AI“空殼化”，你真的瞭解它的本質嗎？
【編者按】在多年的期待之後，現在AI技術終於逐步走向實用了。不過實用技術的一個特點就是，它們最終往往會消失不見。我們會忘掉那些曾經好用的技術，我們不應該讓AI技術重蹈覆轍。任何技術都需要小心的審查，對於失敗的風險如此之大的AI技術而言更是如此。
本文首發於Theverge；由億歐編輯，供行業人士參考。
“人工智慧”（AI）一詞最初誕生於1955年，但是關於智慧化機器的理念則要追溯到更遠的時間，確切地說是古代希臘、古代中國和古代印度時期。可能這就是AI對我們的想象力的作用如此巨大的原因之一，也正因此，關於AI技術永遠有這麼多的熱烈討論。
但AI終究不是神話，也不是魔法，而是一種技術，和其他技術一樣，也經歷了數十年的研究歷程，最終達到了一個新的產出水平上。計算力成本的下降和海量資料的存在，是AI技術得以發展壯大的兩大原因。AI和機器學習現在已成為天文、醫療、交通、音樂等多個領域內不可多得的有用工具。
在多年的期待之後，現在AI技術終於逐步走向實用了。不過實用技術的一個特點就是，它們最終往往會消失不見。我們會忘掉那些曾經好用的技術，我們不應該讓AI技術重蹈覆轍。任何技術都需要小心的審查，對於失敗的風險如此之大的AI技術而言更是如此。
下面我們一起來看看AI和機器學習對當今的技術發揮著怎樣的影響，因為當AI真的徹底改變了世界之後，再來了解這些影響可能就太晚了。
有一種常見的心理學現象：如果你一直重複任何一個詞到了一定的次數，這個詞最終會失去所有意義，化為一個徒有外殼，而無實際意義的虛詞。
對於我們許多人來說，“人工智慧”這個詞在很久以前就已經經歷了這個“無意義化”的過程。在現在的技術領域，“人工智慧”幾乎無處不在，從電視到牙刷，所有功能恨不得都要跟“人工智慧”沾邊，但 這個詞本身的意義卻越來越模糊 。
這很不應該。
雖然目前“人工智慧”這個詞已經毫無疑問地被濫用了，但AI技術本身比以往任何時候都要發達。它被用於醫療保健和戰爭、幫助人們製作音樂和書籍、可以仔細檢查簡歷、判斷個人的信譽好壞，還能夠加工你手機上拍攝的照片等。簡而言之，無論你喜歡與否，人工智慧都會做出影響你生活的決定。
無論我們是否喜歡，人工智慧都可能會做出關於我們日常生活的決定。
但這和科技公司和廣告商對AI的大肆炒作和吹捧可能還差得遠。以Oral-B的Genius X牙刷為例，這是今年在CES上亮相的眾多裝置之一，著重渲染了所謂的“AI”能力。但是，透過新聞稿中的溢美之詞，其實這款牙刷也只是提供了非常簡單的反饋，告訴你是否在正確的時間和地點刷牙。牙刷上的智慧感測器可以檢測到牙刷在口中的位置，把這東西叫做“人工智慧”基本上就是胡言亂語，僅此而已。
但是當AI技術沒有炒作時，往往會產生誤解。新聞報道可能會誇大研究成果，隨便把一個模糊的AI故事包裝成“終結者”級的發現。這可能會導致人們對“AI究竟是什麼”這個問題產生困惑。
對於非專家的普通人而言，這可能是一個棘手的話題，人們經常錯誤地將目前的人工智慧與他們最熟悉的“人工智慧”混為一談：後者多半表現為比人類聰明的多的、有意識的計算機。專家將這個特定的人工智慧形式稱為“通用人工智慧”，如果我們確實創造出了類似的東西，那麼將來可能還有很長的路要走。而在此之前，誇大AI系統的智慧水平或能力對任何人都沒有好處。
莫讓AI空殼化，搞清“什麼是AI”很重要
那麼，究竟什麼是AI？
其實，討論“機器學習”要比討論AI更合適。機器學習是AI的子領域，包含了幾乎所有對世界影響最大的方法（包括“深度學習”）。這個詞沒有“AI”的神祕感，但它更有助於解釋技術的作用。
機器學習的運作方式是什麼？在過去的幾年裡，我看到過幾十種解釋，發現最有用的區別就在於“機器學習”這個詞本身：機器學習就是讓計算機能夠自己學習。但這又引出了一個更大的問題。
我們先看一個問題。假設你要構建一個可以識別貓的程式。你可以嘗試用老方法通過程式設計制定一些明確的規則，比如“貓有尖尖的耳朵”和“貓是毛茸茸的”等。但是如果對程式展示一隻老虎的照片時，程式會作何反應呢？要通過程式設計制定全部所需規則將是耗時費力的任務，而且在此過程中必定涉及到各種困難的概念的定義，比如對“尖尖”和“毛茸茸”的定義。
以更好的辦法是讓機器自學。因此，可以為機器提供大量的貓的照片，系統會以自己特有的方式檢視這些圖片。起初幾乎是隨機連線不同的點，但隨著實驗的反覆進行，系統會不斷學習更新版本。最終可以比較準確地判斷哪些照片上是貓，哪些不是貓。
AI系統容易“自學成才”，也容易“偷工減料”
到目前為止，我們說的還是可以預測的東西。實際上，你以前可能看過這樣的解釋，但重要的不是這種解釋本身，而是它所暗示的含義。讓決策系統採用這樣的學習模式會有什麼副作用？
這種方法的優點是很明顯的：永遠不需要實際程式設計。當然，需要做很多修補工作，改進系統處理資料的方式，並提出了更明智的方法來提取資訊，但你並沒有告訴系統要尋找什麼。也就是說系統可能會發現人類可能會錯過或從未想到的新模式。而且因為所有的程式需求的都是資料，也就是1和0，所以可以利用這一系統來訓練完成多種任務，因為現代世界中到處都充斥著大量的資料。手中有了“機器學習”這把錘子，在數字世界中有的是釘子可釘。
不過，也要看到這種方式的缺點。如果你沒有明確地教過計算機，你怎麼知道它是如何做出決定的？機器學習系統無法解釋自己的想法，這意味著你的演算法可能因錯誤的原因而表現出良好的效能。同樣，計算機系統可能會產生一種存在偏見的世界觀，或者可能只擅長完成與之前獲得的資料類似的一小部分相關任務。
機器學習系統也不具備人類所期望的常識。你可以建立世界上效能最好的貓咪識別程式，但它永遠不會告訴你，貓咪不應該開摩托車，或者貓咪的常用暱稱是“Tiddles”，而不是“Megalorth the Ondying”。
教計算機自己學習是一條明智的捷徑。不過像所有快捷方式一樣，它涉及到偷工減料。 AI系統中存在智慧，但它不是有機智慧，不會遵循人類的規則。比如可能會提出這樣的問題：一本書有多聰明？在一口煎鍋中編入了哪些專業知識？
AI的未來：實現“潤物細無聲”的技術變革
那麼我們現在處於人工智慧的哪個階段？經過新聞炒作的無數個“下一個重大突破”洗禮之後，一些專家認為我們已經達到了一個穩定的狀態。但這並不是AI技術進步的障礙。在AI研究方面，我們現有的知識中還有廣闊的探索空間，而在產品方面，我們還只發現了演算法的冰山一角。
風投策略分析師本尼迪克特·埃文斯將機器學習比作關係型資料庫，後者是一種企業軟體，曾在上世紀90年代創造了大量財富，並徹底改變了整個行業，但是當你讀到“ 關係型資料庫 ”這個詞時，可能並不會引起特別的注意。我們現在正處於人工智慧正常快速發展的階段。 “最終，幾乎所有事情都會涉及到（機器學習）的某個領域，沒有人會對此大驚小怪。”埃文斯說。
他說的很對，但我們目前還沒有達到這個階段。
無論是在現在還是將來，人工智慧和機器學習仍然會是新的、往往無法解釋的新領域，還存在諸多未經研究的新問題。未來，會有更多更豐富的AI技術會推動生活中方方面面的變革。總有一天， 你會發現AI的應用已經如此普遍，甚至根本都不會引起你的注意。