人工智能广阔世界的简单指南

当你挑战计算机下棋、与智能助手互动、在 ChatGPT 中输入问题或在 DALL-E 上创作艺术品时，你正在与计算机科学家归类为人工智能的程序进行交互。

但定义人工智能可能会变得很复杂，尤其是当“机器人”和“机器学习”等其他术语混杂在一起时。为了帮助您了解这些不同领域和术语之间的关系，我们整理了一份快速指南。

什么是好的人工智能定义？

人工智能是一门与化学或物理学类似的学科，始于 1956 年。

麻省理工学院计算机科学与人工智能实验室 (CSAIL) 主任 Daniela Rus 表示：“人工智能是一门科学与工程，旨在让机器拥有与人类相似的特征，包括它们如何看待世界、如何移动、如何玩游戏，甚至如何学习。人工智能由许多子组件组成，有各种各样的算法来解决人工智能中的各种问题。”

人们往往会将人工智能与机器人技术和机器学习混为一谈，但其实它们是独立的相关领域，每个领域都有不同的侧重点。通常，你会看到机器学习被归类为人工智能，但这并不总是正确的。

“人工智能是为机器做决策。机器人技术是让计算动起来。机器学习是利用数据来预测未来可能发生的事情或系统应该做什么，”Rus 补充道。“人工智能是一个广泛的领域。它与决策有关。你可以使用学习来做决策，也可以使用模型来做决策。”

ChatGPT 和 DALL-E 等 AI 生成器是机器学习程序，但 AI 领域涵盖的内容远不止机器学习，而且机器学习并不完全包含在 AI 中。“机器学习是 AI 的一个子领域。它跨越了统计学和更广泛的人工智能领域，”Rus 说。

人工智能与机器学习和机器人技术有何关系？

让情况更加复杂的是，非机器学习算法也可用于解决人工智能中的问题。例如，计算机可以使用一种名为极小极大优化的非机器学习算法来玩井字游戏。“这是一种直接算法。你建立一个决策树，然后开始导航。这种算法中没有学习，也没有数据，”Rus 说。但它仍然是一种人工智能。

1997 年，IBM 用来击败 Gary Kasparov 的 Deep Blue 算法是人工智能，但不是机器学习，因为它不使用游戏数据。“该程序的推理是手工编写的，”Rus 说。“而 AlphaGo（一种新的国际象棋程序）使用机器学习来制定规则和如何移动的决策。”

当机器人需要在世界中移动时，它们必须了解周围环境。这就是人工智能发挥作用的地方：它们必须知道障碍物在哪里，并制定从 A 点到 B 点的计划。

“机器人可以使用牛顿力学等模型来计算如何移动、如何不跌倒、如何抓取物体而不掉落，”Rus 说。“如果机器人必须规划从 A 点到 B 点的路径，机器人可以查看空间的几何形状，然后计算出如何绘制一条不会撞到任何障碍物的线并沿着这条线行走。”这是一个计算机决策的例子，它不使用机器学习，因为它不是数据驱动的。

[相关：新人工智能如何掌握 Stratego 这款棘手的游戏]

或者举个例子，教机器人开车。例如，在基于机器学习的教机器人如何完成这项任务的解决方案中，机器人可以观察人类如何驾驶或转弯。它会根据弯道的平缓程度学会稍微或大大转动方向盘。相比之下，在非机器学习的学习驾驶解决方案中，机器人只需观察道路的几何形状，考虑汽车的动态，并据此计算出方向盘应施加的角度，以使汽车保持在道路上而不偏离。不过，两者都是人工智能发挥作用的例子。

“在基于模型的情况下，你要研究几何学，思考物理原理，计算出应该采取什么样的驱动方式。在数据驱动的 [机器学习] 情况下，你要研究人类做了什么，记住这一点，将来当你遇到类似情况时，你可以做人类做过的事情，”Rus 说。“但这两种解决方案都可以让机器人做出决策并在世界中行动。”

你能详细告诉我机器学习的工作原理吗？

“当你进行人们认为等同于人工智能的数据驱动机器学习时，情况就大不相同了，”Rus 说。“机器学习使用数据来计算一个庞大网络（称为人工神经网络）的权重和参数。”

机器学习，顾名思义，就是软件从数据中学习，而不是软件仅仅遵循人类制定的规则。

卡内基梅隆大学机器学习系教授 Rayid Ghani 表示：“大多数机器学习算法在某种程度上只是计算一堆统计数据。”在机器学习出现之前，如果你想让计算机检测一个物体，你就必须详细地描述它。例如，如果你想让计算机视觉识别停车标志，你就必须编写代码来描述标志表面的颜色、形状和特定特征。

“人们认为，描述起来会很详尽。机器学习发生的主要变化是，人们更擅长举例说明，”加尼说。“人们编写的代码不是描述停车标志，而是区分 A 类和 B 类的东西（例如，停车标志和让行标志）。然后计算机找出区别，这样效率更高。”

我们是否应该担心人工智能超越人类智能？

就目前而言，简短的回答是：没有。

如今，人工智能的能力非常有限，只能做特定的事情。“被设计用来玩特定游戏或识别特定事物的人工智能只能做到这一点。它不能很好地做其他事情，”加尼说。“所以你必须为每项任务开发一个新系统。”

从某种意义上说，Rus 表示，人工智能下的研究是用来开发工具的，而不是那些可以自主释放到世界上的工具。她指出，ChatGPT 令人印象深刻，但它并不总是正确的。“它们是那种为人们提供见解、建议和想法的工具，”她说。“而这些见解、建议和想法并不是最终的答案。”

此外，加尼表示，虽然这些系统“看起来很智能”，但它们真正做的只是寻找模式。“它们只是被编码来将过去发生的事情放在一起，并以新的方式将它们组合在一起。”计算机不会自己知道摔倒是坏事。它需要从人类程序员那里得到反馈，告诉它这是坏事。

[相关：为什么人工智能现在无处不在]

此外，机器学习算法可能很懒惰。例如，想象一下给系统提供男性、女性和非二元性别者的图像，并告诉它区分这三者。它会找到不同的模式，但不一定是有意义或重要的模式。如果所有男性都穿着一种颜色的衣服，或者所有女性的照片都是在相同颜色的背景下拍摄的，那么颜色将成为这些系统所识别的特征。

“它并不智能，它基本上就是在说‘你让我区分三组。最懒惰的区分方法就是这个特征’，”加尼说。此外，一些系统“被设计为针对很多这类问题给出来自互联网的大多数答案。这不是我们想要的，我们接受的大多数答案通常是种族主义和性别歧视的。”

他认为，仍然需要投入大量工作来针对特定用例定制算法，使人类能够理解模型如何根据给定的输入达到某些输出，并努力确保输入数据的公平性和准确性。

未来十年人工智能将会如何发展？

计算机算法擅长获取大量信息并将其综合起来，而人类则擅长一次查看少量信息。正因为如此，计算机往往更擅长浏览数十亿份文档并找出重复出现的事实或模式。但人类能够深入研究一份文档，找出小细节，并对其进行推理。

“我认为被夸大的事情之一是人工智能在不受控制的环境中独立运作的自主性，在这种环境中，人类也参与其中，”加尼说。在非常受控制的环境中——比如根据优化利润的最终目标确定一定范围内的食品价格——人工智能确实表现良好。然而，与人类的合作仍然很重要，他预测，在未来几十年，该领域将在协作系统方面取得许多进展。

他说，药物研发就是一个很好的例子。实验室测试的大部分工作仍由人类完成，而计算机只是利用机器学习来帮助他们确定要进行哪些实验以及要关注哪些相互作用。

“[人工智能算法] 能比我们更快地完成非凡的事情。但我们应该认为，它们是用来增强和改进我们运作方式的工具，”Rus 说。“和其他工具一样，这些解决方案本身并没有好坏之分。这取决于我们选择如何使用它们。”