1.2 人工智能的发展趋势

1.2.1 人工智能的发展程度

按照发展程度不同，人工智能可分为弱人工智能（Artificial Narrow Intelligence）、强人工智能（Artificial General Intelligence）及超人工智能（Artificial Super Intelligence）。

弱人工智能只专注于完成某个特定的任务，如语音识别、图像识别和翻译，是擅长单个方面的人工智能。也就是说，弱人工智能通常用于解决特定的具体类的任务问题，并且大都是统计数据，以此从中归纳出模型。

强人工智能属于人类级别的人工智能，在各方面都能和人类比肩，人类能干的脑力活它通常也能胜任。强人工智能能够进行思考、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，使人工智能在无监督学习的情况下处理前所未见的细节，并且能够同时与人类开展交互式学习。在强人工智能阶段，由于已经可以比肩人类，同时具备“人格”的基本条件，所以机器可以像人类一样独立思考和决策；而在智能集群出现之后，人工智能或许具有“道德性”，根据心理学理论，道德是具有社会性的。

超人工智能在很多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，等等。在超人工智能阶段，人工智能已经跨过“奇点”，其计算和思维能力已经远超人脑。此时的人工智能已经不是人类可以理解和想象的。

1.2.2 人工智能的应用

根据上述分类可知，目前还处在弱人工智能向强人工智能进阶的过程中，目前的应用（投入商用）主要集中在认知识别领域，具体如下。

·在医疗领域，通过图像识别对一些医疗影像做出识别从而能辨别病症；在金融行业，通过一些量化策略对行情进行识别。

·在大型社交网站中，通过对用户数据进行分析，对用户画像，勾勒出用户的行为偏好。

·在保险方面，智能穿戴设备通过记录佩戴者的心跳频率等信息，建立用户健康状况模型，并与保险公司合作，建立保费/保额定价模型。

·根据车载GPS，建立用户车主驾驶行为模型，并对车主的保费做出预估。

诸如此类还有很多，此处不再一一列举。

如果将人的认知分为已知的已知、未知的已知、已知的未知、未知的未知4个象限，人类认知的活动领域大多集中在已知的已知（依赖经验）。通过观察思考或者一系列认知方法能够将一些未知的已知（生成经验）挖掘出来，还有一部分先驱则正在向已知的未知甚至未知的未知进发。

其实，符号主义通常是在已知的已知的基础之上描述数据对象，通常以一些数理工具，通过编写程序对现实进行建模——程序等于算法加结构。了解程序开发生命周期的读者应该知道，程序在开发之前是需要给定需求的，而需求的给定是建立在已有的认知经验之上的。

人工智能绝大多数的应用在于取代人类的经验模型，而通过自身对于数据的学习形成自己的经验。鉴于机器学习在算力上的可扩展性及高效性，机器学习在训练的过程中，甚至能够产生更有洞见的经验。相对于人类而言，机器在处理数据的维度（不少模型都是千维甚至万维）及数据的量级（千万级到亿级）方面更有优势。所以，现阶段机器学习的应用主要集中在对未知的已知的挖掘上。

机器学习在大方向上是走向强人工智能，甚至是超人工智能。但是在目前这种微观层面，则是从认知感知走向主动能动，或许下一次行业爆发就集中在这个方面。

主动能动表现在以下几个方面。

·自主识别——现在大多数的训练方法都属于监督学习，通过人为给数据样本打上标签，对数据的定义识别还是基于人的主观设定，在更高级的模型（神经网络模型）中存在一种模型能够识别更加复杂的数据，从而对其合理分类。例如，Google X实验室利用由16000多个处理器、10亿个内部节点组成的虚拟大脑，分析了1000万帧从YouTube上随机抓取的无标签视频剪辑图片，经过10天的运转，“大脑”终于认识了什么是猫，并从接下来输入的2万张图片中准确找出了猫的照片。当然，这仅仅是开始。

·自主决策——以强化学习为主流的学习，主导诸如无人驾驶等无人控制的诸多领域。在工业机器人高度发展的今天，无人化仍然是研究热点，这是因为很多工业控制是以预编译的方式将既定程序写入机器人，在这个过程中缺少学习过程，尽管它会对识别的状态做出响应，但是决策通过预设的程序做出的。而强化学习则是通过识别状态→做出行为→获得奖励这样一个循环过程完成学习的，最终能够自主决策。

·自主生成——或许将来的设计工作是由人工智能实现的，而人作为一个贴标器，只需要负责选择人工智能设计的作品。自主生成的方法很多，诸如生成性对抗网络、自动编码器等。图1-3是利用生成性对抗网络自动生成的适合患者口腔环境的假牙模型，通过录入患者上下颚及牙沟宽度等数据生成咬合点，最终生成完整的牙齿模型。

当然，要实现强人工智能仅仅做到上述几点是不够的，此外，对强人工智能的认知判断能力存在道德困境，在复杂场景中，存在多目标，而这些目标在特殊的状况下可能存在冲突。例如，在自动驾驶过程中，卡车上载有价值1000万元的货物，如果在必经道路上突然出现一个行人，紧急避开会使货物损毁，而采取紧急减速的方式也有可能会对行人造成危害且保险赔付金额可能高达100万元，此时会遇到多个方面的权衡：人道主义的考量、交通规则的考量、自身损失的考量等，所以需要权衡这些不同维度上的状态。如果不同维度上的状态触发不同的行为，这时应该如何决策？

强人工智能往往是在一个非封闭性场景中进行的，存在多个场景的叠加，如何能够顾全“大局”，或者仅仅符合自身最大利益，对这样的困境，即使是人类也无法给出满意答案，而人工智能面临的挑战则更多。

当然，千里之行，始于足下，不积跬步，无以至千里。人工智能的发展是全人类共同努力的一个大方向，还需要众多人工智能从业者的不懈努力。笔者认为，人工智能的发展将会深刻改变人类的生活场景、工作方式及生存状态。