[[167086]]

【51CTO快譯】關(guān)于AI驅(qū)動型未來的表述很多但內(nèi)容往往不夠嚴謹，恐怕在很長一段時間里我們?nèi)匀恍枰\用自己的頭腦處理問題。

人工智能——包括個人助理、機器人、自動駕駛汽車以及機器學(xué)習(xí)等等具體形式——近來火爆異常，甚至全面占據(jù)了硅谷座談、技術(shù)報道以及供應(yīng)商展會。

AI屬于那種每隔一段時間就會再度被提及的技術(shù)方向，但其對現(xiàn)實世界的滲透卻相當緩慢。我還記得早在上世紀八十年代就有不少AI方案出現(xiàn)，Jaron Lanier等技術(shù)支持者甚至還借此頻繁登上《Omni》雜志封面。

AI可謂眾多成熟技術(shù)的結(jié)合成果，但其實現(xiàn)方式仍然很不成熟。當然，我們不能將其單純描述為“皇帝的新衣”，更確切地講其應(yīng)該屬于“皇帝的內(nèi)衣”——仍有很多工作需要進行。

不過，眾多睿智的開發(fā)者與技術(shù)企業(yè)也在奮力推動其發(fā)展，希望能讓AI從科幻世界逐步過渡至現(xiàn)實領(lǐng)域。

機器人與AI分屬獨立學(xué)科

多年以來，通俗小說往往將機器人與人工智能混為一談——從《地球停轉(zhuǎn)之日》到《太空堡壘卡拉狄加》再到阿西莫夫著名的機器人三定律。然而，機器人與人工智能并不是一碼事——前者其實屬于按照人類指令處理任務(wù)的機械，其更可靠、速度更快且不會要求任何報酬或者福利。

機器人在制造業(yè)更為常見，目前也開始出現(xiàn)在醫(yī)院及藥房中，但卻很少涉及日常辦公及生活。

也許我們終有一天將見證機器人與人工智能的合并，但就目前來講這一目標還非常遙遠，其間AI只能在一定程度上幫助機器人更好地工作——而非像藝術(shù)作品中那樣讓其擁有所謂“自我意識”。

模式匹配得到高度關(guān)注，但復(fù)雜程度仍然很低

Amazon的產(chǎn)品推薦、Facebook內(nèi)容共享、蘋果Siri的語音識別以及谷歌地圖的行駛建議等都只能算是模式匹配，即AI范疇中最為基礎(chǔ)的層面。

憑借著強大的數(shù)據(jù)存儲與計算能力，如今各類系統(tǒng)可以存儲多種模式并借此做出判斷以采取行動。但必須承認，此類方案尚處于發(fā)展初期，特別是大家所熟悉的導(dǎo)航系統(tǒng)。其大多數(shù)情況下運作良好，但有時候還是會把用戶引導(dǎo)到雪地、停機坪、小道甚至是湖泊當中。

當然，它們已經(jīng)能夠起到一定作用。眾多用戶的反饋與使用使其工作效果越來越好，例如Siri現(xiàn)在就已經(jīng)能夠自動糾正語法錯誤、數(shù)量指定不明以及錯別字等干擾因素。

此類方案目前缺少的是上下文結(jié)合能力，例如通過用戶已經(jīng)購買或者拒絕的條目發(fā)布更有針對性的推薦。作為下一步發(fā)展方向，谷歌地圖應(yīng)該了解大家的飲食偏好，從而在出門之后直接結(jié)合用餐模式與口味給出出行建議。

自動更正也屬于此類情況下的實例。首先，有人應(yīng)當告知Siri如何區(qū)別“its”與“it’s”，同時解釋正確的語法變化。另外，其需要在規(guī)則基礎(chǔ)之上允許用戶根據(jù)個人習(xí)慣做出表達調(diào)整。

模式識別正乘機器學(xué)習(xí)的浪潮快速崛起

模式匹配還遠遠不夠，因為其要求各模式以預(yù)定義方式構(gòu)建。因此，模式識別方案開始出現(xiàn)，意味著軟件能夠自行發(fā)現(xiàn)新模式或者根據(jù)用戶行為變更現(xiàn)有模式。

當然，這絕非易事。模式識別要解決的問題極為復(fù)雜，特別現(xiàn)實世界中存在的眾多“意外狀況”，例如天氣與交通情況、設(shè)備故障乃至自動駕駛技術(shù)中極為重要的威脅因素判斷等等。

由于機器學(xué)習(xí)極難實現(xiàn)——特別是在高度定義化的工程技術(shù)領(lǐng)域之外——很明顯其發(fā)展速度將相當緩慢。

語音識別正是其中一個很好的例子——初代系統(tǒng)往往效果極差，但現(xiàn)在我們已經(jīng)擁有了Siri、Google Now以及Cortana等具備可用性的方案。它們有時候還是要犯錯，特別是在復(fù)雜的句式以及特殊的語言環(huán)境之下，但只要擁有足夠的背景提示，它們已經(jīng)能夠發(fā)揮作用。

不過狀況越是混亂，機器學(xué)習(xí)就越難起效，因為其很難將所有真實條件都納入考量。自動駕駛汽車就是其中一例——車輛能夠?qū)W習(xí)行駛模式與信號識別，但天氣、行人及非機動車等外部因素***混淆性，因此目前業(yè)界普遍認為短時間內(nèi)自動駕駛?cè)匀徊豢赡茏呦虺墒臁?o:p>

預(yù)測分析——機器學(xué)習(xí)的下一階段

多年以來，IT行業(yè)一直在強調(diào)預(yù)測分析這一概念——或者強調(diào)商務(wù)智能等與之同源的其它表現(xiàn)形式。這是一項偉大的概念，但仍然需要模式匹配、機器學(xué)習(xí)與洞察能力的全面配合。而洞察能力真正使其邁入了新的發(fā)展階段。

對于預(yù)測分析，其目前的水平只能接受現(xiàn)成的思路，但卻在努力理解并接受其它非常規(guī)模式及結(jié)果。但作為“智能”，這種定位本身就存在一定矛盾——人們希望其提供最適用的模式與路徑，而非自作主張地進行其它判斷，畢竟其僅僅作為工具而非決策者存在。

大多數(shù)輔助系統(tǒng)都會利用現(xiàn)有條件引導(dǎo)一條可行的途徑。預(yù)測系統(tǒng)會利用概率算法對結(jié)論進行排序，但真正的問題是如果其結(jié)論與大家的直觀認知相去過遠，那么用戶往往會拒絕根據(jù)其提示采取行動。

可以看到，我們還有很多任務(wù)需要完成，所以新的時代恐怕還會如滴水穿石般緩慢來臨。是的，人工智能必將崛起，但其具體過程則是漸進而難以察覺的。

原文鏈接：幕后真相：關(guān)于AI、機器學(xué)習(xí)與機器人

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】