但如今，人們想要看到超越人工智能的未來(lái)。在如今物聯(lián)網(wǎng)、機器人、納米科技及機器學(xué)習逐漸發(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(lái)五年內發(fā)展的看法。

很顯然，在過(guò)去幾年間，人工智能給許多領(lǐng)域造成了非常大影響。不過(guò)，人們現在考慮的是，人工智能在未來(lái)五年內會(huì )在哪些領(lǐng)域發(fā)展。筆者認為，有必要（撰寫(xiě)一篇文章）描述如今我們如今看到的一些發(fā)展趨勢，并對關(guān)于機器學(xué)習領(lǐng)域未來(lái)的發(fā)展做出一些預測。如下提出的列表并不一定窮舉了所有的可能，讀者也無(wú)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(shí)，筆者認為有用的一些觀(guān)點(diǎn)。

關(guān)于人工智能的十三點(diǎn)預測

人工智能工作時(shí)需要的數據量會(huì )變得更少。

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

新的學(xué)習模型是關(guān)鍵要素。

一種名為轉移學(xué)習（Transfer Learning）的技術(shù)能允許標準的強化學(xué)習（Reinforcement Learning）系統基于之前獲取的知識進(jìn)行構建——而這是人類(lèi)能輕松完成的。它隸屬于增量學(xué)習（Incremental Learning）技術(shù)。而 MetaMind 則在研究多任務(wù)學(xué)習（Multitask Learning）問(wèn)題。在其中，同一個(gè)神經(jīng)網(wǎng)絡(luò )被用來(lái)解決不同類(lèi)型的問(wèn)題，且當該神經(jīng)網(wǎng)絡(luò )能夠在一類(lèi)問(wèn)題上表現更好時(shí)，那么它也能在另一些問(wèn)題上表現更好。MetaMind 的下一步發(fā)展，是引入動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò )（Dynamic Memory Network）的概念，它能夠回答特定問(wèn)題，并能夠推斷一系列話(huà)語(yǔ)間的邏輯聯(lián)系。

人工智能會(huì )消除人類(lèi)（認知）偏差，并能讓我們變的更像人造的。

人類(lèi)的天性，將會(huì )因為人工智能而改變。Simon（1995）表示，人類(lèi)不會(huì )作出完全理性的選擇，因為（做出）最優(yōu)化選擇代價(jià)高昂，還因為人腦計算能力有限（Lo, 2004）。人們常常做的是尋求滿(mǎn)意解，即挑選出至少是能使自己滿(mǎn)意的選擇。在生活中引入人工智能，或許會(huì )結束這樣的情況。當（裝備了人工智能）人類(lèi)不再受計算能力約束后，這終將會(huì )一勞永逸地回答，是認知偏差真實(shí)存在并且是人類(lèi)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）認為，人類(lèi)（做決策時(shí)）的滿(mǎn)意點(diǎn)，是在一系列的進(jìn)化嘗試和自然選擇的過(guò)程中形成的。在其中，個(gè)體基于過(guò)去數據和經(jīng)驗進(jìn)行預測并做出選擇。他們根據接受的正／負反饋進(jìn)行學(xué)習，并能夠啟發(fā)式的快速解決相關(guān)問(wèn)題。但是，一旦環(huán)境改變，適應過(guò)程則有些延遲和緩慢，而且一些老的習慣并不能適應新的改變——這就造成了行為偏差。人工智能則會(huì )縮減這些延遲時(shí)間到 0，虛擬化的消除任何行為偏差。

此外，基于經(jīng)驗隨時(shí)間進(jìn)行學(xué)習，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，因為我們不能想到所有決策（知識空間有限）。

人工智能會(huì )被愚弄。

如今的人工智能遠非完美，同時(shí)也有很多人正專(zhuān)注于研究如何欺騙人工智能設備。最近一個(gè)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(lái)，它是首個(gè)能夠誤導計算機視覺(jué)的方法。智能圖像識別軟件會(huì )被經(jīng)過(guò)微妙處理的圖像所愚弄，該軟件會(huì )對這些圖像進(jìn)行錯誤地分類(lèi)。但有趣的是，這種方法卻不會(huì )欺騙人類(lèi)。

人工智能的發(fā)展伴隨著(zhù)風(fēng)險。

主流的聲音認為，人工智能正越來(lái)越成為人類(lèi)潛在的災難。當一個(gè)超級人工智能系統（ASI, Artificial Super Intelligence）被造出的時(shí)候，也許它的智慧遠超過(guò)人類(lèi)，甚至它能夠想到并做到我們今天不能預測的事情。盡管如此，我們認為，在這些可怕的于人類(lèi)存亡相關(guān)的威脅之外，還存在著(zhù)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(huì )做什么、怎么做，這背后隱藏的風(fēng)險實(shí)際上都無(wú)法理解，無(wú)論它們會(huì )對人們造成正面的還是負面的影響。再之，在從狹義人工智能（Narrow Artifical Intelligence）向強人工智能乃至超級人工智能轉換的過(guò)程中，會(huì )產(chǎn)生一個(gè)內在的責任風(fēng)險——誰(shuí)會(huì )對可能出現的錯誤或者故障負責？更進(jìn)一步，在究竟誰(shuí)能主導人工智能、人工智能的能力應該被如何使用的方面，也同樣存在著(zhù)風(fēng)險。在這種情況下，我們確實(shí)覺(jué)得，人工智能應當作為一個(gè)工具（或是面向所有人的公眾服務(wù)）被使用，并預留一定程度的決策權給人類(lèi)以幫助該系統處理罕見(jiàn)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）。

強人工智很有可能不會(huì )是一個(gè)具有強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(gè)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(chēng)，現存的實(shí)現人類(lèi)集體智能的方法，甚至都不允許用戶(hù)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——這會(huì )導致群體性偏差。另一方面，人工智能則會(huì )解決這樣的聯(lián)通缺陷，并且創(chuàng )建一個(gè)與其他物種非常相像的統一的集體智慧。自然中較好的例子來(lái)自于蜜蜂，它們進(jìn)行決策的方式和人類(lèi)神經(jīng)運作的方式非常相像。它們都是用了大量的可執行單元，它們同步運行，能夠整合噪聲、權衡替代方案，并最后能夠形成特定的決策。Rosenberg 認為，這個(gè)決策經(jīng)過(guò)在分布的可執行單元和子群上的實(shí)時(shí)閉環(huán)競爭而最終形成。每一個(gè)子群都支持一個(gè)不同的選擇，而最后共識的達成不是經(jīng)過(guò)經(jīng)過(guò)類(lèi)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制，由其他子群產(chǎn)生，能夠避免整體系統達到一個(gè)局部?jì)?yōu)化決策。

人工智能會(huì )帶來(lái)無(wú)法預期的社會(huì )政治影響。

人工智能首先帶來(lái)的社會(huì )經(jīng)濟方面的影響，是失業(yè)問(wèn)題。盡管從一方面來(lái)說(shuō)這是一個(gè)非?，F實(shí)的問(wèn)題（當然也在很多方面帶來(lái)了機會(huì )），我們認為也應當從其他不同的方面來(lái)看這個(gè)問(wèn)題。第一，工作機會(huì )是被完全地摧毀了，而是會(huì )變得不同。因為數據將能被個(gè)人而非企業(yè)直接獲取和分析，因而許多服務(wù)會(huì )逐步消失。并且，人工智能會(huì )使得知識分布趨于分散化。我們認為在這場(chǎng)革命中更應該關(guān)切的，是它帶來(lái)的雙重后果。首先，使用更聰明的（人工智能）系統后，在特定的領(lǐng)域內，越來(lái)越多人將喪失它們的專(zhuān)業(yè)性。這預示著(zhù)，人工智能軟件需要被設計整合一套雙重反饋系統，能夠整合人類(lèi)和機器的處理方法。我們的第二點(diǎn)擔憂(yōu)和之前提到的第一個(gè)風(fēng)險相關(guān)，我們擔心人類(lèi)將淪為「機器技術(shù)員」。因為大家都認為人工智能更擅長(cháng)于解決問(wèn)題，覺(jué)得它們很更可靠（，所以我們會(huì )更多地部署人工智能系統）。這種惡性循環(huán)將會(huì )讓我們變得更沒(méi)有創(chuàng )造力、失去獨創(chuàng )力、更不聰明，并會(huì )以指數地增加人機的差異。我們正體驗著(zhù)這樣的系統，或是當我們使用它時(shí)我們會(huì )更聰明，或是當我們不使用它時(shí)我們會(huì )覺(jué)得糟糕。我們希望人工智能更傾向于變?yōu)榍罢?，而不是帶?lái)新的「智能手機效應」——我們會(huì )完全地依賴(lài)于它。最后，這個(gè)世界正變得越來(lái)越對機器人友好，人類(lèi)在其中也扮演著(zhù)連接機器人的角色而與之對立。機器人（在社會(huì )中）正逐步起到主導作用，它們對人類(lèi)的影響相比人類(lèi)對他們的影響也越來(lái)越大，這也許會(huì )讓人類(lèi)最終變?yōu)椋ㄉ鐣?huì )系統中的那個(gè)）「故障」。

而在地緣政治方面，我們則認為人工智能會(huì )對全球化造成巨大的影響。有這樣的可能，由人工智能系統控制機器人運行的被優(yōu)化的工廠(chǎng)，其廠(chǎng)址最終會(huì )重新回到發(fā)達國家。因為（到那時(shí)）在新興國家建廠(chǎng)，會(huì )失去那些傳統的低成本的理由。我們不清楚，這是會(huì )平衡國家之間的差異，還是會(huì )增大發(fā)達國家和發(fā)展中國家間已經(jīng)存在的差異。

真正的人工智能應該開(kāi)始問(wèn)「為什么」。

到目前，大多機器學(xué)習系統都能夠在模式識別及輔助決策方面做的很好；并且因為大部分程序都被硬編碼了，所以它們仍能夠被理解。盡管我們已經(jīng)能讓人工智能闡明「是什么」和「如何做」，這已經(jīng)是一個(gè)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，我們需要設計一個(gè)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)隱私保護問(wèn)題和數據泄漏預防問(wèn)題。

人工智能將隱私問(wèn)題提升到了一個(gè)新的等級。新的隱私保護方法應當被發(fā)明及采用，它們應當比簡(jiǎn)單的安全多方計算法（SMPC）復雜得多，也應該比同態(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日常遇到的隱私問(wèn)題。不過(guò)已經(jīng)有不少公司走得更遠，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)（設備）。

人工智能（的發(fā)展）允許物聯(lián)網(wǎng)設備能被以完全分布式的架構進(jìn)行設計，在其中每一個(gè)節點(diǎn)都能夠進(jìn)行自己的預算（也就所謂的邊界計算）。在傳統的中心化模型中，有一個(gè)被稱(chēng)作是服務(wù)器／客戶(hù)端模型的問(wèn)題。其中的每一臺設備都連接到云端服務(wù)器，并由云端服務(wù)器識別、驗證，這導致了非常昂貴的設備費用。但基于分布式方法設計的物聯(lián)網(wǎng)網(wǎng)絡(luò )或是傳統的點(diǎn)對點(diǎn)（Peer-to-Peer, P2P）架構，則能夠解決這個(gè)問(wèn)題、降低費用，并能夠避免因一個(gè)節點(diǎn)實(shí)效而造成整個(gè)系統損壞的問(wèn)題。

機器人學(xué)正變?yōu)橹髁鳌?/b>

筆者認為，人工智能的發(fā)展會(huì )受到機器人學(xué)發(fā)展的制約。同時(shí)，這兩個(gè)關(guān)聯(lián)的領(lǐng)域會(huì )以相同的速度發(fā)展，以最終得到一個(gè)適當的強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(huì )視那種沒(méi)有「物理實(shí)體」的人工智能為強人工智能或超級人工智能。

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

另外還有一些證據能證明這個(gè)趨勢：

 

• 最近激增的機器人相關(guān)專(zhuān)利申請數量。據 IFI 稱(chēng)，中國（近期）已經(jīng)有超過(guò) 3000 項目申請，在美國、歐洲、日本、韓國等地的數量大致相同。
• 如下圖所示的最近機器人相關(guān)基金的價(jià)格走向。

 

機器人 STOX 基金從 2013 年至 2016 年的價(jià)格走向

人工智能在發(fā)展中也許會(huì )面臨阻礙。

在實(shí)現強人工智能的過(guò)程中面臨的最大阻礙，不是算法的選擇或數據的使用（至少不只是），而是一個(gè)結構上的問(wèn)題。硬件性能、（設備間）物理的聯(lián)系（如互聯(lián)網(wǎng)）及設備的耗能，是創(chuàng )建足夠快人工智能的瓶頸。這也是我相信存在著(zhù)如 Google Fiber 這樣部門(mén)的原因，也是為什么量子計算正變得越來(lái)越相關(guān)的原因。量子計算允許我們以超高的速度進(jìn)行運算（根據物理規則它會(huì )瞬間完成），而這在傳統電腦上會(huì )耗費非常長(cháng)的時(shí)間。它依靠量子力學(xué)的性質(zhì)，基于傳統計算機用二進(jìn)制描述問(wèn)題的想法。因此，據 Frank Chen（在 Andreessen Horowitz 的合伙人）稱(chēng)，晶體管、半導體及電子導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(zhù)其運算律會(huì )不同于的傳統的布爾代數規則。

一種對傳統計算法和量子計算法區別的通俗比較，基于電話(huà)本問(wèn)題（Phonebook Problem）。在電話(huà)本中搜尋號碼，傳統的方式是一條接著(zhù)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(huì )是科學(xué)界革命性的突破，但 Chen 表示現在建造它是非常困難的。亟待解決問(wèn)題包括：建造計算機的超導材料需要的高溫，極短的貫通時(shí)間（Coherence Time）——這是量子計算機實(shí)際進(jìn)行計算的時(shí)間窗口，單次計算所需的時(shí)間，以及正誤答案之間的能量差過(guò)小難于被探測到。所有這些問(wèn)題縮小了（量子計算機的）市場(chǎng)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的 Cambridge Quantum Computing 有限公司。

生物機器人和納米科技將是未來(lái)人工智能的應用方向。

我們正見(jiàn)證著(zhù)在人工智能和納米機器人交叉領(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(shí)也在研究相關(guān)的結合體。他們甚至嘗試研發(fā)出生物導線(xiàn)（一種由細菌制造的導線(xiàn)）及器官芯片（由人細胞制作的、人器官中起功能部分的微型模型，能夠復制器官的部分功能；在該領(lǐng)域，Emulate 是最領(lǐng)先的公司）。生物機器人方面的研究同時(shí)也考驗著(zhù)著(zhù)材料性能的極限。最近一種「軟」機器人被制造出來(lái)，他只有軟的構建。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」（Chemputer），一種能夠使用先進(jìn)化學(xué)過(guò)程以「生長(cháng)」復雜電子系統的裝置。

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(wèn)題來(lái)了：最值得配置的人工智能概念股是哪只？即刻申請進(jìn)入國內首個(gè)免費的非公開(kāi)主題投資交流社區概念股論壇參與討論！