人工智能的大部分科學(xué)理論已經(jīng)完善，但也僅僅是停留在理論階段，距離成熟應(yīng)用還有很長一段路要走。
人工智能——在私人助手、機(jī)器人、自動駕駛汽車、和機(jī)器學(xué)習(xí)的偽裝下——再次火了起來，主宰了硅谷話題榜、科技媒體報告、和賣主們的交易展示。
人工智能屬于那種會周期性地火熱起來的話題，但實際的進(jìn)步卻是緩慢的。
我還記得在 80 年代中期看見的那些天花亂墜的人工智能展演，包括 IBM、麻省理工大學(xué)、卡內(nèi)基梅隆大學(xué)，Thinking Machines 和其它類似機(jī)構(gòu)，甚至包括一批科技界嬉皮士的倡導(dǎo)者如 Jaron Lanier，此人在當(dāng)時還經(jīng)常出現(xiàn)在先鋒雜志「Omni」的封面上。
在人工智能時代，大部分科學(xué)理論已經(jīng)十分完備，但是在應(yīng)用上仍舊十分不成熟。并不是皇帝沒穿衣服——事實上，皇帝現(xiàn)在只穿著內(nèi)衣呢，所以我們還需要制作更多的衣服。
因此，我們需要對這些智能硬件/軟件保持嚴(yán)謹(jǐn)?shù)膽B(tài)度。我們距離「星際迷航」的世界還得差上幾十年——即使是最新的對話式計算機(jī)，距離史蒂芬 · 斯皮爾伯格的「人工智能」還要低級許多。
盡管如此，在通用人工智能上還是有許多進(jìn)展的。聰明的開發(fā)者和公司們會將精力集中在真正有發(fā)展?jié)摿Φ奶囟I(lǐng)域，至于其它的，就留給科幻小說作者和那些喜歡嘩眾取寵的媒體們吧。
機(jī)器人和人工智能是兩個不同的領(lǐng)域
熱門科幻小說總是將機(jī)器人與人工智能混為一談，從「地球停轉(zhuǎn)日」中的 Gort，到「太空堡壘卡拉狄加」中的 Cylons；從阿西莫夫的小說「我，機(jī)器人」中的假充人類的機(jī)器人，到「星際迷航：下一代」中的人造人 Data。
然而，機(jī)器人并不是硅制的智能生物，而只是能夠完成人類預(yù)設(shè)的機(jī)械任務(wù)的機(jī)器——它們往往更加可靠、高效，并且沒有對工資或個人利益的需求。
機(jī)器人在生產(chǎn)中已經(jīng)十分普遍，并且在逐漸被醫(yī)院用于藥品的供應(yīng)和運(yùn)送（因為機(jī)器人不會偷竊藥品），但是在辦公和家庭場景中，機(jī)器人的使用就要少多了。
在近幾年，仿生學(xué)領(lǐng)域的發(fā)展程度令人驚訝，其動力主要是為了幫助在過去二十年的戰(zhàn)爭中失去四肢的退伍軍人?，F(xiàn)在，我們已經(jīng)能夠看到會對神經(jīng)脈沖和腦電波做出反應(yīng)的人造肢體，就像它們原本就是身體的一部分一樣，我們有理由相信，很快它們就能進(jìn)一步擺脫電線和外部電腦的桎梏。
或許，有一天，我們的確會將人工智能和機(jī)器人融為一體，并成為 Cylons 的奴隸——甚至更糟。但這并不會持續(xù)很久。與此同時，人工智能領(lǐng)域的進(jìn)步，將使得機(jī)器人更好地工作，因為它們的軟件可以變得更加復(fù)雜。
現(xiàn)在的系統(tǒng)還太傻
許多被認(rèn)為是以人工智能為基礎(chǔ)的產(chǎn)品——亞馬遜的產(chǎn)品推薦、谷歌地圖等等——其實只是一種模式匹配而已。隨著云計算的飛速發(fā)展，數(shù)據(jù)存儲和計算能力在大幅度提高，這使得更多的模式能夠被存儲、識別和操作。
大部分人在做的都是模式匹配——為了解決一個問題，你首先需要找出它和你已知的知識中的相似之處，然后用已知的解法來解決這個問題。匹配最相似的操作或結(jié)果的速度越快，系統(tǒng)看起來就越智能。
但我們現(xiàn)在仍舊在起步階段。即使在已經(jīng)十分完善的導(dǎo)航系統(tǒng)上，也有誤導(dǎo)人們駛?cè)霗C(jī)場跑道、池塘、積雪路段的情況發(fā)生。人們會聽取 GPS 的建議，但有時這些建議和人們自己的判斷相矛盾。
但是最主要的是，這些系統(tǒng)還太傻了。例如，當(dāng)你在亞馬遜上搜索了某項產(chǎn)品后，許多你之后瀏覽的網(wǎng)站都會有這個產(chǎn)品的廣告，然而，你此時早已下訂單了，或者早就決定不買了——而這些系統(tǒng)只知道你曾瀏覽過這個商品，所以仍舊不停地把重復(fù)的廣告拿給你看。這絕不可能是什么智能。
然而，不僅僅亞馬遜產(chǎn)品廣告是這樣，蘋果的 Genius 音樂匹配功能和 Google Now 的推薦，都同樣對數(shù)據(jù)的背景知識熟視無睹，所以它們很快就會把你帶入重復(fù)的海洋中。
這些所謂的「智能」系統(tǒng)，甚至還會起到適得其反的作用。例如，蘋果系統(tǒng)的輸入法自動更正功能，就是眾包項目失敗的典型代表。它全面體現(xiàn)了人們在語法、符號使用、字母大寫上的種種問題，并且還有打字錯誤貫穿始終。（就算是對于我這種成天打錯別字的人，將自動更正的功能關(guān)掉之后錯誤也少了很多）
現(xiàn)在這些系統(tǒng)所缺失的，是對背景知識的細(xì)微考慮。例如，知道你最近買了什么沒買什么，這樣你不會總是得到同類產(chǎn)品的廣告，而是你可能更感興趣的產(chǎn)品。同樣地，如果你的歌單包含了不同風(fēng)格的歌曲，那么你的推薦歌單也應(yīng)該是這樣的。同樣地，例如，Google Now 現(xiàn)在在做的餐飲推薦——我喜歡印度菜，但我并不想每次出門都吃印度菜。我還喜歡什么菜系而最近一陣都沒有吃？我和什么人一起吃，而他們喜歡吃什么？這些都需要納入考慮范圍中。
自動更正功能，也是一項十分需要背景知識的應(yīng)用。首先，我們十分需要有人告訴蘋果「its」和「it's」的區(qū)別，并且讓系統(tǒng)明白，人們是可以對單詞做出合理、正確的改動的。例如，前綴既可以是一個單詞的一部分（如「preconfigured」），也可以用符號連接（如「pre-configured」），而用戶可以選擇自己喜歡的那一種。（在中間加空格永遠(yuǎn)是錯的，如「pre configured」，而每次你要是不用連字符的話，系統(tǒng)都會這樣自動更正。）
在類似于自動更正這類功能真正變得有用之前，別指望機(jī)器人——那些根據(jù)它們掌握的數(shù)據(jù)，幫你完成任務(wù)的自動化軟件助手 ——能做除了干雜活以外的事情。因為，它們本質(zhì)上是同一類問題。
模式識別正以機(jī)器學(xué)習(xí)的形式蓬勃發(fā)展
即使擁有極其豐富的數(shù)據(jù)，模式匹配也并不足以完成所有任務(wù)，因為其運(yùn)作方式必須事先就被設(shè)計好。而這就是模式識別有優(yōu)勢的地方了。 在模式識別中，軟件能夠在觀察你的行為時發(fā)現(xiàn)模式，或改變已有的模式。
這并不是一項簡單的任務(wù)，因為我們需要首先給系統(tǒng)規(guī)則指定變量，但是，有時數(shù)據(jù)會過于寬泛以致于無法分類，有時會過于狹窄以致于無法解決實際問題。 事實上，模式識別能力是當(dāng)前機(jī)器學(xué)習(xí)的重要部分，不論是讓你點(diǎn)擊更多廣告、購買更多產(chǎn)品、診斷飛機(jī)引擎失敗、根據(jù)天氣和路況調(diào)整貨運(yùn)路線、還是在汽車駕駛中避開危險（汽車避碰系統(tǒng)將很快成為美國汽車的配置標(biāo)準(zhǔn)之一）。
正是因為機(jī)器學(xué)習(xí)是如此復(fù)雜——特別是在有著清晰定義的工程類問題領(lǐng)域之外——所以盡管一時無法感受到系統(tǒng)的改進(jìn)，我們還是應(yīng)該耐心等待它的進(jìn)步。
語音識別是一個很好的例子——第一個系統(tǒng)（基于電話的幫助系統(tǒng)）差勁到十分可怕的地步，但是現(xiàn)在我們有 Siri, Google Now, Cortana 等許多人和許多語境來說都十分好用的系統(tǒng)。它們?nèi)耘f會產(chǎn)生許多錯誤——特別是在復(fù)雜語句和狹窄鄰域上，以及適應(yīng)不同的口音和發(fā)音模式上——但是它們已經(jīng)足夠在實際生活中幫助我們了。有一些人甚至將它們當(dāng)作人類聽寫員一樣使用。
但是，上下文語境越凌亂，機(jī)器學(xué)習(xí)的難度就越大，因為它們擁有的模型是不完整的，或者僅僅適應(yīng)于它們運(yùn)作的一小部分語境。自動駕駛汽車就是一個很好的例子：一輛車或許能夠從路標(biāo)和其它車的駕駛模式中，學(xué)習(xí)如何駕駛， 但是像天氣、行人和自行車、并排停放、建筑工地等等這些外部因素，則會使得學(xué)習(xí)系統(tǒng)十分困惑。
那么，我們有可能解決這些問題嗎？答案是肯定的，但是可能沒有各類博客里預(yù)言的那么快。
機(jī)器學(xué)習(xí)帶來的預(yù)測分析
許多年來，IT 界盛行預(yù)測分析這一概念，有時是在其它稱號的偽裝下，例如操作型商業(yè)智能。這是一個很好的概念，但是這需要模式匹配、機(jī)器學(xué)習(xí)、以及洞察力，而洞察力正是能夠讓人們跨入新紀(jì)元的那一步。
就預(yù)測分析而言，這并不能算是什么創(chuàng)新思維，但它確實需要能夠識別和接受不尋常的模式和結(jié)果。這是很難的，因為基于模式的「智能」——從選擇搜索結(jié)果、到選擇路線、到選擇游戲下一步——都是基于同一個假設(shè)： 主流的模式和路徑就是最好的模式和路徑。否則，人們就不會這么頻繁地使用它們了。
大多數(shù)助理系統(tǒng)，都是在當(dāng)前條件的基礎(chǔ)上，將你引導(dǎo)到已知的道路上，而預(yù)測系統(tǒng)需要通過概率數(shù)學(xué)算法，結(jié)合當(dāng)前的和推導(dǎo)出的未來的情況，來做出選擇。
但這些還只能算是簡單的預(yù)測，最難的要數(shù)那些難以預(yù)見的任務(wù)，它們困難的原因可能是：背景知識過于復(fù)雜，以致于人們自己都無法完全理解；或者計算結(jié)果過于離奇，以致于算法或用戶自動將其否定了。
通過上文你已經(jīng)知道，還有很多事情等待我們完成，所以別被流行媒體和谷歌開發(fā)者大會這樣的作秀迷惑了。未來終會到來，但需要我們耐心等待。
