EAI：不用太聪明，但却很实用

 目前关于人工智能的讨论，流行的是机器具备意识、机器通过图灵测试和机器理解猫脸概念等话题，这些并不一定有建设性，不能有效解决实际问题。受教式人工智能（EAI）则更强调应用智能，目的是让智能技术为产业服务。

 强人工智能遥遥无期

 人工智能目前基本分两种流派，即所谓的强人工智能和弱人工智能。强人工智能观点认为可以制造出与人同等智能的机器，而且这种机器拥有感觉、知觉以及自我意识，甚至具备自我发展和进化的能力。弱人工智能观点认为不可能制造出这样的智能系统。现实中制造的机器可能在某些方面看上去与人有同等的智能，但并不真正拥有智力，也没有自我意识。

 那么，究竟什么时候才可能出现达到人类智力水平的机器智能呢？2013年，一项针对数百名人工智能专家的调查结果显示，乐观预计年份中位数（10%的可能性）为2022年，现实预计年份中位数（50%的可能性）为2040年，保险猜测年份中位数（90%的可能性）为2075年。

 要达到人类水平的智能，机器还面临诸多制约因素。

 首先是领域限制。目前的人工智能主要使用数学工具，依据有限的规则处理有限的命令。公认的AI之父Marvin Minsky一直都不看好深度学习，认为它主要采用的是一种自下而上的思路，而这种模型并不完美，因为在很多情况下，潜在场景和参数的数量都是无限的，要想克服这一问题，唯一能做的就是限制AI的使用场景。

 其次是因果关系。目前最先进的AI技术建立在复杂的模型之上，可以借助海量的计算能力和数据来模拟相对较弱的模式和相互关系，但是却难以解决因果关系问题。以二战轰炸机为例，人们发现，从战火中返航的轰炸机的机翼部分中弹最密集，因此，就想当然地认为应该在这个部位加强装甲。但犹太数学家Abraham Wald却不这么认为，他觉得弹孔最稀疏的引擎部位才是要害之处。这是因为，被击中要害的飞机根本无法返航，进入统计样本。由此可见，计算机在进行数据分析时，不会像人那样具备抽象思维，所以无法揭示出其中的因果关系。

 第三个问题是，晶体管和神经元天生就不平等。认为计算能力就等同于智力，未免想得太过简单。虽然晶体管的处理速度已经远远超过了神经元（神经元在进行单个词汇判断任务时，速度不到每秒60比特），但信息提取效率却差得多。我们目前还没有彻底了解人脑的运作，在推理、抽象、概括、意识、做梦、记忆、想象、量子波方面，还有很多奥秘没有解开。复制我们尚未完全搞懂的东西远非易事，而且可能也不是探索AI的最佳途径。

 事实上，产业界并不关心智能强弱问题，而是关注应用，即通过相关技术使能的智能应用的体验和效果。华为希望，EAI可以成为实现这一目标的正确途径。

 EAI为具体任务而生

 EAI既可以理解为Educated Artificial Intelligence（受教式人工智能），也可以理解为Educated Application Intelligence（受教式应用智能），拥有应用限定、用户教育、自学习推理能力，以及智能进行判断等特点。EAI的目的不是再现人类的智能，而是帮助人更高效、更好地完成具体任务或任务集，在其中部分达到或超过人的智能。

 基于EAI理念的智能系统不会拥有意识，也不需要拥有同人一样的智能与智慧，这样的系统理解的语言是基于任务和场景的，其理解也只是通过能够完成具体任务来体现的。EAI具体表现为以下几个特点：

 应用限定的智能系统：根据此原理构建的智能系统服务于不同的应用，圆满完成各自应用的任务是每个系统的终极目标，系统的智能性全部体现在完成任务的能力上，而不是一般意义上的人工智能。比如，管家机器人和家教机器人分管不同工作，拥有各自应用所需的智能，因此也可以称之为受教式应用智能。 

 接受用户教育：智能系统可以接受用户教育，快速学习，适应环境。用户承担一定的教育责任，但系统也有自主性，正如老师和学生的关系，在某些方面学生也可能超越老师。教育（educate）不同于教诲（teach），不需要给出每一条规则，用户只有在必要时提供少量的指示，比如用户只需领着管家机器人行走一遍，就能让它识别整个家庭的格局，并知道未来工作环境中的注意事项。

 拥有一定的自学习和推理能力：在动态变化的环境中，基于用户教育，学习所需知识，矫正错误，从而具备完成任务所需的学习推理能力，比如，给用户进行推荐与提醒。

 人类的“智能”工具：受教式人工智能系统的目的是成为人类的工具，在特定的应用中提升用户体验，而不是部分再现人的能力。受教式人工智能也不同于传统的机械系统重复同样的工作，而是能在动态的环境中做出判断，比如，管家机器人通过温度传感器、位置传感器来感知室温、窗户的状态，并结合用户习惯和生活要求，决定是否调节室温，关闭窗户。而且由于有应用限定，可以大幅降低复杂任务中“智能误操作”的风险。

 许多应用系统可以通过EAI的理念构建，变得更加实用，更好地帮助用户解决问题，给用户带来巨大价值。

 智能管家机器人可以帮助用户管理好家庭，从事家居管理、日程管理、室内清洁、物品搬运、安全保障等工作，它还能在室内行走，识别室内的物体，与主人进行简单的对话和沟通。机器人基本功能在出厂时都已具备，但在使用过程中，由于接受不同用户的教育，从而形成不同的个性化系统。比如，主人引领机器人在室内行走，可以帮助机器人很快地了解家居的情况，主人介绍家庭成员，机器人可以很快知道家庭的构成，每个人的习惯、兴趣爱好等。

 旅行翻译系统是另外一个例子，这个系统是在智能手机上的一个应用，用户在国外旅行时，可以通过它的翻译与外国人进行自由的对话与交流。翻译系统在出厂时已具备基本的语音识别、机器翻译、语音合成的功能，但是它还缺少个性化定制。通用的语音识别、机器翻译可能都不完美，会出现错误，当用户发现识别或翻译错误时，可以反馈给系统，系统将直接记住正确结果，下次不会犯同样的错误，这样翻译系统性能会不断提升，真正成为用户贴心的翻译。

 机器学习与人工教育相辅相成

 EAI技术的基本特点是“机器学习加人工教育”，通过人工教育的方式最大程度降低甚至克服机器学习的困难，从应用的角度出发，加速系统的智能化提升进程。

 机器学习一般指统计学习，是基于数据构建概率统计模型，并运用模型对数据进行预测与分析的技术，包括监督学习、非监督学习、深度学习、强化学习、概率推理等。人工教育是指由用户通过实际指导给出知识、实例，当作机器学习输入，用于构建系统，帮助系统进行预测、判断。人工教育可以大幅加速学习特定场景的模型和参数，使机器学习快速收敛，系统快速适应到具体应用场景。这样一来，人类和机器各自的长处就可以被有效地结合。

 机器学习的最大优点是通过数据驱动的方式解决具体问题，拥有一套完整的理论体系，具有很强的鲁棒性和可扩展性；最大缺点则是它依赖于数据，数据中隐含的规律一定程度上能挖掘出来，但从实现智能的角度往往不够充分，特别是当数据缺乏的时候，机器学习就会变得无能为力。

 人工教育能让EAI很快地获得智能系统需要的知识（包括概念、规则）与实例。它的最大优点是“教育”的知识与实例具有很强的可读性，天然具备特定场景的“语义”，因为人可以很好地理解应用要求，直接对系统的行为做出一定指导。其缺点是人定义的知识不一定系统、无矛盾、无歧义，开发与维护知识的成本也会很高，更重要的是，人定义的知识往往没有足够的鲁棒性和可扩展性；人给出的实例会更加可靠，但是其覆盖面往往很窄，为了有效地学习可能需要提供大量的实例数据。

 目前机器学习中的很多技术都可以直接应用到EAI中，但EAI也有其独特的技术难点和挑战：

 如何保证人工教育和机器学习的交互和知识、信息传递的有效性？人工教育往往是通过一些演示或者指令，本质上传递的是确定的知识或者信息，需要能够与传统机器学习有效对接，用这些知识或信息增加系统的整体能力。

 如何保证应用中性能的单调提升？人工教育加机器学习的目标是给用户提供具体应用中的良好体验，要让用户感受到，教育和学习的过程中，系统的性能在不断上升，而没有下降。系统在自主地接受教育和进行学习过程中，这一点并不容易做到。

 如何通过人工教育简化学习过程？这里强调的并不是让机器学会学习的方法，而是如何能让机器通过简单的实例就能学习到指定的内容，达到One Shot Learning的效果。

 不过，随着相关技术的不断进步，这些挑战终将被逐一克服。人工智能可能永远无法实现与人类同等的智能，但作为智能工具的EAI，必然会大幅改善人们的生活水平，提升各行各业的生产效率。