加载中...请稍后..

人工智能将引领人类第四次工业革命

发布日期:
2018-10-30
浏览量:
69754


人工智能将引领人类第四次工业革命 
           ---
人工智能将是蒸汽革命、规模化生产革命以及电子革命之后的第四次工业革命。 
    
李世石与Google AlphaGo的人机大战,让已有60年发展历史的人工智能瞬间就到了爆发的前夜。调查显示,赛前99.99%的棋界人士、83%的中国棋迷认为李世石会胜利;77%的人工智能专家认为AlphaGo会胜利。但在五番棋对决后,4∶1的赛果让AlphaGo赢得了碾压式胜利,彻底引爆了人们对人工智能的兴趣。事实上在AlphaGo大战李世石之前,人工智能已经开始加速影响全人类的生活。第四次工业革命,就将以人工智能为基础。 

1.jpg
    
人类早在1956年就提出的人工智能技术将成为第四次工业革命的主导技术,人工智能领域正汇集了全球最聪明的人和最具创新力的企业。世界经济论坛创始人兼执行主席克劳斯•施瓦布(Klaus Schwab)指出第四次工业革命正在颠覆几乎所有国家的所有行业,从人类历史的角度来看,其蕴含的希望和潜在的危险超过以往任何时候。即将迎来的这场技术革命将彻底改变我们生活、工作和社交的方式。无论从其规模、影响范围还是复杂性来看,这场转型都将和人类以往经历的任何一次工业革命截然不同。哈佛大学经济史学家尼尔•弗格森在论坛上指出,第四次工业革命的独特之处在于,它的发展不再是以线性速度,而是呈几何级增长,它不仅将改变人类的行为方式,还会改变人类本身。 
    
按照施瓦布的定义,第四次工业革命的主要特征是各项技术的融合,以移动互联网、云技术、大数据、新能源、机器人及人工智能技术为代表,并将日益消除物理世界、数字世界和生物世界之间的界限。从智能机器人到无人机,从3D打印机到无人驾驶汽车,从虚拟现实技术到物联网,以人工智能、机器人技术以及纳米技术为代表的新一轮技术的应用已经在日常生活中无处不在,这些技术汇集在一起,将会打开一个全新的时代。 

2.jpg
    
新技术革命也会带来相应的众多风险和挑战。越来越多的新技术应用,将导致就业市场日渐分化,出现“低技能、低收入”和“高技能、高收入”两个极端,进而加剧社会关系的紧张。 
    
世界经济论坛发表的《职业的未来》报告指出,到2020年,科技发展将导致15个主要发达和新兴经济体净损失逾700万个工作岗位,女性受到的影响将会更大。其中受最大影响的可能是对那些原本自认为不会受到影响的中等技术人群,例如客户服务等,他们将有可能被人工智能技术所取代。有专家估计,美国约45%的就业岗位将受到自动化技术的影响。新技术革命也会创造210万个工作岗位。这些岗位主要集中在更为专业的领域,例如计算机、数学、建筑以及工程等。 
    
高水平的自动化和互联功能将在发达经济体和发展中经济体之间制造新的财富差距。瑞银集团在此次论坛上发布的白皮书指出,第四次工业革命有可能削弱新兴市场廉价劳动力的优势,发展中经济体将面临更大挑战,如果不采取适当的政策,这次工业革命将加剧不平等。 
    
美国白宫经济顾问委员会一份最新报告预测,人工智能取代时薪低于20美元以下岗位的几率为83%,取代时薪介于20美元至40美元之间岗位的几率为31%,取代时薪超过40美元岗位的几率仅为4%。英国中央银行英格兰银行首席经济学家安迪•霍尔丹去年年底预测人工智能可能在美国和英国分别取代8000万和1500万个工作岗位。 
    
市场研究公司国际数据公司(IDC)在《全球商用机器人消费指南》上发布预测报告称全球机器人行业及相关服务市场规模年复合增长率达17%,2019年行业规模将达到1354亿美元。而2015年机器人行业规模为710亿美元。目前以机器人为表现形式的人工智能在技术上已经达到了爆发的临界点。人工智能体现的功能不断丰富,研发的投入不断扩大,在加速行业竞争的同时也降低了自身成本。 
    
人工智能是未来制造业创新的核心技术之一。相比于此前在汽车行业的广泛应用,今后人工智能将广泛应用于电子、零售、医疗、物流、服务、教育以及政府部门等诸多行业。而用工成本不断增加、熟练劳动力相对短缺、人工智能系统成本下降和可靠性提升以及国家层面的政策扶持是驱动人工智能普及的重要推手。 
    
从技术角度分析,包括电子机器人、工业机器人以及服务机器人在内的全球机器智能系统消费将于2019年增长至320亿美元。而机器智能相关服务行业,包括程序管理、教育培训、硬件安装、系统集成和服务咨询在内的诸多市场规模将于2019年超过320亿美元,其将超过机器智能系统本身成为未来增长最快的行业。与此同时,机器智能系统软硬件支持(服务器、存储器、控制系统、网络架构以及机器人应用程序)的市场规模也将获得同速增长。 
    
中国工业和信息化部制定的智能制造工作实施方案(2016-2020)指出,2020年我国工业机器人年销量将达到15万台,保有量达到80万台;到“十三五”末,我国人工智能在机器人产业集群产值有望突破千亿元。在政府主管部门的引导推动下,我国资金、资源向智能制造领域加速汇聚,未来人工智能将是长期大主题。 
    
一、关于人工智能 
    
人工智能(AI)经常被当作科幻,但是近来很多媒体严肃的讨论这个问题,这其中的原因是: 
    
首先人们总是把人工智能和电影想到一起。星球大战、终结者、2001:太空漫游等等。电影是虚构的,那些电影角色也是虚构的,所以人们总是觉得人工智能缺乏真实感。其次人工智能是个很宽泛的话题。从手机上的计算器到无人驾驶汽车,到未来可能改变世界的重大变革,人工智能可以用来描述很多事物,所以人们会有疑惑。关于人工智能不要一提到人工智能就想着机器人。机器人只是人工智能的容器,机器人有时候是人形,有时候不是,但是人工智能自身只是机器人体内的电脑。人工智能是大脑的话,机器人就是身体——而且这个身体不一定是必需的。比如说Siri背后的软件和数据是人工智能,Siri说话的声音是这个人工智能的人格化体现,但是Siri本身并没有机器人这个组成部分。 
    
其次,关于媒体经常提到的“奇点”或者“技术奇点”这种说法。这种说法在数学上用来描述类似渐进的情况,这种情况下通常的规律就不适用了。这种说法同样被用在物理上来描述无限小的高密度黑洞,同样是通常的规律不适用的情况。Google技术总监Kurzweil则把奇点定义为加速回报定律达到了极限,技术进步以近乎无限的速度发展,而奇点之后我们将在一个完全不同的世界生活的。最后,人工智能的概念很宽,所以人工智能也分很多种,按照人工智能的实力将其分成三大类。 
    
弱人工智能Artificial Narrow Intelligence (ANI) 
    
弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军卡斯帕罗夫的人工智能IBM,有战胜李世石的人工智能Google AlphaGo,但是它们只会下象棋、下围棋,你要问它怎样更好地在硬盘上储存数据,它就不知道怎么回答了。 
    
强人工智能Artificial General Intelligence (AGI) 
    
人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能,人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多,我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。 
    
超人工智能Artificial Superintelligence (ASI) 
    
牛津哲学家,知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多,包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点,也可以是各方面都比人类强万亿倍的。 
    
现在人类已经掌握了弱人工智能。其实弱人工智能无处不在,人工智能革命是从弱人工智能,通过强人工智能,最终到达超人工智能的旅途。这段旅途中人类可能会生还下来,可能不会,但是无论如何,世界将变得完全不一样。 
    
二、关于Google AlphaGo 
     Google AlphaGo
是弱人工智能,属于在单个领域有较强智力的程序或机器人。它的智能程度取决于两点,一点是围棋棋谱和经验的植入,据说AlphaGo输入了3000万步的人类围棋大师的走法、棋谱,这属于经验和技巧的掌握,是范式化的教授,就像中国武术最机械的招式对抗一样,但模仿不是精髓所在;另一点是AlphaGo也改变了单纯的模仿套路,有自我学习的能力,在不断对弈中能提升智能水平,这一点最接近人的大脑。AlphaGo自我对弈了3000万局,积累下的经验就能不断提升智力水平。理论上与围棋大师对垒次数越多,经验值涨的越多。 

3.jpg
    
可以说,这两点构成了AlphaGo人工智能的核心。按说围棋比象棋的人工智能程度要高很多,理由是围棋棋局之复杂远超国际象棋,标准的19×19棋盘内,共有361个点,大概有10170种下法,还跟宇宙中的原子去做对比。这一点逻辑上有一些混淆,对机器来说,复杂度考验的更是计算能力,算法上的规则不同,进行优化即可,智力上的提升仅仅是线性的。一个最简单的事实是,半年前AlphaGo就击败了欧洲围棋冠军,当时给出的判断是专业中的入门选手,过了半年就能打败世界冠军,如果真归结于人工智能,这智力水平进步也太快了。 
    
因此,就像所有弱人工智能的弊端一样,AlphaGo胜也仅仅是围棋领域人工智能程序的冠军,就如第二局中,AlphaGo能估算的步数显然比人脑计算快得多,以至于在某一时刻将李世石拖得超时,但不能说AlphaGo智力水平高出人脑。人工智能领域门槛最高的其实是强人工智能和超人工智能,具备人脑一样处理各种问题的能力,还有自我学习、理解和沟通能力,在强人工智能、超人工智能上,世界范围内都仅仅处于初级阶段。而超人工智能是指获得人类的自我意识,不断进化超出人类的智力水平,这一块几乎连头绪都还没理清楚。 
     Google
从2012年就开始大力发展人工智能必需的“深度学习”软件相应,当时,Google内部与“深度学习”相关的人工智能项目就接近100个。DeepMind引起了Google的注意。Google以4亿英镑的高价收购了这家刚刚成立3年的公司。AlphaGo就是DeepMind研发的人工智能系统。当年Facebook、微软等都想买下DeepMind,最终Google捷足先登。DeepMind这家公司的价值,就在于把类似于人类大脑的神经元网络用到了人工智能上,让机器通过“深度学习”,具备人类的理性思维能力。 
    
而统计数据显示,到2015年第三季度,Google内部已经有超过2700个与“深度学习”相关的软件项目。Google是全世界在人工智能上投入最多的公司,AlphaGo率先取得突破是顺理成章的。最近几年,全球资金进入人工智能领域的速度不断加快、规模也不断加大。来自量化分析公司Quid的数据显示,2010年以来,人工智能吸引超过200亿美元投资;仅2014年,322家人工智能公司获得的投资超过20亿美元;过去4年,人工智能领域的风险投资平均每年增长62%。 海外和国内的科技巨头都做了大量的投资。Google是投入最多的,其他比如微软、Facebook、苹果、IBM等,都在人工智能领域投入很多 BBC相关预测显示,受到上游技术成型推动和下游需求增加的双重推动,在人工智能领域的投资将继续保持高速增长;同时,2020年全球人工智能市场规模将达到183亿美元,约合人民币1190亿元。 
    
围棋智能只算是人工智能发展的副产品,基于“深度学习”的人工智能通用算法将成为人工智能向前发展的驱动力,推动各种人工智能应用的产生。AlphaGo采用的“深度学习”技术,加上大数据与数据分析能力,可应用到人类生活的各个领域。 
    
三、AlphaGo深度学习的原理 
     AlphaGo
是可以深度学习的人工智能,这是人工智能的进步,因为深度学习可以完成需要高度抽象特征的人工智能任务,如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络,多层非线性结构使其具备强大的特征表达能力和对复杂任务建模能力。训练深层模型是长期以来的难题,近年来以层次化、逐层初始化为代表的一系列方法的提出给训练深层模型带来了希望,并在多个应用领域获得了成功。AlphaGo在围棋领域的成功就是如此,深层模型的并行化框架和训练加速方法是深度学习走向实用的重要基石,已有多个针对不同深度模型的开源实现,Google、Facebook、百度、腾讯等公司也实现了各自的并行化框架。深度学习是目前最接近人脑的智能学习方法,深度学习引爆的这场革命,将人工智能带上了一个新的台阶,将对一大批产品和服务产生深远影响。 
     1.
深度学习的革命 
    
人工智能(Artificial Intelligence),试图理解智能的实质,并制造出能以人类智能相似的方式做出反应的智能机器。如果说机器是人类手的延伸、交通工具是人类腿的延伸,那么人工智能就是人类大脑的延伸,甚至可以帮助人类自我进化,超越自我。人工智能也是计算机领域最前沿和最具神秘色彩的学科,科学家希望制造出代替人类思考的智能机器,艺术家将这一题材写进小说,搬上银幕,引发人们无限的遐想。然而,作为一门严肃的学科,人工智能在过去的半个多世纪中发展却不算顺利。过去的很多努力还是基于某些预设规则的快速搜索和推理,离真正的智能还有相当的距离,或者说距离创造像人类一样具有抽象学习能力的机器还很遥远。 
    
近年来,深度学习(Deep Learning)直接尝试解决抽象认知的难题,并取得了突破性的进展。深度学习引爆的这场革命,将人工智能带上了一个新的台阶,不仅学术意义巨大,而且实用性很强,工业界也开始了大规模的投入,一大批产品将从中获益。 
     2006
年,机器学习泰斗、多伦多大学计算机系教授Geoffery Hinton在Science发表文章,提出基于深度信念网络(Deep Belief Networks,DBN)可使用非监督的逐层贪心训练算法,为训练深度神经网络带来了希望。 
     2012
年,Hinton又带领学生在目前最大的图像数据库ImageNet上,对分类问题取得了惊人的结果,将Top5错误率由26%大幅降低至15%。 
     2012
年,由人工智能和机器学习顶级学者Andrew Ng和分布式系统顶级专家Jeff Dean领衔的梦幻阵容,开始打造Google Brain项目,用包含16000个CPU核的并行计算平台训练超过10亿个神经元的深度神经网络,在语音识别和图像识别等领域取得了突破性的进展。该系统通过分析YouTube上选取的视频,采用无监督的方式训练深度神经网络,可将图像自动聚类。在系统中输入“cat”后,结果在没有外界干涉的条件下,识别出了猫脸。 
     2012
年,微软首席研究官Rick Rashid在21世纪的计算大会上演示了一套自动同声传译系统,将他的英文演讲实时转换成与他音色相近、字正腔圆的中文演讲。同声传译需要经历语音识别、机器翻译、语音合成三个步骤。该系统一气呵成,流畅的效果赢得了一致认可,深度学习则是这一系统中的关键技术。 
     2013
年,Google收购了一家叫DNNResearch的神经网络初创公司,这家公司只有三个人,GeoffreyHinton和他的两个学生。这次收购并不涉及任何产品和服务,只是希望Hinton可以将深度学习打造为支持Google未来的核心技术。同年,纽约大学教授,深度学习专家YannLeCun加盟Facebook,出任人工智能实验室主任,负责深度学习的研发工作,利用深度学习探寻用户图片等信息中蕴含的海量信息,希望在未来能给用户提供更智能化的产品使用体验。 
     2013
年,百度成立了百度研究院及下属的深度学习研究所(IDL),将深度学习应用于语音识别和图像识别、检索,以及广告CTR预估(Click-Through-Rate Prediction,PCTR),其中图片检索达到了国际领先水平。2014年又将Andrew Ng招致麾下,AndrewNg是斯坦福大学人工智能实验室主任,入选过《时代》杂志年度全球最有影响力100人,是16位科技界的代表之一。 
    
如果说Hinton 2006年发表在《Science》杂志上的论文只是在学术界掀起了对深度学习的研究热潮,那么近年来各大巨头公司争相跟进,将顶级人才从学术界争抢到工业界,则标志着深度学习真正进入了实用阶段,将对一系列产品和服务产生深远影响,成为它们背后强大的技术引擎。 
    
目前,深度学习在几个主要领域都获得了突破性的进展:在语音识别领域,深度学习用深层模型替换声学模型中的混合高斯模型(GaussianMixture Model, GMM),获得了相对30%左右的错误率降低;在图像识别领域,通过构造深度卷积神经网络(CNN) ,将Top5错误率由26%大幅降低至15%,又通过加大加深网络结构,进一步降低到11%;在自然语言处理领域,深度学习基本获得了与其他方法水平相当的结果,但可以免去繁琐的特征提取步骤。可以说到目前为止,深度学习是最接近人类大脑的智能学习方法。 
     2.
深层模型的基本结构 
    
深度学习采用的模型为深层神经网络(Deep Neural Networks,DNN)模型,即包含多个隐藏层(HiddenLayer,也称隐含层)的神经网络(NeuralNetworks,NN)。深度学习利用模型中的隐藏层,通过特征组合的方式,逐层将原始输入转化为浅层特征,中层特征,高层特征直至最终的任务目标。 
     3.
仿生学依据 
    
人工神经网络本身就是对人类神经系统的模拟,这种模拟具有仿生学的依据。1981年,David Hubel 和Torsten Wiesel发现可视皮层是分层的。人类的视觉系统包含了不同的视觉神经元,这些神经元与瞳孔所受的刺激(系统输入)之间存在着某种对应关系(神经元之间的连接参数),即受到某种刺激后(对于给定的输入),某些神经元就会活跃(被激活)。这证实了人类神经系统和大脑的工作其实是不断将低级抽象传导为高级抽象的过程,高层特征是低层特征的组合,越到高层特征就越抽象。 
     4.
深度学习的训练加速 
    
深层模型训练需要各种技巧,例如网络结构的选取,神经元个数的设定,权重参数的初始化,学习率的调整,Mini-batch的控制等等。即便对这些技巧十分精通,实践中也要多次训练,反复摸索尝试。此外,深层模型参数多,计算量大,训练数据的规模也更大,需要消耗很多计算资源。如果可以让训练加速,就可以在同样的时间内多尝试几个新主意,多调试几组参数,工作效率会明显提升,对于大规模的训练数据和模型来说,通过GPU加速、数据并行、模型并行、计算集群、更可以将难以完成的任务变成可能。 
     5.
结论 
     AlphaGo
和李世石的围棋大战让人们关注深度学习的人工智能,事实上近年来人工智能领域掀起了深度学习的浪潮,从学术界到工业界都热情高涨。深度学习尝试解决人工智能中抽象认知的难题,从理论分析和应用方面都获得了很大的成功。可以说深度学习是目前最接近人脑的智能学习方法。 
    
深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近,并展现了强大的学习数据集本质和高度抽象化特征的能力。逐层初始化等训练方法显著提升了深层模型的可学习型。与传统的浅层模型相比,深层模型经过了若干层非线性变换,带给模型强大的表达能力,从而有条件为更复杂的任务建模。与人工特征工程相比,自动学习特征,更能挖掘出数据中丰富的内在信息,并具备更强的可扩展性。深度学习顺应了大数据的趋势,有了充足的训练样本,复杂的深层模型可以充分发挥其潜力,挖掘出海量数据中蕴含的丰富信息。强有力的基础设施和定制化的并行计算框架,让以往不可想象的训练任务加速完成,为深度学习走向实用奠定了坚实的基础。已有Kaldi,Cuda-convnet,Caffe等多个针对不同深度模型的开源实现,Google、Facebook、百度、腾讯等公司也实现了各自的并行化框架。 
    
深度学习引爆的这场革命,将人工智能带上了一个新的台阶,不仅学术意义巨大,而且实用性很强,深度学习将成为一大批产品和服务背后强大的技术引擎。 
    
四、从弱人工智能到强人工智能 
     Google AlphaGo
深度学习原理很深奥,但依旧是弱人工智能。弱人工智能到强人工智能之路,为什么这条路很难走只有明白创造一个人类智能水平的电脑是多么不容易,才能真的理解人类的智能是多么不可思议。造摩天大楼、把人送入太空、明白宇宙大爆炸的细节——这些都比理解人类的大脑,并且创造个类似的东西要简单太多了。至今为止,人类的大脑是我们所知宇宙中最复杂的东西。而且创造强人工智能的难处,并不是人本能认为的那些。 
    
造一个能在瞬间算出十位数乘法的计算机——非常简单造一个能分辨出一个动物是猫还是狗的计算机——极端困难造一个能战胜世界围棋冠军的电脑——Google最近已经成功了 造一个能够读懂六岁小朋友的图片书中的文字,并且了解那些词汇意思的电脑——Google花了几十亿美元在做,还没做出来。 
    
一些人们觉得困难的事情——微积分、金融市场策略、翻译等,对于电脑来说都太简单了我们觉得容易的事情——视觉、动态、移动、直觉——对电脑来说太难了。用计算机科学家Donald Knuth的说法,“人工智能已经在几乎所有需要思考的领域超过了人类,但是在那些人类和其它动物不需要思考就能完成的事情上,还差得很远。”那些对人类来说很简单的事情,其实是很复杂的,它们看上去很简单,因为它们已经在动物进化的过程中经历了几亿年的优化了。当人举手拿一件东西的时候,其肩膀、手肘、手腕里的肌肉、肌腱和骨头,瞬间就进行了一组复杂的物理运作,这一切还配合着眼睛的运作,使得手能都在三维空间中进行直线运作。对人来说这一切轻而易举,因为在人脑中负责处理这些的“软件”已经很完美了。同样的,软件很难识别网站的验证码,不是因为软件太蠢,恰恰相反,是因为能够读懂验证码是件很牛的事情。 
    
同样的,大数相乘、下棋等等,对于生物来说是很新的技能,我们还没有几亿年的世界来进化这些能力,所以电脑很轻易的就击败了我们。试想一下,写一个程序,是一个能做大数相乘的程序容易写,还是能够识别千千万万种字体和笔迹下书写的英文字母的程序难? 
     1.
通往强人工智能的第一步:增加电脑处理速度 
    
要达到强人工智能,肯定要满足的就是电脑硬件的运算能力。如果一个人工智能要像人脑一般聪明,它至少要能达到人脑的运算能力。用来描述运算能力的单位叫作cps(calculations per second,每秒计算次数),要计算人脑的cps只要了解人脑中所有结构的最高cps,然后加起来就行了。Kurzweil把对于一个结构的最大cps的专业估算,然后考虑这个结构占整个大脑的重量,做乘法,来得出人脑的cps。听起来不太靠谱,但是Kurzweil用了对于不同大脑区域的专业估算值,得出的最终结果都非常类似,是10^16 cps,也就是1亿亿次计算每秒。 
    
现在最快的超级计算机,中国的天河二号,其实已经超过这个运算力了,天河每秒能进行3.4亿亿。当然,天河二号占地720平方米,耗电2400万瓦,耗费了3.9亿美元建造。Kurzweil认为考虑电脑的发展程度的标杆是看1000美元能买到多少cps,当1000美元能买到人脑级别的1亿亿运算能力的时候,强人工智能可能就是生活的一部分了。摩尔定律认为全世界的电脑运算能力每两年就翻一倍,这一定律有历史数据所支持,这同样表明电脑硬件的发展和人类发展一样是指数级别的。我们用这个定律来衡量1000美元什么时候能买到1亿亿cps。现在1000美元能买到10万亿cps,和摩尔定律的历史预测相符合。也就是说现在1000美元能买到的电脑已经强过了老鼠,并且达到了人脑千分之一的水平。1985年的时候,同样的钱只能买到人脑万亿分之一的cps,1995年变成了十亿分之一,2005年是百万分之一,而2015年已经是千分之一了。按照这个速度,我们到2025年就能花1000美元买到可以和人脑运算速度抗衡的电脑了。 
    
至少在硬件上,我们已经能够强人工智能了(中国的天河二号),而且十年以内,我们就能以低廉的价格买到能够支持强人工智能的电脑硬件。但是运算能力并不能让电脑变得智能,下一个问题是,我们怎样利用这份运算能力来达成人类水平的智能。 
     2.
通往强人工智能的第二步:让电脑变得智能 
     1)
抄袭人脑 
    
科学界正在努力逆向工程人脑,来理解生物进化是怎么造出这么个神奇的事物,乐观的估计是我们在2030年之前能够完成这个任务。一旦这个成就达成,我们就能知道为什么人脑能够如此高效、快速的运行,并且能从中获得灵感来进行创新。一个电脑架构模拟人脑的例子就是人工神经网络。它是一个由晶体管作为“神经”组成的网络,晶体管和其它晶体管互相连接,有自己的输入、输出系统,而且什么都不知道——就像一个婴儿的大脑。接着它会通过做任务来自我学习,比如识别笔迹。 
    
最开始它的神经处理和猜测会是随机的,但是当它得到正确的回馈后,相关晶体管之间的连接就会被加强;如果它得到错误的回馈,连接就会变弱。经过一段时间的测试和回馈后,这个网络自身就会组成一个智能的神经路径,而处理这项任务的能力也得到了优化。人脑的学习是类似的过程,不过比这复杂一点,随着我们对大脑研究的深入,我们将会发现更好的组建神经连接的方法。 
    
更加极端的“抄袭”方式是“整脑模拟”。具体来说就是把人脑切成很薄的片,用软件来准确的组建一个3D模型,然后把这个模型装在强力的电脑上。如果能做成,这台电脑就能做所有人脑能做的事情——只要让它学习和吸收信息就好了。如果做这事情的工程师够厉害的话,他们模拟出来的人脑甚至会有原本人脑的人格和记忆,电脑模拟出的人脑就会像原本的人脑一样——这就是非常符合人类标准的强人工智能,然后我们就能把它改造成一个更加厉害的超人工智能了。 
    
我们离整脑模拟还有多远呢?至今为止,我们刚刚能够模拟1毫米长的扁虫的大脑,这个大脑含有302个神经元。人类的大脑有1000亿个神经元,听起来还差很远。但是要记住指数增长的威力——我们已经能模拟小虫子的大脑了,蚂蚁的大脑也不远了,接着就是老鼠的大脑,到那时模拟人类大脑就不是那么不现实的事情了。 
     2
)模仿生物演化 
    
首先我们很确定的知道,建造一个和人脑一样强大的电脑是可能的——我们的大脑就是证据。如果大脑太难完全模拟,那么我们可以模拟演化出大脑的过程。事实上,就算我们真的能完全模拟大脑,结果也就好像照抄鸟类翅膀的拍动来造飞机一样——很多时候最好的设计机器的方式并不是照抄生物设计。所以我们可不可以用模拟演化的方式来造强人工智能呢?这种方法叫作“基因算法”,它大概是这样的:建立一个反复运作的表现/评价过程,就好像生物通过生存这种方式来表现,并且以能否生养后代为评价一样。一组电脑将执行各种任务,最成功的将会“繁殖”,把各自的程序融合,产生新的电脑,而不成功的将会被剔除。经过多次的反复后。这个自然选择的过程将产生越来越强大的电脑。而这个方法的难点是建立一个自动化的评价和繁殖过程,使得整个流程能够自己运行。人类主导的演化会比自然快很多很多,但是我们依然不清楚这些优势是否能使模拟演化成为可行的策略。 
     3
)让电脑来解决自己的问题 
    
建造一个能进行两项任务的电脑——研究人工智能和修改自己的代码。这样它就不只能改进自己的架构了,我们直接把电脑变成了电脑科学家,提高电脑的智能就变成了电脑自己的任务。硬件的快速发展和软件的创新是同时发生的,强人工智能可能比我们预期的更早降临,因为指数级增长的开端可能像蜗牛,但是后期会跑的非常快软件的发展可能看起来很缓慢,但是一次顿悟,就能永远改变进步的速度。就好像在人类还信奉地心说的时候,科学家们没法计算宇宙的运作方式,但是日心说的发现让一切变得容易很多。创造一个能自我改进的电脑来说,对我们来说还很远,但是可能一个无意的变动,就能让现在的系统变得强大千倍,从而开启朝人类级别智能的冲刺。 
    
五、人工智能引领第四次工业革命 
    
数据分析家们说,未来20年间,全球经济将会在不平等现象恶化的风险下发生变革。根据一个最新研究的说法,在未来的20年中,随着机器渐渐接手从照料老人到煎汉堡等的各种事务,这场“机器智能革命”将会革新全球经济,削减开支、但也加剧社会不平等。除了让机器人代替人类完成体力劳动(例如用吸尘器打扫客厅或是组装机器配件),人工智能的发展还意味着计算机将越来越能够“思考”,胜任那些过去被认为需要由人类来作判断的分析工作。 
    
美国银行美林证券向卫报独家披露了一份报告。其中,分析师们依据最新的科学研究进展,对人工智能革命的影响作了概括。他们认为这称得上是在蒸汽革命、规模化生产革命以及电子革命之后的第四次工业革命。 
    
“人类正面临着一种范式转移,人工智能会改变人类的生活和工作的方式,”,“近几年间,科技方面的颠覆性创新发展的节奏已经从线形变成了抛物线形。机器人和人工智能渗透到了每一种工业行业中,并且已经成为了我们日常生活的一部分。” 
    
然而,根据美林的报告中引用的牛津大学的研究,在未来的20年间,这场革命可能让35%的英国劳动者和47%的美国劳动者面临从事的工作被新科技替代的危险,失业者可能主要会集中在低收入人群中。 
    
“市场中的这种趋势,比如美国市场表现出来的,因为近些年来创造出的许多工作都是低收入的、体力劳动、或是服务性工作,这些通常来说都被认为是有高度风险被替代的工作。”美林证券表示,“基于机器人和人工智能会代替人类完成大量工作,一个主要的危险就是有加剧劳动者两极分化的可能性,尤其是对于服务性职业之类的低收入职业,也会对中等收入的体力劳动职业有很大威胁。”在作者们的计算中,机器人和人工智能在全球的总体市场预计在2020年之前会达到1527亿美元(约合990亿欧元),而在一些行业对于机器人和人工智能的引进可能令生产力提高高达30%。 
    
美林也指出,2014年Google在短短2个月内连续收购了8家机器人公司,研制大狗机器人(BigDog)的波士顿动力公司到擅长人工智能深度学习的DeepMind,在最先进的制造行业中——例如,在日本的汽车制造行业——机器现在已经能够在无监督环境中昼夜不停地连续工作30天。将制造工作离岸外包到低价劳动力的发展中经济体可以节约65%的人力成本,而用机器智能代替人类工人可以削减90%。 
    
人力成本节省:使用机器替代人力后,制造业的人力成本将能够节约高达90%。 
    
美林报告显示,当前全世界机器人的使用率大概在平均66台机器人每10,000名工人;但在高度自动化的日本汽车制造业,这一比例达到了1520台机器人每10,000名工人。但可能会被替代的,不只是装配之类技术含量低的工种:2013年麦肯锡全球研究院的一份报告显示,随着计算机接手知识密集型任务,例如分析消费者的信用评级并提供金融建议,全球范围可以减少9万亿美元的工资成本。机器人革命的狂热追捧者们争论道,机器智能没有人类工人会有的性格上的弱点,也不会失误。美林的报告引用了一些相关研究,例如,人类法官们在即将开始午餐之前判决会更为严苛,而在饱食之后变得更为宽容。 
    
报告消费者们去投资已经开始受益于新科技的公司:“早早采用新科技会成为他们的核心竞争优势,而迟于投资引进新科技的公司则将只能眼睁睁地看着自己的竞争力流失。然而,银行也指出,严重的伦理和社