未来，人工智能将以何种方式发展？

早在20世纪初期，人们就已经开始思考机器人能否像人一样开始思考。在各类文学作品和科幻电影中，我们看到的“能够思考的机器人”，其实就是人工智能的起源。直到20世纪50年代，人工智能的概念正式被提出。

英国科学家图灵在1950年的时候，提出一个问题，“如果人能够结合现有数据进行逻辑推理来解决现实问题，那么机器人为什么不可以?”

到目前为止，很多人都是觉得是可以的。

于是政府、企业机构、院校等投入大量的资金、财力以及人力，希望能够正面回答这个问题。但是从目前来看，还是很遗憾，这样大的投入却收效甚微。尽管目前人工智能技术取得了很多进展和突破，但是距离真正的实际运用还有很长的一段距离。

人工智能是在21世纪才得以繁荣发展，得益于深度学习算法的突破、计算机计算能力的飞跃以及信息数据的大爆炸，这三者缺一不可。不断涌现的人工智能成果向研究者和投资者证明，人工智能的确能够提高生产效率和改变人类日常生活。

人工智能在最近10年已经从实验室走向了商业应用，渗透到我们日常生活中很多细节。购物网站能够根据用户浏览、购买信息为用户推荐个性化商品。智能手机能够根据我们日程安排，推荐最佳线路和酒店推荐。如今，部分汽车、公交已经实现了“自动驾驶”。

目前人工智能正以高速增长的态势持续发展，以数据为主的谷歌、亚马逊、阿里巴巴、腾讯、百度等科技巨头成为了人工智能发展的主要推动者。可以肯定的是，目前人工智能还不能真正像人一样思考。

有人说，人工智能学习系统所需要的数据、计算能力都远远超过人类大脑的承受范围。即使目前很先进的图像识别算法能够超过人类识别图片水平，但是也不能理解图片中的猫是什么。

那是不是现在的人工智能发展方向有问题?

百度CEO李彦宏曾对人工智能做出一种解释，“人工智能不应该长得像人，而是应该让机器能够实现人的价值。”从这个角度上来说，目前人工智能发展实现了人能够实现的听说读写，其发展方向并没有什么大问题。但是从人工智能是否能够走向人类智慧这个角度来说，目前还没有定论判断是否方向有问题。

那么，如今的人工智能发展如何?发展过程中又存在哪些问题?未来，人工智能将以何种形式发展，才能实现像人一样的思考?

人工智能的发展现状

人工智能发展到现在的高度，技术上较大的功臣，应该就属于深度学习算法(Deep Learing)。深度学习算法也就是利用多层神经网络，从极大的数据中学习，从而实现对未来的预测，并使人工智能系统越来越智能。

传统的人工神经网络算法是由一个输入层和一个输出层组成的浅层神经网络。在神经网络中，随机分配给每个连接之间的权重数值，然后通过训练实现误差最小化。但是，之前的神经网络不能训练太多神经网络参数，因此也不能识别太复杂的模式。

深度学习网络

深度学习，顾名思义，是指神经网络中层数比较多，含有多个隐含层。多个隐含层让神经网络能够以分层的方式学习数据的特征，因为简单特征可以逐层叠加，形成更加复杂的特征。一旦算法框架构建后，通过更多的“训练”实现误差最小化。

总而言之，深度(多层神经网络算法)和学习(大数据训练)是深度学习必不可少的环节。

其他重要的人工智能技术的发展都得益于深度学习的技术支撑。除了深度学习，强化学习(Reinforcement Learning)也是机器学习领域的热门技术。强化学习能够在没有计算机的明确指示下，像人一样实现自主学习。当达到一定的学习量之后，强化学习系统就能够预测出正确的结果。

强化学习的基本思想是，学习在不同环境和不同状态下，哪种行为能够使得预期利益最大化。强化学习的学习过程不需要数据标注，而是由奖励函数进行主导。如同婴儿学走路，根据产生的结果好坏来调整行为动作。

深度学习与强化学习融合，衍生出了深度强化学习(Deep Reinforcement Learning)。2016年，谷歌的围棋程序(AlphaGo)就是利用这种深度强化学习，击败了世界顶级围棋选手，成为人工智能领域的又一里程碑。

AlphaGo

即使在围棋、游戏比赛中大放光彩的强化学习，目前真正落地的运用并不多，其商业价值也是无法与深度学习项媲美的。原因在于，目前还没有平台能够提供强化学习所需要的巨大数据，无法穷举现实中可能遇到的种种复杂情况。这种数据“饥渴”在很多现实领域中都是无法实现的。

深度学习和强化学习结合的时候，对现实情况的枚举就变成，首先对现实情况进行模式识别，然后进行有限模式的枚举，从而减少了计算的压力，但是所需的数据将比其他机器学习算法要大得多。

无论是深度学习，还是强化学习，都非常依赖大量的数据进行训练，而且这个计算过程更倾向于蛮力计算。对抗神经网络(Generative Adversarial Networks，简称GAN)，是近几年最有潜力能够解决这一瓶颈的机器学习模型。

对抗神经网络则是通过两个人工智能系统相互对抗产生超级真实的原创图片和声音。对抗神经网络赋予了机器创造和想象的能力，也让机器学习减少了对数据的依赖，这是人工智能领域的又一重大突破。

对抗神经网络

2018年，发表在Arxiv网站上的论文《StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks》表明，利用对抗性神经网络，只需给系统输入简单的文字，系统就会生成图片。

可是由于目前对于对抗神经网络的研究只有短短四五年的时间，其研究也基本处于举证阶段。但是这种赋予机器“创造力”的GAN，解决了一直困扰着人工智能的数据来源问题，可以说实现了真正不依赖人类的无监督学习。

关于神来之笔的对抗神经网络，其真正技术爆发和商业应用需要的只是更多时间。

人工智能系统很具突破性的应用

如今，随着人工智能技术的不断突破，其商业应用也是遍地开花。《麻省理工科技》认为很具突破性的运用是，基于人工智能的自动驾驶、图像识别以及语音识别。

自动驾驶

Tesla的自动驾驶仪及自动驾驶货车分别在2016年和2017年入选《麻省理工科技评论》十大突破性技术。过去几年，自动驾驶技术的突飞猛进主要依赖于深度学习和强化学习的重大突破。

但是尽管目前取得了很多突破性进展，但是目前普遍认为，自动驾驶还没有达到完全代替人的程度，只能被看做是辅助驾驶员的半自动驾驶。特别是面对天气、意外障碍、复杂城市交通等情况，自动驾驶的传感器和软件很容易出错，因此目前还无法离开人力操作。

自动驾驶

目前，很多人相信，基于车对车通讯(Vehicle-toVehicle，V2V)的车联网技术能够有效解决自动驾驶面临的关键问题。车对车的通讯可以把汽车的位置、速度、制动情况等车辆数据传输给百米范围内的车辆，使得自动驾驶汽车能够眼观六路、耳听八方，从而有效避免车辆发生碰撞。

在自动驾驶还不够成熟的情况下，用无线通信技术似乎能够有效减少道路交通意外。但是这种车辆通信涉及的通信技术要求比较高，而且因为信息安全和隐私保护问题，使得V2V还处于商业试用阶段，近几年的发展速度也远不如自动驾驶发展迅猛。

图像识别、语音识别

现在很多人出门都是不需要带钱包，拿着手机就可以随意在商场内进行支付。移动支付已经取代现金和银行卡，成为不少人的主要支付方式。

2015年，苹果支付被评为全球十大突破性技术。早期的苹果支付是结合NFC近场通讯和指纹识别(属于图像识别)，极大改善了移动支付的用户体验。苹果支付不同于Google钱包、微信、支付宝、Paypal，不需要进入应用程序、点击付款、输入金额或者扫二维码等。

当手机靠近收银端时，苹果支付就会自动激活，通过指纹验证即可完成支付。而且苹果支付在安全性上也是比较领先，与支付宝、微信支付不同，苹果支付的手机不保存真实的卡号，商家也不会看到，更不需要将卡号存储在数据库中。每次支付交易过程中生产一个唯一的代码，而且这代码也只能使用一次。

不仅仅如此，苹果凭借基于人工智能的精确图像识别技术，让刷脸支付成为可能。刷脸支付已经成为2017年最具突破性技术之一，但是最先有商业应用刷脸支付的是中国。2015年，阿里马云在德国汉诺威消费电子博览会的开幕式上，成功刷脸支付购买一枚1948年汉诺威工业博览会的纪念邮票。

马云的刷脸支付

从目前来看，刷脸支付还处于发展早期。刷脸支付会遭受用户对安全性的质疑，而且刷脸支付的便捷性也并不比原有的密码支付或者指纹支付提升很多。若想大范围推广刷脸支付，不仅仅要改善现有软硬件，还需要大力宣传使得用户接受刷脸支付。

语音识别也类似于图像识别，本质区别在于语音数据是一维数据，图像数据是二维数据。谷歌沟巴别鱼耳塞的出现，使得耳朵里的实时翻译成为现实，也因此被评为2018年全球突破性技术之一。但是市场对于这种耳塞的评价很一般，主要集中在不是真正的实时性翻译，加之需要手机、耳机、翻译软件，使得抱着“巴别鱼真人版”期望的用户多少有点失望。

但是这一切，背后都是都是基于人工智能技术的商业运用。同时，也正是因为这些商业运用，使得大众真正看到了人工智能技术的魅力。

未来，人工智能将以何种方式发展?

尽管，目前人工智能以及出现了这样多的进展，但是并不是所有人都认为深度学习是人工智能走向人类智慧的法宝。原因在于，深度学习就像是一个黑盒子，无处得知其中发生了什么，呈现出“经验过多、理论不足”的态势。

并且，由于深度学习过于依赖计算能力和大数据，使得深度学习更趋向于蛮力计算。如何在小样本数据下训练处良好的神经网络，也是目前研究的重要方向。

被誉为深度学习始祖的Hinton表示，我们需要将自己曾经提出的突破性模型都推翻才能彻底改变现有深度学习存在的问题。Hinton认为，我们研究机器视觉的方式是错误的。即使这种方式在目前看来很有用，但是并不意味这是使得人工智能具备像人一样思考的正确道路。

Hinton教授

2010年，Hinton发表关于“胶囊网络”(Capsule Networks)的研究成果。胶囊网络旨在弥补深度学习系统过于依赖数据的缺陷，从而提高对于新场景、新知识的泛化能力。例如，教计算机识别不同角度、不同颜色的猫，可能需要成千上万张不同角度的相片，但是小孩却能够通过少量对猫识别的训练，就能掌握认识其他没有见过的各种角度、各种品种的猫。

目前来看，胶囊网络并没有大量数据和案例来证明其优越性，但是这的确是人工智能领域又一次认知的革新。

今天，我们处于一个相信数据能够解决所有问题的时代，这种以数据为中心的思想的确给我们的日常生活带来很多全新体验。但是数据并不是万能的，数据可以告诉你服用药的病人比不服用药的病人康复得快，但是并不能告诉你原因。

人工智能系统中，无论是深度学习、强化学习还是对抗神经网络，都只能告诉你输入输出之间的相关性，也就是概率论里面的概率。目前没有一个人工智能系统能够百分之百告诉你这张图片中动物肯定是猫，只能告诉你这个动物有95%甚至100%的概率是猫。

人工智能系统识别为概率且不稳定，容易被干扰

人类认识事物的时候，一般都是通过数据进行因果推理和判断，才得出相应的解决方案。而目前的人工智能系统却并不能实现这种因果推导，进一步推断，似乎目前的人工智能系统离这种人类智能思考越来越远。

关于深度学习的未来，Hinton也承认，自己也不知道人工智能革命接下来会将我们带向何处。他说：“在这个领域，很难预测五年以后的事情，毕竟事情往往并不会像你期待的那样如期而至。”

未来，深度学习或许继续发展，或者被推翻。而这种因果推理智能的研究虽然是非主流，但是未来会怎么样，不得而知。图灵奖得主珀尔教授一生致力于因果关系科学及其在人工智能方面领域的应用，也在不断探索未来人工智能的发展。