但如今，人們想要看到超越人工智能的未來。在如今物聯(lián)網(wǎng)、機(jī)器人、納米科技及機(jī)器學(xué)習(xí)逐漸發(fā)展和崛起的背景下，本文試圖解讀人們對人工智能在未來五年內(nèi)發(fā)展的看法。

很顯然，在過去幾年間，人工智能給許多領(lǐng)域造成了非常大影響。不過，人們現(xiàn)在考慮的是，人工智能在未來五年內(nèi)會在哪些領(lǐng)域發(fā)展。筆者認(rèn)為，有必要（撰寫一篇文章）描述如今我們?nèi)缃窨吹降囊恍┌l(fā)展趨勢，并對關(guān)于機(jī)器學(xué)習(xí)領(lǐng)域未來的發(fā)展做出一些預(yù)測。如下提出的列表并不一定窮舉了所有的可能，讀者也無需奉之為圭臬。但它們源自于在考慮人工智能對我們世界影響時，筆者認(rèn)為有用的一些觀點(diǎn)。

關(guān)于人工智能的十三點(diǎn)預(yù)測

人工智能工作時需要的數(shù)據(jù)量會變得更少。

諸如 Vicarious 或 Geometric Intelligence 這樣的公司，正在努力減少訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要的數(shù)據(jù)集的大小。訓(xùn)練人工智能使用的數(shù)據(jù)量如今被視為其發(fā)展的主要障礙，同時也是其最主要的競爭優(yōu)勢。同時，使用概率歸納模型（probabilistic induction, Lake 等人提出, 2015）能夠解決這個在人工智能發(fā)展上的主要問題。某種不那么需要大量數(shù)據(jù)的算法，最終將會以豐富地方式學(xué)習(xí)、吸收并使用這個概念，無論是在行動上、想象上還是在探索中。

新的學(xué)習(xí)模型是關(guān)鍵要素。

一種名為轉(zhuǎn)移學(xué)習(xí)（Transfer Learning）的技術(shù)能允許標(biāo)準(zhǔn)的強(qiáng)化學(xué)習(xí)（Reinforcement Learning）系統(tǒng)基于之前獲取的知識進(jìn)行構(gòu)建——而這是人類能輕松完成的。它隸屬于增量學(xué)習(xí)（Incremental Learning）技術(shù)。而 MetaMind 則在研究多任務(wù)學(xué)習(xí)（Multitask Learning）問題。在其中，同一個神經(jīng)網(wǎng)絡(luò)被用來解決不同類型的問題，且當(dāng)該神經(jīng)網(wǎng)絡(luò)能夠在一類問題上表現(xiàn)更好時，那么它也能在另一些問題上表現(xiàn)更好。MetaMind 的下一步發(fā)展，是引入動態(tài)神經(jīng)網(wǎng)絡(luò)（Dynamic Memory Network）的概念，它能夠回答特定問題，并能夠推斷一系列話語間的邏輯聯(lián)系。

人工智能會消除人類（認(rèn)知）偏差，并能讓我們變的更像人造的。

人類的天性，將會因?yàn)槿斯ぶ悄芏淖?。Simon（1995）表示，人類不會作出完全理性的選擇，因?yàn)椋ㄗ龀觯┳顑?yōu)化選擇代價高昂，還因?yàn)槿四X計算能力有限（Lo, 2004）。人們常常做的是尋求滿意解，即挑選出至少是能使自己滿意的選擇。在生活中引入人工智能，或許會結(jié)束這樣的情況。當(dāng)（裝備了人工智能）人類不再受計算能力約束后，這終將會一勞永逸地回答，是認(rèn)知偏差真實(shí)存在并且是人類本能，還是這些行為只是在有限信息環(huán)境下或限制性情況下進(jìn)行決策的捷徑。Lo（2004）認(rèn)為，人類（做決策時）的滿意點(diǎn)，是在一系列的進(jìn)化嘗試和自然選擇的過程中形成的。在其中，個體基于過去數(shù)據(jù)和經(jīng)驗(yàn)進(jìn)行預(yù)測并做出選擇。他們根據(jù)接受的正／負(fù)反饋進(jìn)行學(xué)習(xí)，并能夠啟發(fā)式的快速解決相關(guān)問題。但是，一旦環(huán)境改變，適應(yīng)過程則有些延遲和緩慢，而且一些老的習(xí)慣并不能適應(yīng)新的改變——這就造成了行為偏差。人工智能則會縮減這些延遲時間到 0，虛擬化的消除任何行為偏差。

此外，基于經(jīng)驗(yàn)隨時間進(jìn)行學(xué)習(xí)，人工智能成為新的變革工具：我們通常不評估所有的備選決策，因?yàn)槲覀儾荒芟氲剿袥Q策（知識空間有限）。

人工智能會被愚弄。

如今的人工智能遠(yuǎn)非完美，同時也有很多人正專注于研究如何欺騙人工智能設(shè)備。最近一個被叫做對抗樣例（Adeversarial Examples; Papernot 等人, 2016; Kurakin 等人, 2016）算法被研發(fā)出來，它是首個能夠誤導(dǎo)計算機(jī)視覺的方法。智能圖像識別軟件會被經(jīng)過微妙處理的圖像所愚弄，該軟件會對這些圖像進(jìn)行錯誤地分類。但有趣的是，這種方法卻不會欺騙人類。

人工智能的發(fā)展伴隨著風(fēng)險。

主流的聲音認(rèn)為，人工智能正越來越成為人類潛在的災(zāi)難。當(dāng)一個超級人工智能系統(tǒng)（ASI, Artificial Super Intelligence）被造出的時候，也許它的智慧遠(yuǎn)超過人類，甚至它能夠想到并做到我們今天不能預(yù)測的事情。盡管如此，我們認(rèn)為，在這些可怕的于人類存亡相關(guān)的威脅之外，還存在著不少和人工智能相關(guān)的風(fēng)險。我們對于超級人工智能會做什么、怎么做，這背后隱藏的風(fēng)險實(shí)際上都無法理解，無論它們會對人們造成正面的還是負(fù)面的影響。再之，在從狹義人工智能（Narrow Artifical Intelligence）向強(qiáng)人工智能乃至超級人工智能轉(zhuǎn)換的過程中，會產(chǎn)生一個內(nèi)在的責(zé)任風(fēng)險——誰會對可能出現(xiàn)的錯誤或者故障負(fù)責(zé)？更進(jìn)一步，在究竟誰能主導(dǎo)人工智能、人工智能的能力應(yīng)該被如何使用的方面，也同樣存在著風(fēng)險。在這種情況下，我們確實(shí)覺得，人工智能應(yīng)當(dāng)作為一個工具（或是面向所有人的公眾服務(wù)）被使用，并預(yù)留一定程度的決策權(quán)給人類以幫助該系統(tǒng)處理罕見的意外情況。

真正的通用性人工智能很可能是一種集體智能（Collective Intelligence）。

強(qiáng)人工智很有可能不會是一個具有強(qiáng)大決策功能的單一終端，而是一種集體智能。群體智能（Swarm or Collective Intelligence, Rosenberg, 2015;2016）可以被視作「一群大腦的大腦」。到目前為止，我們僅讓個體提供輸入值，然后我們以一種「平均情緒」的智能方式整合這些事后輸入。Rosenberg 稱，現(xiàn)存的實(shí)現(xiàn)人類集體智能的方法，甚至都不允許用戶之間互相影響。它們通常的處理方式，是只允許影響非同步出現(xiàn)——這會導(dǎo)致群體性偏差。另一方面，人工智能則會解決這樣的聯(lián)通缺陷，并且創(chuàng)建一個與其他物種非常相像的統(tǒng)一的集體智慧。自然中較好的例子來自于蜜蜂，它們進(jìn)行決策的方式和人類神經(jīng)運(yùn)作的方式非常相像。它們都是用了大量的可執(zhí)行單元，它們同步運(yùn)行，能夠整合噪聲、權(quán)衡替代方案，并最后能夠形成特定的決策。Rosenberg 認(rèn)為，這個決策經(jīng)過在分布的可執(zhí)行單元和子群上的實(shí)時閉環(huán)競爭而最終形成。每一個子群都支持一個不同的選擇，而最后共識的達(dá)成不是經(jīng)過經(jīng)過類似「平均情緒」的方法由大眾決定，而是以一種「足夠激勵量」（Sufficient Quorum of Excitation, Rosenberg, 2015）的方式確定的。對于替代方案的抑制機(jī)制，由其他子群產(chǎn)生，能夠避免整體系統(tǒng)達(dá)到一個局部優(yōu)化決策。

人工智能會帶來無法預(yù)期的社會政治影響。

人工智能首先帶來的社會經(jīng)濟(jì)方面的影響，是失業(yè)問題。盡管從一方面來說這是一個非?，F(xiàn)實(shí)的問題（當(dāng)然也在很多方面帶來了機(jī)會），我們認(rèn)為也應(yīng)當(dāng)從其他不同的方面來看這個問題。第一，工作機(jī)會是被完全地摧毀了，而是會變得不同。因?yàn)閿?shù)據(jù)將能被個人而非企業(yè)直接獲取和分析，因而許多服務(wù)會逐步消失。并且，人工智能會使得知識分布趨于分散化。我們認(rèn)為在這場革命中更應(yīng)該關(guān)切的，是它帶來的雙重后果。首先，使用更聰明的（人工智能）系統(tǒng)后，在特定的領(lǐng)域內(nèi)，越來越多人將喪失它們的專業(yè)性。這預(yù)示著，人工智能軟件需要被設(shè)計整合一套雙重反饋系統(tǒng)，能夠整合人類和機(jī)器的處理方法。我們的第二點(diǎn)擔(dān)憂和之前提到的第一個風(fēng)險相關(guān)，我們擔(dān)心人類將淪為「機(jī)器技術(shù)員」。因?yàn)榇蠹叶颊J(rèn)為人工智能更擅長于解決問題，覺得它們很更可靠（，所以我們會更多地部署人工智能系統(tǒng)）。這種惡性循環(huán)將會讓我們變得更沒有創(chuàng)造力、失去獨(dú)創(chuàng)力、更不聰明，并會以指數(shù)地增加人機(jī)的差異。我們正體驗(yàn)著這樣的系統(tǒng)，或是當(dāng)我們使用它時我們會更聰明，或是當(dāng)我們不使用它時我們會覺得糟糕。我們希望人工智能更傾向于變?yōu)榍罢?，而不是帶來新的「智能手機(jī)效應(yīng)」——我們會完全地依賴于它。最后，這個世界正變得越來越對機(jī)器人友好，人類在其中也扮演著連接機(jī)器人的角色而與之對立。機(jī)器人（在社會中）正逐步起到主導(dǎo)作用，它們對人類的影響相比人類對他們的影響也越來越大，這也許會讓人類最終變?yōu)椋ㄉ鐣到y(tǒng)中的那個）「故障」。

而在地緣政治方面，我們則認(rèn)為人工智能會對全球化造成巨大的影響。有這樣的可能，由人工智能系統(tǒng)控制機(jī)器人運(yùn)行的被優(yōu)化的工廠，其廠址最終會重新回到發(fā)達(dá)國家。因?yàn)椋ǖ侥菚r）在新興國家建廠，會失去那些傳統(tǒng)的低成本的理由。我們不清楚，這是會平衡國家之間的差異，還是會增大發(fā)達(dá)國家和發(fā)展中國家間已經(jīng)存在的差異。

真正的人工智能應(yīng)該開始問「為什么」。

到目前，大多機(jī)器學(xué)習(xí)系統(tǒng)都能夠在模式識別及輔助決策方面做的很好；并且因?yàn)榇蟛糠殖绦蚨急挥簿幋a了，所以它們?nèi)阅軌虮焕斫狻１M管我們已經(jīng)能讓人工智能闡明「是什么」和「如何做」，這已經(jīng)是一個不錯的成就，但人工智能仍未能夠理解事物背后的「為什么」。因此，我們需要設(shè)計一個通用算法，它能夠從物理上及精神上建立關(guān)于世界本質(zhì)的模型（Lake 等人, 2016）。

人工智能正在推進(jìn)隱私保護(hù)問題和數(shù)據(jù)泄漏預(yù)防問題。

人工智能將隱私問題提升到了一個新的等級。新的隱私保護(hù)方法應(yīng)當(dāng)被發(fā)明及采用，它們應(yīng)當(dāng)比簡單的安全多方計算法（SMPC）復(fù)雜得多，也應(yīng)該比同態(tài)加密法（homomorphic encryption）高效迅速。最近的研究表明，差分隱私（Differential Privacy）法能夠解決大部分我們?nèi)粘Ｓ龅降碾[私問題。不過已經(jīng)有不少公司走得更遠(yuǎn)，如 Post-Quantum 公司——這是一家基于量子計算的網(wǎng)絡(luò)安全創(chuàng)業(yè)公司。

人工智能正在改變物聯(lián)網(wǎng)（設(shè)備）。

人工智能（的發(fā)展）允許物聯(lián)網(wǎng)設(shè)備能被以完全分布式的架構(gòu)進(jìn)行設(shè)計，在其中每一個節(jié)點(diǎn)都能夠進(jìn)行自己的預(yù)算（也就所謂的邊界計算）。在傳統(tǒng)的中心化模型中，有一個被稱作是服務(wù)器／客戶端模型的問題。其中的每一臺設(shè)備都連接到云端服務(wù)器，并由云端服務(wù)器識別、驗(yàn)證，這導(dǎo)致了非常昂貴的設(shè)備費(fèi)用。但基于分布式方法設(shè)計的物聯(lián)網(wǎng)網(wǎng)絡(luò)或是傳統(tǒng)的點(diǎn)對點(diǎn)（Peer-to-Peer, P2P）架構(gòu)，則能夠解決這個問題、降低費(fèi)用，并能夠避免因一個節(jié)點(diǎn)實(shí)效而造成整個系統(tǒng)損壞的問題。

機(jī)器人學(xué)正變?yōu)橹髁鳌?/b>

筆者認(rèn)為，人工智能的發(fā)展會受到機(jī)器人學(xué)發(fā)展的制約。同時，這兩個關(guān)聯(lián)的領(lǐng)域會以相同的速度發(fā)展，以最終得到一個適當(dāng)?shù)膹?qiáng)人工智能或超級人工智能。如下圖所示，在我們的研究乃至我們的集體意識中，我們不會視那種沒有「物理實(shí)體」的人工智能為強(qiáng)人工智能或超級人工智能。

關(guān)于機(jī)器人學(xué)及人工智能相關(guān)領(lǐng)域的研究趨勢（由 CBInsights Trends tool 制作）

另外還有一些證據(jù)能證明這個趨勢：

 

• 最近激增的機(jī)器人相關(guān)專利申請數(shù)量。據(jù) IFI 稱，中國（近期）已經(jīng)有超過 3000 項(xiàng)目申請，在美國、歐洲、日本、韓國等地的數(shù)量大致相同。
• 如下圖所示的最近機(jī)器人相關(guān)基金的價格走向。

 

機(jī)器人 STOX 基金從 2013 年至 2016 年的價格走向

人工智能在發(fā)展中也許會面臨阻礙。

在實(shí)現(xiàn)強(qiáng)人工智能的過程中面臨的最大阻礙，不是算法的選擇或數(shù)據(jù)的使用（至少不只是），而是一個結(jié)構(gòu)上的問題。硬件性能、（設(shè)備間）物理的聯(lián)系（如互聯(lián)網(wǎng)）及設(shè)備的耗能，是創(chuàng)建足夠快人工智能的瓶頸。這也是我相信存在著如 Google Fiber 這樣部門的原因，也是為什么量子計算正變得越來越相關(guān)的原因。量子計算允許我們以超高的速度進(jìn)行運(yùn)算（根據(jù)物理規(guī)則它會瞬間完成），而這在傳統(tǒng)電腦上會耗費(fèi)非常長的時間。它依靠量子力學(xué)的性質(zhì)，基于傳統(tǒng)計算機(jī)用二進(jìn)制描述問題的想法。因此，據(jù) Frank Chen（在 Andreessen Horowitz 的合伙人）稱，晶體管、半導(dǎo)體及電子導(dǎo)體都將被量子比特所取代。量子比特由向量表示，這也意味著其運(yùn)算律會不同于的傳統(tǒng)的布爾代數(shù)規(guī)則。

一種對傳統(tǒng)計算法和量子計算法區(qū)別的通俗比較，基于電話本問題（Phonebook Problem）。在電話本中搜尋號碼，傳統(tǒng)的方式是一條接著一條地搜索以最終找到匹配的號碼。但基本的量子搜索算法（也被叫做 Grover’s 算法）則依靠所謂的「量子疊加態(tài)」。它能一次性分析所有的元素并確定最可能的答案。

建造量子計算也許會是科學(xué)界革命性的突破，但 Chen 表示現(xiàn)在建造它是非常困難的。亟待解決問題包括：建造計算機(jī)的超導(dǎo)材料需要的高溫，極短的貫通時間（Coherence Time）——這是量子計算機(jī)實(shí)際進(jìn)行計算的時間窗口，單次計算所需的時間，以及正誤答案之間的能量差過小難于被探測到。所有這些問題縮小了（量子計算機(jī)的）市場空間，并且只有小部分公司能夠涉足量子計算領(lǐng)域：科技界的巨擘如 IBM 和 Intel 已經(jīng)對其研究多年；創(chuàng)新公司如 D-Wave System（2013 年被谷歌收購）、Rigetti Computing、QxBranch、1Qbit、Post-Quantum、ID Quantique、Eagle Power Technologies、Qubitekk、QC Ware、Nano-Meta Technonoliges；還有奠定量子計算基礎(chǔ)的 Cambridge Quantum Computing 有限公司。

生物機(jī)器人和納米科技將是未來人工智能的應(yīng)用方向。

我們正見證著在人工智能和納米機(jī)器人交叉領(lǐng)域，一些列令人震驚的發(fā)展。研究人員正致力于創(chuàng)造完全完全智能的裝置，同時也在研究相關(guān)的結(jié)合體。他們甚至嘗試研發(fā)出生物導(dǎo)線（一種由細(xì)菌制造的導(dǎo)線）及器官芯片（由人細(xì)胞制作的、人器官中起功能部分的微型模型，能夠復(fù)制器官的部分功能；在該領(lǐng)域，Emulate 是最領(lǐng)先的公司）。生物機(jī)器人方面的研究同時也考驗(yàn)著著材料性能的極限。最近一種「軟」機(jī)器人被制造出來，他只有軟的構(gòu)建。BAS Systems 公司也在推進(jìn)計算的發(fā)展，正嘗試研發(fā)一種「化學(xué)計算機(jī)」（Chemputer），一種能夠使用先進(jìn)化學(xué)過程以「生長」復(fù)雜電子系統(tǒng)的裝置。

人工智能概念股：埃斯頓、科大智能、漢王科技、江南化工、華東數(shù)控、和而泰、中科曙光、永創(chuàng)智能、北京君正、通富微電、永創(chuàng)智能、勁拓股份。

人工智能概念股

那么問題來了：最值得配置的人工智能概念股是哪只？即刻申請進(jìn)入國內(nèi)首個免費(fèi)的非公開主題投資交流社區(qū)概念股論壇參與討論！