商业问题。此外，AI可以生成海量的“what if”场景，模拟并分析各种结果，从而识别哪些情况对人类有利。机器的这些能力将激发人类的创造性，提高人类在生活和工作中的创新水平。

机器学习推动创新

 人类可以识别或简单或复杂的模式：既能识别植物、动物等一些基本形状，又能识别数学、语言、哲学中使用的更为抽象的符号。人脑可以本能地识别反复出现的形状、事件以及各种际遇的结果，并给它们“贴上标签”。这样一来，就能与他人分享我们积累的知识。

 如今，计算机算法已经在模拟人类的这种功能，这种技术称为机器学习。机器学习与大数据和数据挖掘有关。研究人员事先用数据集中包含的对象的名称（例如人物、地点、物品、事件、模式、对象的顺序）为数据集贴上标签，然后将这些标记的数据集输入算法中，分析数据的关联性、概率、模式以及有助于计算机感知这些标记对象存在的其他特征。我们将这一过程称为训练阶段，类似于家长和老师花很长时间向儿童展示各种样例，一遍遍教他们练习各种技能。

 目前，机器学习中采用了流行的“深度神经网络”技术，模拟人脑神经元的运作方式，在网络节点中发射脉冲，强化反复出现的路径。与人脑一样，深度神经网络技术使用单词或符号为这些强化后的路径打上标签，日后遇到类似的模式时，就能触发这些知识。

 机器学习可以模拟人类的学习方式，并简化AI系统的构造方式，给AI的研究带来了突破。在传统的AI系统中，必须将知识编入计算机可以执行的逻辑框架中。例如，对某个领域的专家（例如医生、律师、会计）进行访谈后，再将获取的知识编入专家系统中。遗憾的是，编程不仅耗费巨大人力，而且永无止境。有时，专家无法清晰地阐述他们掌握的知识，甚至不清楚自己具备哪些知识。这就导致专家系统要么大错特错（这是最坏的情况），要么不够完整（这是最好的情况）。

 机器也在使用机器学习技巧提高视觉和听觉。就老派的AI系统而言，数据的编码和输入都是人工完成的。人类充当传感器的角色，对现实世界的状态进行编码，然后输入机器的逻辑中。如今，借助计算机视觉和听觉技术，机器已经可以和人一样能看能听，视觉和听觉有时甚至比人类还要敏锐。与人类一样，机器也可以感知周遭环境，不断提高学习能力。

 机器学习之所以大获成功，是因为打上标签的数据出现了爆炸式增长。网络提供了很多途径，供人们上传自己的观点，给某些事物打上标签。如此一来，网络日后遇到类似数据时，就知道这些数据是什么了。现在，人们越来越多地在搜索引擎中进行语音查询，在社交网络上圈出家人和朋友的照片，将财务信息上传到在线会计服务机构，并在网上开展各种活动。因此，机器就可以进一步了解哪些东西对人类生活至关重要。

 人工智能已经诞生几十年，现在有了新变化。过去，人工智能技术只局限在单个计算机里；如今，数据和算法可以在网络中分布。这就创造了更加丰富的知识库，使更多人可以接触到人工智能。得益于数据、网络和云计算突飞猛进的发展，机器学习技术将在更多方面造福人类，推动人类在极致创新时代获得更大的进步。