中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

到底什么是人工智能？人工智能不能做什么？為什么接下來20年人工智能不會有一個巨大的加速發(fā)展？

三年前, 開啟了人工智能時代，“它能做的事越來越多，幾乎所有的事都可以做”，這是一種普遍的看法。

但是任何時候，如果一個事物當所有人都覺得它能做時，都有兩個可能性：一是這個事確實太厲害了；再一個可能也發(fā)展到頭了。

因為所有人都看到的事，紅利未必還能繼續(xù)存在。這時恰是需要一個冷靜的思考。換個角度來看，就是人工智能不能做什么。

一、 回歸問題本源：人工智能不能做什么

很多時候當一條路走不通，最簡單的辦法就是直接回到原點，問題就清楚了。

人工智能基于計算機，人工智能的極限取決于計算機的極限，計算機的極限取決于計算的極限。

什么能算以及不能算要搞清楚。這種本源問題反而是我們很多人忙忙碌碌不會思考的，而這決定了你做事大方向的對和錯。

1. 圖靈的思考：計算和機械運動的關系

計算機科學之父是艾倫?麥席森?圖靈，那么，他的老師是誰？他的想法又是從哪來的？有兩個人對圖靈在計算機發(fā)展上提供最大幫助，我們稱之為精神導師。

分別是馮諾伊曼（著名匈牙利裔美籍數(shù)學家、計算機科學家、物理學家和化學家，曾執(zhí)教于普林斯頓大學）和希爾伯特（二十世紀上半葉德國乃至全世界最偉大的數(shù)學家之一）。

馮諾伊曼當時寫了一本書對圖靈很有啟發(fā)，圖靈給出了一個很難證實但是覺得對的一個看法，就是人的意識。

人的意識是由不確定性決定的，但是計算機和更早期的牛頓力學，以及可預測的機械運動有關。

這是圖靈當時朦朧的想法，就是人的意識是由不確定決定，計算等價于機械運動。這確定了什么可以計算，什么不可以計算，他覺得邊界劃分就清楚了。

希爾伯特在1900年巴黎數(shù)學家大會上提出了23個最重要的問題，就是著名的”希爾伯特23個問題”。其中三問是他自問的，分別是：

① 數(shù)學是完備的嗎？

完備是說數(shù)學能夠涵蓋我們?nèi)魏我鉀Q的問題嗎？你可以感覺到不能，數(shù)學家哥德爾也曾證明不能。

② 數(shù)學是一致的嗎？

什么叫一致？

舉例來說，今天3+5等于8，明天算下來3+5還等于8。

但是物理學是一致的嗎？不是！今天量出來的尺寸和明天量出來的是不一樣的。今天燒開這一壺水是99.8度，明天可能是100.1度。

物理學是不一致的，而數(shù)學是一致的！

③ 數(shù)學是可驗證的嗎？

物理學可以驗證，數(shù)學可以驗證嗎？不知道！

希爾伯特23個問題中第10個問題就是關于該問題，里面講了一個特例。

有任意多未知數(shù)的方程，各個未知數(shù)可以變，有各種各樣的結(jié)果，是一個不確定的方程。

你是否能有無數(shù)解，或者是否有一種方法在有限時間內(nèi)可以判定該方程有無數(shù)解，無限的時間判定對我們?nèi)粘Ｉ顩]有意義。

舉例來說：

X2+y2=z2有整數(shù)解。

X2+y2=z2是否有整數(shù)解，不知道！直到后來有英國數(shù)學家證明沒有整數(shù)解，這個過程花了幾百年的時間。

那么，我隨便給你一個方程有沒有整數(shù)解？不知道！可能有，也可能沒有。先不說找到整數(shù)解，有沒有一個辦法能夠判定這件事有沒有解，這就是希爾伯特第十問題。

直到上世紀七十年代，前蘇聯(lián)有數(shù)學家證明說不可判定。對這個問題，沒有人能夠在有限的步驟內(nèi)知道它到底有解還是沒解。

你要是連它有沒有解都不知道，你就一定解不出來。

數(shù)學不是萬能的，計算機就不是萬能的，人工智能也不是萬能的，這是我們的出發(fā)點。

圖靈當時雖然不知道這個問題的答案，但他的直覺是應該很多數(shù)學問題我們不知道有沒有答案，于是他就用一個特殊的機械裝置把數(shù)學問題一分為二，這個裝置就是圖靈機。

（圖靈機）

計算機是圖靈機的一種，更新后的裝置。該裝置能夠在有限時間內(nèi)判斷哪一類問題能夠在有限的步驟內(nèi)計算出來。

但是還有很多數(shù)學問題通過這樣的裝置在有限步驟內(nèi)是解決不了的。

在計算機科學和數(shù)學上有一個新的概念，叫計算機可解決的問題，還有大量的是不可以計算的。

今天的計算機甭管多復雜，從數(shù)學上就等價于圖靈機。甭管深度學習還是云計算，等效于這樣一個簡單的機械裝置。

這個簡單玩意兒完不成的事，“太湖之光”超級計算機用上再聰明的算法也完不成，這是從本源上來講。

2. 透過世界問題看人工智能問題

我們把世界的問題進行劃分，中間有一類叫數(shù)學問題。剛才講數(shù)學不是完備的，有一些問題不是數(shù)學問題。

數(shù)學問題中有一些叫做可判定問題，我知道它有解或者沒解，但還不知道解在哪。

例如，你出一道難題問你的兒子，兒子做不出來。問題的答案是有的，但是他做不出來，這就是可判定問題。

里面有一個很小的集合是有答案問題，你知道有沒有答案之后才能找到答案。

可判定問題是知道有沒有答案，有一些數(shù)學問題不知道有沒有答案。

圖靈裝置把有答案問題又一分為二，里面很小的一部分叫做可計算問題。

可計算問題對于圖靈來說是指有限步內(nèi)可以計算，有限步也可能會有很長時間，到宇宙毀滅了還沒有算完也叫有限步，只要不是無限步就是有限步。

（世界問題的分類）

在工程上，如果刷門禁卡，你識別一秒鐘把門打開了這是有意義的，算了三天才放你進去就沒有意義，這類問題叫做工程可解決問題。

算三天就是工程上不可解決問題。工程上可解決問題里面很小一部分是我們今天討論的人工智能問題。

我們討論人工智能，首先要清楚它的邊界在哪，清楚邊界才知道什么事需要由人工智能解決。

在講人工智能能干什么以前，我先說它不能干什么，我們不要把原本不需要用人工智能解決的問題去用人工智能解決。

二、人工智能到底是什么

未來十年人工智能是什么樣的，20年后發(fā)生什么事很難有人預測出來。人們常常會高估三五年內(nèi)發(fā)生的事，低估十年后發(fā)生的事。

比如有人覺得無人駕駛汽車會馬上上路，你是高估了這件事。

1. 未來10年：整個城市是一個大“機器人”

某漫畫家畫了一個漫畫，世界上所有的東西都連起來了，花盆都連起來了?；ㄅ铻槭裁匆B起來呢？因為要澆水。

前一陣子看到國家新出用水說明，看了農(nóng)業(yè)用水量達到62%，以后農(nóng)業(yè)要用滴灌（降低用水浪費）。

新疆只能用滴管，否則全揮發(fā)了。每一株植物都跟互聯(lián)網(wǎng)連起來了，這是比較大膽的一個假設，未來可能就是這樣。

假如這是（上海）徐家匯附近某地區(qū)，信息的流動全畫上去就是密密麻麻的樣子，類似于地球電磁場。密密麻麻帶來的好處就是萬物互聯(lián)。

萬物互聯(lián)之后，馬上就有出現(xiàn)一個緊迫的問題。

坦率來講，現(xiàn)在的4G恐怕是不夠用的。為什么5G這件事能成？5G來了之后網(wǎng)速更快。針對當下需求，目前的網(wǎng)速是足夠的。

要上5G只有一個可能性，就是我突然上網(wǎng)的設備數(shù)量要增加10倍、100倍才行。

什么時候增加10倍、100倍？如果一株植物要上網(wǎng)的話，這個事就大了，所以這是有可能的。

這么密集的網(wǎng)絡就是說數(shù)據(jù)量太大了，人工處理不了，需要借助人工智能，這是很重要的一個原因。

當我們的城市是密密麻麻數(shù)據(jù)，現(xiàn)有的單一計算機，或者說一個公司的數(shù)據(jù)中心很難完成這樣的功能。

我們需要超級的分布在全市或者全國的計算設施，已經(jīng)不僅僅是計算機了，這里面的程序也很復雜，所以需要智能。

2. 人工智能（機器智能）的本質(zhì)

那么，什么是人工智能，確切講什么是機器智能？

人工智能屬于可計算問題，它跟我們?nèi)祟惖闹悄苁菦]有關系的。

那么，如何判斷機器是否有智能的標準呢？因此，能不能做這樣一個客觀的判斷方法，這就是圖靈測試。

如果在屏幕背后有一個智能機器，另外一個屏幕背后有一個人，我問一個問題讓他們回答，天為什么是藍顏色的。

然后讓你們判斷哪個問題是機器回答的，哪個問題是人回答的。當判斷不清楚的時候，這時候我就說機器和人有同等的值。

因為它是等價基礎上的定義，并不是說機器需要像我們?nèi)诉@樣思考，這是人工智能的本質(zhì)。

3. 人工智能的理解誤區(qū)

提到人工智能，大家有時候就想到腦科學，是不是把認知思維搞清楚了，人工智能就能做的比別人好？不是這樣的。

人工智能是從結(jié)果上判定是否與人一樣好，不是從做事方式上來判定。

舉個例子，前兩年慕課公開課很流行。美國一所學校大量使用計算機教學，課上常常有TA，TA有些時候到課堂上幫助教授答疑。

這所大學會評全校最好的10個TA，有一年評了一個TA，就叫他約翰吧。但是沒有人知道約翰其實是一個機器人，大家并沒有見到他，這是十個最好的TA之一。

TA做的事情是一個限定問題。比如說就輔導宏觀經(jīng)濟學這一門課，約翰做的不比人做的差。

也就是說，宏觀經(jīng)濟學這門課方面，約翰和人具有同樣的智能，但是它未必是像人一樣思考。這是幫助我們理解人工智能的一個很重要的特點。

三、人工智能的歷史發(fā)展階段

第一階段：傳統(tǒng)人工智能

人工智能是1956年提出來的。美國一所私立大學10個教授思考機器智能的問題。

這10個科學家后來得了五個圖靈獎，還有一個諾貝爾獎。他們當時就在想怎么讓計算機能夠有人的智能，那時候是人工智能一個初期階段。

當時，大家的思維方式有點像今天中國說的“民間科學家”，什么意思呢？人類認識一個事物的時候，一開始都是一個直覺。

舉例：鳥飛派 vs 空氣動力學派

大家看《全球科技通史》里面會看到人類對飛行的認識，最早的時候就是模仿鳥飛，后來才知道要搞出空氣動力學的一套理論。

今天飛機飛的方式和鳥是完全不同的，但是從效果上來講比鳥飛得快。人工智能一開始也是這樣的，大家一開始都讓它模仿人。

舉例：猴子摘香蕉

學過人工智能課的人可能知道一個經(jīng)典問題叫猴子摘香蕉。天花板上放一個香蕉猴子夠不著，房間里面有可移動的桌子、椅子。猴子通過移動桌子，把椅子再放上去把香蕉摘了。

人工智能開始做這件事時，先讓它有猴子的智能可能不難，但是有人的智能就比較難了。

科學家們搞了十幾年搞不下去了，其中有一個人馬文?明斯基開始反思這個問題為什么解決不了。他就找到一個反例告訴大家說我們這些人都走錯了路。

什么反例子呢？就是兩句英文話：

① The pen was in the box；② The box was in the pen。

在英語里pen三個英文字母還有另外一個含義就是小孩兒玩的圍欄，你要把pen理解成圍欄第二句話就解釋通了。

這件事對人來說不難理解，但是對計算機就非常費解，無法判定這個時候pen是鋼筆還是圍欄，為什么呢？原因很簡單。

第一，我們知道小東西要放在大的東西里，你是怎么知道的？這是常識。

第二，如何判定鋼筆有多大？我一說鋼筆你們馬上就能想到多大，你不會想到汽車這么大。

計算機怎么知道鋼筆多大？即使讓它像人類似的那樣分析語法，分析語義等等也得不到這種知識。

今天發(fā)現(xiàn)計算機能夠做一些特別難的事情，例如下圍棋等等做的比人好多了。

Google其實后來不再開發(fā)AlphaGo了，覺得已經(jīng)跟人類差距太大了。相當于一個專業(yè)選手跟業(yè)余選手下圍棋，你沒有辦法下圍棋了。

但是你讓今天最好的機器人上街打一瓶醬油，你們家3歲孩子都可以干這件事，它卻干不了。人工智能開始的定義是有特定范圍，不能拿最不擅長的比人擅長的。

比如，一個很簡單的人類常識，計算機是做不到的。

再舉個例子，大家覺得今天的大江無人機很厲害，但是你讓無人機像蒼蠅一樣飛就飛不了。

蒼蠅大概有10萬個神經(jīng)元，但是無人機不到能干這么多事。這是人工智能的缺陷。

這就是我為什么在開始的時候講計算機的邊界。你讓計算機去模擬一只蒼蠅很困難，說明你走模擬這條路走錯路了，我們要找一條別的路。

第二階段：數(shù)據(jù)驅(qū)動

那么人工智能開始進入第二階段，即以數(shù)據(jù)驅(qū)動的人工智能解決方案，提出者是萊德里克.賈里尼克。

1972年，賈里尼克到IBM 華生實驗室做學術休假，無意中接觸了語音識別實驗室,兩年后他選擇了留在IBM。

在那里,賈里尼克組建了陣容空前絕后強大的研究隊伍。IBM從六十年代開始做一些語言識別，但是都不成功，到七十年代讓賈里尼克負責語言識別等課題研究。

因為賈里尼克是一個通信專家，所以他不把語音識別問題當做人工智能問題，而是當成通信問題。

其實又把語音識別問題拉回到原點，看看通信是什么。我把意思表達給你，你來理解我的信息。

我把想法在腦子里變成一串文字，這叫做信息的編碼。

編碼信息通過聲音說出來，然后耳蝸把接收到的信息解碼還原成電信號，電信號通過接收者大腦進行解碼，接收者就知道對方的傳遞信息，這是信息解碼的過程，是標準的通信的模型。

既然是標準的通信模型，就可以用通信的方式解決它。他用信源編碼和信道編碼兩個模型來描述語音識別問題。

如果要把數(shù)學模型的參數(shù)算清楚就要用大量的數(shù)據(jù)去算。為什么這事在IBM能做成了呢？因為全世界當時只有IBM有數(shù)據(jù)。

IBM是商用機器公司，它是為各大公司提供計算機，大公司之間用計算機發(fā)電傳，發(fā)傳真。因此，IBM擁有大量商業(yè)電傳文本，所以它做成這個事了。

換了一個思維方式解決問題以后得到了什么結(jié)果呢？在整個六七十年代，語音識別能識別十個數(shù)字，再加上幾個簡單的英文單詞。

IBM最早想做一個語音控制的計算機，能夠?qū)崿F(xiàn)自動接線系統(tǒng)，連接、斷開、轉(zhuǎn)接、付費等等。

但是，當時識別不超過100個英文單詞，錯誤率30%，沒有辦法用。

轉(zhuǎn)換思路，用數(shù)據(jù)驅(qū)動方法解決問題能識別22000個英文單詞，錯誤率從30%到下降到10%，就在短短幾年間實現(xiàn)。

這就是工作方法和思維方式的重要性，思維方式常常比技術本身更重要。你沿著原來的老路用技術再走，也走不到前面去，就是一個死胡同。

但是當時的數(shù)據(jù)也僅僅只能解決語音識別的問題，不能解決圖像處理問題，圖像處理問題數(shù)據(jù)的絕對數(shù)量是語音識別的100倍。

所以當時是不可能的。后來，賈里尼克手下一個人提出機器翻譯的模型，這個人叫彼德?布朗（Peter F. Brown）。

當時英語的翻譯思路是走得通的，但是由于沒有數(shù)據(jù)，翻譯效果不好。

在沒有互聯(lián)網(wǎng)的情況下，世界上能找到的數(shù)據(jù)只有2個，一是各個國家都有的圣經(jīng)，另一個是聯(lián)合國幾個官方語言之間的文件數(shù)據(jù)，數(shù)據(jù)都非常少。彼德?布朗的模型在當時沒有得不到很好的結(jié)果。

很有意思的是彼德?布朗的論文是今天做機器翻譯引用最多的論文，引用的高峰不是在九十年代剛剛發(fā)表論文的時候，而是在2000年以后當數(shù)據(jù)量大的時候。

那么，彼德?布朗是什么人呢？世界上最牛的投資基金叫文藝復興，彼德?布朗原來是文藝復興科技公司IT總監(jiān)，現(xiàn)在擔任文藝復興的副總。

所以他后來就去預測股票了。由于缺乏數(shù)據(jù)，因此八九十年代人工智能進入了低谷。

到了2004年、2005年，人們看到一點曙光了。最先讓大家覺得很興奮的事機器翻譯的水平基本上可以達到人的水平了。

Google有一個團隊參加了美國國家標準化和技術研究所的測評，相當于中國標準化局的一次評測。

這一次評比的結(jié)果贏的是Google，跟第二名大概差5個百分點。

全世界科學家努力一年大概能提高0.5%，提高5%差不多10年。今天技術相差十年你們倆不在一個水準，差一代。

Google是第二個做這個事情的公司，憑什么一下子成為世界第一，而且是遠遠的第一名呢？

原因也很簡單，Google把原來世界上做機器翻譯最好的一個科學家請到了Google去。

為什么跳個槽，結(jié)果就提高了5個百分點呢？因為他用了別人一萬倍的數(shù)據(jù)，就這么簡單的一件事，算法沒有變。

這就是為什么叫數(shù)據(jù)驅(qū)動的方法，也就是在這之后深度學習開始慢慢熱門起來了。

基礎的算法在七十年代已經(jīng)奠定了，現(xiàn)在用了當年一萬倍的計算資源，但是怎么用這些計算資源是一個本事。

我講這些想是想告訴大家人工智能和我們?nèi)四X的智能完全無關，是一種基于數(shù)據(jù)驅(qū)動的機器學習方法。

如同鳥是振動翅膀來飛行，飛機是不振動翅膀飛行，實際上飛機飛行跟鳥類飛行沒有太大關系。

飛機飛上天是人類對空氣動力學的研究，而不是對鳥類的飛行進行研究。

今天了解人工智能是思考怎么讓計算機這些鋼鐵等材料組成的盒子在回答問題的時候能超過人，而不是說研究人腦的結(jié)構(gòu)。

有一個簡單的方法判定人工智能是真還是假。如果說這個人工智能和認知科學有很深的關系，這是騙你的。

如同說發(fā)明了一個飛機，翅膀是可以振動的，是一樣的道理。如果跟你講有數(shù)據(jù)驅(qū)動的，數(shù)學模型怎么好基本上是真的。

四、人工智能發(fā)展的好消息和消息

人工智能發(fā)展到今天，好消息是說它得到了全世界的認可，LeCun、Hinton、Bengio得到了圖靈獎。

壞消息是說從人類找到數(shù)據(jù)驅(qū)動方向的時候，人工智能用光了40年技術積累的紅利，之所以今天有這個結(jié)果，是40年前的人在給你栽樹， 40年前栽的樹在今天開花結(jié)果了。

大家不要覺得人工智能突然發(fā)展這么快，會不會接下來20年又有一個巨大的加速？我告訴你不會的。

為什么？因為20年后產(chǎn)生巨大加速的事情，可以在今天的學術界預測。今天學術界所做的一些研究課題沒有太多新的。

當今的科學家們比較努力，人數(shù)也多，大概也要20年才能積累出一個讓人感覺非常興奮、非常驚喜的理論基礎。

好的是什么呢？因為這40年的成果在一些領域被證實了可以開花結(jié)果。

AlphaGo用它下棋可以用，彼德?布朗用它可以在股票上掙大錢，現(xiàn)在包括無人駕駛汽車，語音識別、機器翻譯、醫(yī)學影像識別，人臉識別等都做的很好。這些成果證明這項技術已經(jīng)成熟到了我們可以把它們用到各行各業(yè)去。

任何一次技術革命，掌握核心技術的可能是2%的人，但是剩下來得有無限應用它的可能性。

五、人工智能的發(fā)展水平

1. 弱人工智能

比如美圖秀秀，這是一個非常好的人工智能的應用，雖然你沒有覺得它很聰明，其實它在圖像處理方面蠻聰明的。

華為手機（P20以上）里面加入了很多圖像識別功能，不僅是人臉識別，還能識別各種各樣的物體。大部分人可能關注的是華為手機把顏色調(diào)的很亮麗，把人照的年輕一點。

你們愿意的話，還可以測試華為手機目標識別的功能。比如，你們?nèi)ィㄉ虾＃╆懠易欤萌A為手機照一張大樓（低處往上拍攝），然后保存原文件，大概40M大小。

然后你查看照片發(fā)現(xiàn)樓是直的，這是不對的。因為從下往上看應該有一個傾斜角度，說明手機做了大量目標識別和后處理工作。

這其實就是人工智能的應用，雖然你可能不覺得那么聰明。

2. 強人工智能

你們常想到的聰明的人工智能，例如人工智能下棋或者給你看病，這就是第二層發(fā)展水平強人工智能。

①理解自然語言（比速記員要好，能夠回答問題、寫作）

例如做速記，今天科大訊飛的語音識別和人對講話內(nèi)容做處理已經(jīng)差不了太多。當然里面有一個原因是科大訊飛的語言庫資料比較大。

②病（已經(jīng)達到了醫(yī)生的平均水平）

人工智能看病診斷能達到醫(yī)生的平均水平，疑難病癥可以達到專家水平。為什么呢？因為醫(yī)生看病在某種程度上來講就是人肉大數(shù)據(jù)，必須見到足夠多的病例水平才足夠高。

③開車（絕大多數(shù)時間比人做得好）

人工智能駕駛絕大部分時候做的都比人好。在無人駕駛汽車方面Google是唯一梯隊的公司，現(xiàn)在基本上經(jīng)過測試能夠做到每7000英里左右干預一次。

你從中國最北邊開到最南邊，或者從最東邊開到最西邊一個來回干預一次就夠了。

3. 超人工智能，是否存在？

一直有科幻片在探索超人工智能是不是存在的。其實超人工智能存在有否，與你們的生活關系不大。

我問大家一個問題，鬼存在不存在？有人相信鬼存在，也有人不相信。

不管鬼是否存在，你們都不擔心鬼的存在對不對？例如你們?nèi)サ侥硞€恐怖地區(qū)，你們是怕鬼還是怕恐怖分子？答案很顯然。

很多人現(xiàn)在寫文章，說將來人工智能發(fā)展下去不得了了，人類活不下去了。這種擔心就是等于怕鬼。我們擔心的不是鬼，而是背后的人裝神弄鬼！

所以超人工智能不可怕，可怕的是應用人工智能控制你的生活以及無形中已經(jīng)改變你生活的人，這些才是可怕的。

今天對人工智能有所擔心，不是人工智能本身，而是人工智能背后開發(fā)程序的公司和個人。

六、機器智能（人工智能）的三大支柱

1. 摩爾定律

今天的手機和十年前的手機速度差了100倍。因此華為手機才能夠做到實時處理圖像信息。計算機的速度如果不夠快，我問了內(nèi)部的一些人，三四十張合成一張。這就是摩爾定律的作用。

2. 數(shù)據(jù)

多50%，多一倍、兩倍、十倍不一定有結(jié)果，多一萬倍就會有結(jié)果了。

3. 數(shù)學模型

之前提到計算機能解決的是數(shù)學問題。你如果想用人工智能解決問題，就需要能夠?qū)λ⑵饠?shù)學模型。

復旦下面一家人工智能研究所大概有三撥人。第一撥人是學MBA的，他們到客戶那里了解客戶業(yè)務邏輯；第二撥人是學數(shù)學的，根據(jù)業(yè)務邏輯搭建出數(shù)學模型；第三撥人是學計算機的，把數(shù)學模型變成計算機算法。

七、人工智能發(fā)展的三種態(tài)度

大家在做人工智能的時候有三種態(tài)度，分別是模擬人，取代人，超越人。

1. 模擬人

模擬人就是說原來人能做的一些事由它來做，有人就談到服務機器人。但我個人未必覺得是一個很好的思路，為什么呢？

舉個簡單例子，比如說養(yǎng)老機器人，家里老人是想跟機器人聊天還是想跟兒女聊天呢。

又比如生病了，你是希望機器人給你送藥打針還是護士來跟你說兩句話？也許這個領域恰恰是人更合適的。

人工智能并非能解決所有問題，有時候要分清這個問題。當大家都涌到加州淘金，賣水的人掙著了錢。

加州很有名的礦泉水公司當年就靠賣水發(fā)家起來了。還有一家牛仔褲公司也在淘金時期發(fā)展起來。

2. 趕上人

人工智能在很多事上很容易趕上人。比如說天為什么是藍的可能比你想的還清楚。

我家里有一個對話機器人。有一次在家里和朋友聊天聊到amazon，機器人馬上問“你們是不是要買東西”？家人逗它說要買東西。

后來它說“高爾夫球好像快沒了，是不是還要買”？他說那就買吧！

它接著問“是不是還買上次那個牌子”？我們說是的。

幾天之后，商品就寄過來了。

你在FACEBOOK上點贊達到100次，它會比你家人都了解你的需求，點到200次可能比你自己還了解自己。這些事是人工智能可以完全解決的。

3. 超越人

某些事情，例如無人駕駛汽車，包括一些疾病的診斷，我個人覺得人工智能會比人做的更好。

疾病診斷誤診、漏診其實是蠻多的，有些時候比我們想象的要大得多。

假設你是放射科的專家看片子的，看片子可能就會漏掉很多的細節(jié)。機器做這件事是非常穩(wěn)定的事。

八、把握機遇抓住未來

今天講了很多計算機和人的邊界。要用不同的方式去看待計算機的智能，千萬不要跟人等價。它的感知世界和人是不一樣的。

關于人和計算機的智能區(qū)別，邁克爾?喬丹教授（美國人工智能專家）提到計算機的智能是網(wǎng)絡行為，人是個體行為。

它獲得的智能是網(wǎng)絡判斷的結(jié)果，不是單個計算機的智能。這是計算機和人的智能的差別。

當然這也帶來一個風險，一旦出錯就不是一個人出錯，可能導致整個社會系統(tǒng)的癱瘓！

我們的主題叫超級智能時代，在這個時代還有很多細分領域有人工智能應用的機會，就看你們怎么把握呢！

如果你相信未來20年是一個還不錯的發(fā)展機會，你就會采用不同的人生態(tài)度和不同的做事方式來抓住未來，也希望每個人都抓住未來。

謝謝大家！

*文章為作者獨立觀點，不代表筆記俠立場。

內(nèi)容來源：4月20日-21日，在交大安泰EMBA承辦的“互聯(lián)網(wǎng)+訓練營”第9期上，智能搜索科學家、《全球科技通史》作者吳軍進行了以“回歸本源看人工智能本質(zhì)與發(fā)展”為主題的精彩演講，筆記俠經(jīng)講者和主辦方審閱發(fā)布。

來源：https://mp.weixin.qq.com/s/SBB77-dNkmAKTB1yLsVgAQ

本文由@筆記俠 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載

題圖來自Unsplah，基于CC0協(xié)議