什么是人工智能（AI）？

这取决于你问谁？

早在20世纪50年代，该领域之父明斯基和麦卡锡将人工智能描述为由机器执行的任何任务，这些任务以前被认为需要人类智慧。这显然是一个相当广泛的定义，这就是为什么你有时会看到关于某物是否是真正的人工智能的争论。对创造智能意味着什么的现代定义则更为具体。谷歌的人工智能研究员、机器学习软件库Keras的创建者Francois Chollet说，智能与一个系统在新环境中适应和随机应变的能力联系在一起，能够概括其知识并将其应用于陌生的场景。

他说："智能是你在以前没有准备的任务中获得新技能的效率。智力不是技能本身；不是你能做什么；而是你能多好地、多有效地学习新事物。"

这是一个定义，根据这个定义，现代人工智能驱动的系统，如虚拟助手，将被描述为展示了"狭义的人工智能"，即在执行一组有限的任务（如语音识别或计算机视觉）时概括其训练的能力。

通常情况下，人工智能系统至少表现出与人类智能相关的以下一些行为：计划、学习、推理、解决问题、知识表示、感知、运动和操纵，以及在较小的程度上，社会智能和创造力。

人工智能的用途有哪些？

今天，人工智能无处不在，它被用来推荐你接下来应该在网上买什么，理解你对虚拟助手说的话，如亚马逊的Alexa和苹果的Siri，识别照片中的人和事物，发现垃圾邮件，或发现垃圾邮件检测信用卡欺诈。

人工智能的不同类型是什么？

在一个非常高的水平上，人工智能可以分为两大类型；

狭义人工智能

狭义的人工智能是我们今天在计算机中看到的一切--智能系统已经被教导或已经学会了如何执行特定的任务，而没有被明确地编程如何去做。

这种类型的机器智能在苹果iPhone上的Siri虚拟助手的语音和语言识别中，在自动驾驶汽车的视觉识别系统中，或者在根据你过去购买的产品来推荐你可能喜欢的产品的推荐引擎中都很明显。与人类不同，这些系统只能学习或被教导如何做确定的任务，这就是为什么它们被称为狭义人工智能。

通用人工智能

一般人工智能非常不同，它是在人类中发现的那种可适应的智力，是一种灵活的智力形式，能够学习如何执行大量不同的任务，从理发到建立电子表格或根据其积累的经验对各种主题进行推理。

这种人工智能在电影中比较常见，如《2001》中的HAL或《终结者》中的天网，但今天并不存在--而且人工智能专家对它多久会成为现实存在激烈的分歧。

狭义人工智能能做什么？狭义人工智能有大量的新兴应用；

（1）分析无机对基础设施（如石油管道）进行视觉检查的视频资料。

（2）组织个人和企业的日历。

（3）回应简单的客户服务查询。

（4）与其他智能系统协调，执行任务，如在合适的时间和地点预订酒店。

（5）帮助放射科医生在X光片中发现潜在的肿瘤。

（6）标记网上的不适当内容，从物联网设备收集的数据中检测电梯的磨损情况。

（7）从卫星图像中生成世界的三维模型......这个清单不胜枚举。

这些学习系统的新应用一直在出现。图形卡设计者Nvidia最近披露了一个基于人工智能的系统Maxine，它允许人们进行高质量的视频通话，几乎不受互联网连接速度的限制。该系统通过不在互联网上传输完整的视频流，而是对通话者的少量静态图像进行动画处理，旨在实时再现通话者的面部表情和动作，并与视频无异，从而将此类通话所需的带宽降低了10倍。

然而，尽管这些系统有很多未开发的潜力，但有时对技术的雄心超过了现实。一个典型的例子是自动驾驶汽车，它本身是由人工智能驱动的系统（如计算机视觉）所支撑的。电动汽车公司特斯拉落后于首席执行官埃隆-马斯克的原定时间表，即汽车的自动驾驶系统从更有限的辅助驾驶能力升级为"完全自动驾驶"，而完全自动驾驶选项最近才作为测试计划的一部分向选定的专家司机推出。

通用人工智能能做什么？

2012/13年，人工智能研究人员文森特-C-穆勒和哲学家尼克-博斯特罗姆在四组专家中进行了一项调查，报告称人工通用智能（AGI）将在2040至2050年之间开发出50%的可能性，到2075年上升到90%。该小组甚至走得更远，预测所谓的"超级智能"--Bostrom将其定义为"在几乎所有感兴趣的领域大大超过人类认知能力的任何智力"--预计在AGI实现后约30年。

然而，最近人工智能专家们的评估更为谨慎。现代人工智能研究领域的先锋人物，如杰弗里-辛顿（Geoffrey Hinton）、德米斯-哈萨比斯（Demis Hassabis）和扬-勒昆（Yann LeCun）说，社会远未发展出AGI。鉴于现代人工智能领域的领军人物的怀疑态度，以及现代狭义人工智能系统与AGI的性质截然不同，担心通用人工智能将在不久的将来扰乱社会，也许没有什么依据。

尽管如此，一些人工智能专家认为，鉴于我们对人脑的了解有限，这种预测是非常乐观的，并认为AGI仍然是几个世纪以后的事情。

在人工智能的发展中，最近有哪些里程碑式的事件？

IBM

虽然现代狭义的人工智能可能仅限于执行特定的任务，但在其专业领域内，这些系统有时能够实现超人的表现，在某些情况下甚至表现出超强的创造力，而这一特征通常被认为是人类的内在特征。

已经有太多的突破，无法列出一个明确的清单，但一些亮点包括；

（1）2009年，谷歌展示了其自动驾驶的丰田普锐斯可以完成10次以上的旅程，每次100英里，使社会走上了无人驾驶汽车的道路。

（2）2011年，计算机系统IBM Watson在美国智力竞赛节目《Jeopardy！》中获胜，击败了该节目有史以来最好的两名选手，成为全球头条新闻。为了赢得这个节目，沃森使用了自然语言处理和分析大量的数据库，这些数据库经过处理后回答人类提出的问题，通常只需几分之一秒。

（3）2012年，另一项突破预示着人工智能有可能解决众多新任务，这些任务以前被认为对任何机器来说都过于复杂。这一年，AlexNet系统在ImageNet大规模视觉识别挑战赛中取得了决定性的胜利。AlexNet的准确度很高，与图像识别竞赛中的对手系统相比，它的错误率减少了一半。

AlexNet的表现显示了基于神经网络的学习系统的力量，这种机器学习的模式已经存在了几十年，但由于摩尔定律使架构的完善和并行处理能力的飞跃，它的潜力终于得到了实现。机器学习系统在执行计算机视觉方面的能力也成为当年的头条新闻，谷歌训练了一个系统来识别互联网的最爱：猫的照片。

下一个引起公众注意的机器学习系统的功效展示是2016年谷歌DeepMind AlphaGo人工智能在围棋中战胜了一位人类大师，这是一种古老的中国游戏，其复杂性让计算机困惑了几十年。围棋每回合可能有200步，而国际象棋则是20步。在一盘棋的过程中，有这么多可能的棋步，从计算的角度来看，提前搜索每一个棋步以确定最佳棋局的代价太大。相反，AlphaGo被训练如何下棋，它采用了人类专家在3000万场围棋比赛中的棋步，并将其输入深度学习神经网络。

训练这些深度学习网络可能需要很长的时间，需要摄取大量的数据，并在系统逐渐完善其模型时进行迭代，以达到最佳效果。

然而，最近，谷歌用AlphaGo Zero完善了训练过程，这个系统与自己进行"完全随机"的游戏，然后从中学习。谷歌DeepMind首席执行官德米斯-哈萨比斯(Demis Hassabis)也公布了新版AlphaGo Zero，该系统已经掌握了国际象棋和象棋的游戏。

人工智能继续冲刺新的里程碑：由OpenAI训练的系统在在线多人游戏Dota 2的一对一比赛中击败了世界顶级选手。

同年，OpenAI创造了人工智能代理，他们发明了自己的语言，以便更有效地合作和实现他们的目标，随后Facebook训练代理进行谈判和撒谎。

2020年，一个人工智能系统似乎获得了像人类一样编写和谈论几乎任何你能想到的话题的能力。

该系统被称为生成性预训练变压器3或简称GPT-3，是一个根据公开网络上的数十亿篇英语文章训练的神经网络。

从它被非营利组织OpenAI提供测试后不久，互联网就被GPT-3生成几乎任何主题的文章的能力搞得沸沸扬扬，这些文章乍一看往往很难与人写的文章区分开。同样，在其他领域也取得了令人印象深刻的结果，它能够令人信服地回答关于广泛主题的问题，甚至能够让一个JavaScript编码新手通过。

但是，虽然许多GPT-3生成的文章具有真实性，但进一步的测试发现，生成的句子往往不合格，提供了表面上可信但混乱的语句，以及有时是完全的废话。

人们对使用该模型的自然语言理解作为未来服务的基础仍有很大兴趣。通过OpenAI的测试版API，选定的开发者可以将其纳入软件。它也将被纳入未来通过微软的Azure云平台提供的服务中。

也许人工智能潜力的最引人注目的例子是在2020年末，当时谷歌基于注意力的神经网络AlphaFold 2展示了一个被一些人称为值得获得诺贝尔化学奖的结果。

该系统能够观察蛋白质的组成部分，即氨基酸，并推导出蛋白质的三维结构，这可能对理解疾病和开发药物的速度产生深远影响。在蛋白质结构预测的关键评估竞赛中，AlphaFold 2确定了一个蛋白质的三维结构，其准确性可与晶体学相媲美，而晶体学是令人信服的蛋白质建模的黄金标准。

与需要数月才能得出结果的晶体学不同，AlphaFold 2可以在数小时内为蛋白质建模。由于蛋白质的三维结构在人类生物学和疾病中发挥着如此重要的作用，这样的速度被誉为医学科学的一个里程碑式的突破，更不用说在生物技术中使用酶的其他领域的潜在应用。

什么是机器学习？

实际上，迄今为止提到的所有成就都源于机器学习，这是人工智能的一个子集，占了近年来该领域绝大多数的成就。当人们今天谈论人工智能时，他们一般都是在谈论机器学习。

目前，机器学习在某种程度上正在复苏，简单地说，机器学习是指计算机系统学习如何执行一项任务，而不是被编程如何去做。对机器学习的这种描述可以追溯到1959年，当时它是由阿瑟-塞缪尔（Arthur Samuel）提出的，他是该领域的先驱，开发了世界上最早的自学系统之一--塞缪尔跳棋游戏程序。

为了学习，这些系统被输入大量的数据，然后用这些数据来学习如何执行一项特定的任务，如理解语音或给照片加标题。这个数据集的质量和规模对于建立一个能够准确执行其指定任务的系统非常重要。例如，如果你要建立一个机器学习系统来预测房价，训练数据应该不仅仅包括房产的大小，还包括其他突出的因素，如卧室的数量或花园的大小。

什么是神经网络？

机器学习成功的关键是神经网络。这些数学模型能够调整内部参数，以改变其输出内容。一个神经网络被送入数据集，教它在训练期间遇到某些数据时应该吐出什么。具体而言，该网络可能被输入0到9之间的数字的灰度图像，以及一串二进制数字--0和1--表明每个灰度图像中显示的是哪个数字。然后，该网络将被训练，调整其内部参数，直到它对每张图像中显示的数字进行高度准确的分类。然后，这个经过训练的神经网络可以用来对其他0到9之间的数字的灰度图像进行分类。Yann LeCun在1989年发表的一篇显示神经网络应用的开创性论文中使用了这样一个网络，并被美国邮政局用于识别手写的邮政编码。

神经网络的结构和功能非常松散地基于大脑中神经元之间的连接。神经网络是由相互连接的算法层组成的，它们将数据输入到彼此之间。当数据在这些层之间传递时，可以通过修改赋予数据的重要性来训练它们执行特定任务。在这些神经网络的训练过程中，当数据在各层之间传递时，附加在数据上的权重将继续变化，直到神经网络的输出非常接近于所需的结果。在这一点上，该网络将"学会"如何执行一项特定任务。所需的输出可能是任何东西，从正确标记图像中的水果到根据传感器数据预测电梯可能发生故障。

机器学习的一个子集是深度学习，其中神经网络被扩展为具有大量大型层的庞大网络，并使用大量数据进行训练。这些深度神经网络推动了当前计算机执行语音识别和计算机视觉等任务的能力的飞跃发展。

有各种类型的神经网络具有不同的优势和劣势。递归神经网络（RNN）是一种特别适合于自然语言处理（NLP）--理解文本的含义--和语音识别的神经网络，而卷积神经网络起源于图像识别，具有推荐系统和NLP等多种用途。神经网络的设计也在不断发展，研究人员完善了一种更有效的深度神经网络形式，称为长短期记忆或LSTM--一种用于NLP和股票市场预测等任务的RNN架构--使其运行速度足以用于谷歌翻译等按需系统中。

什么是其他类型的人工智能？

深度神经网络的结构和训练

人工智能研究的另一个领域是进化计算。

它借用了达尔文的自然选择理论。它看到遗传算法在几代人之间进行随机变异和组合，试图进化出一个给定问题的最佳解决方案。

这种方法甚至被用来帮助设计人工智能模型，有效地利用人工智能来帮助建立人工智能。这种使用进化算法来优化神经网络的方法被称为神经进化。随着智能系统的使用越来越普遍，特别是在对数据科学家的需求经常超过供应的情况下，它可以在帮助设计高效的人工智能方面发挥重要作用。Uber人工智能实验室展示了这种技术，它发布了关于使用遗传算法训练深度神经网络以解决强化学习问题的论文。

最后，还有专家系统，即用规则对计算机进行编程，使其能够根据大量的输入做出一系列决定，使机器能够模仿人类专家在特定领域的行为。这些基于知识的系统的一个例子可能是，例如，驾驶飞机的自动驾驶系统。

是什么推动了人工智能的复苏？

如上所述，近年来人工智能研究的最大突破是在机器学习领域，特别是在深度学习领域。

这在一定程度上是由数据的容易获得所推动的，但更多的是由并行计算能力的爆炸性增长所推动的，在此期间，使用图形处理单元（GPU）的集群来训练机器学习系统变得更加普遍。

这些集群不仅为训练机器学习模型提供了更强大的系统，而且它们现在作为云服务在互联网上广泛提供。随着时间的推移，主要的科技公司，如谷歌、微软和特斯拉，已经转向使用专门的芯片，为运行和最近训练机器学习模型而定制。

这些定制芯片的一个例子是谷歌的张量处理单元（TPU），其最新版本加速了使用谷歌TensorFlow软件库建立的有用的机器学习模型从数据中推断信息的速度，以及它们的训练速度。

这些芯片被用来训练DeepMind和谷歌大脑的模型，以及支撑谷歌翻译和谷歌照片中的图像识别的模型，以及允许公众使用谷歌的TensorFlow研究云建立机器学习模型的服务。这些芯片的第三代在2018年5月的谷歌I/O大会上亮相，此后被打包成机器学习的强者，称为pods，每秒可以进行超过十万亿次浮点运算（100 petaflops）。这些正在进行的TPU升级使谷歌能够改善其建立在机器学习模型之上的服务，例如，将谷歌翻译中使用的模型训练时间减少一半。

机器学习的要素是什么？

如前所述，机器学习是人工智能的一个子集，一般分为两大类：有监督的学习和无监督的学习。

监督下的学习

教导人工智能系统的一个常见技术是通过使用许多标记的例子来训练它们。这些机器学习系统被灌输了大量的数据，这些数据已经被注释过，以突出感兴趣的特征。这些数据可能是标明是否包含一只狗的照片，或者是带有脚注的书面句子，以表明"低音"一词是与音乐还是与鱼有关。一旦经过训练，系统就可以将这些标签应用于新的数据，例如，应用于刚刚上传的照片中的一条狗。

这种通过实例教导机器的过程被称为监督学习。给这些例子贴标签通常是由通过亚马逊Mechanical Turk等平台雇用的在线工人进行的。

训练这些系统通常需要大量的数据，一些系统需要搜索数百万个例子来学习如何有效地执行一项任务--尽管在大数据和广泛的数据挖掘时代，这越来越有可能。训练数据集是巨大的，而且规模越来越大--谷歌的开放图像数据集有大约900万张图像，而其标记的视频库YouTube-8M链接到700万个标记的视频。ImageNet是早期的此类数据库之一，拥有超过1400万张分类图像。它是由近5万人（其中大部分人是通过亚马逊Mechanical Turk招募的）在两年内汇编而成的，他们对近10亿张候选图片进行了检查、分类和标注。

从长远来看，获得巨大的标签数据集也可能证明不如获得大量的计算能力重要。近年来，生成对抗网络（GANs）已被用于机器学习系统，它只需要少量的标记数据和大量的无标记数据，顾名思义，这些数据需要较少的人工准备。这种方法可以让人们更多地使用半监督学习，在这种情况下，系统可以学习如何使用比现在使用监督学习训练系统所需的更少的标记数据来执行任务。

无监督学习

相比之下，无监督学习使用了一种不同的方法，算法试图识别数据中的模式，寻找可以用来对数据进行分类的相似性。一个例子可能是将重量相似的水果或发动机尺寸相似的汽车聚在一起。该算法并不是事先设置好的，以挑选出特定类型的数据；它只是寻找其相似性可以分组的数据，例如，谷歌新闻将每天类似主题的故事分组。

强化学习

强化学习的一个粗略的比喻是，当一只宠物玩了一个小把戏时，它就会获得奖励。在强化学习中，系统试图根据其输入数据最大化奖励，基本上经历了一个试错的过程，直到达到最佳结果。

强化学习的一个例子是谷歌DeepMind的深度Q网络，它被用来在各种经典视频游戏中获得最佳人类表现。该系统从每个游戏中获取像素，并确定各种信息，如屏幕上物体之间的距离。

通过查看每场游戏中取得的分数，该系统建立了一个模型，即在不同情况下哪个动作会使分数最大化，例如，在视频游戏《突围》中，为了拦截球，球拍应该移到哪里。这种方法也被用于机器人研究中，强化学习可以帮助教导自主机器人在真实世界环境中的最佳行为方式。

哪些是人工智能领域的领先公司？

随着人工智能在现代软件和服务中发挥着越来越重要的作用，每个主要的科技公司都在努力开发强大的机器学习技术，供内部使用并通过云服务向公众出售。

每家公司都经常因在人工智能研究方面取得新突破而成为头条新闻，尽管可能是谷歌及其DeepMind人工智能AlphaFold和AlphaGo系统对公众对人工智能的认识产生了最大的影响。

哪些人工智能服务是可用的？

所有主要的云平台--亚马逊网络服务、微软Azure和谷歌云平台--都为训练和运行机器学习模型提供了GPU阵列，谷歌也正在准备让用户使用其张量处理单元--其设计为训练和运行机器学习模型而优化的定制芯片。

所有必要的相关基础设施和服务都可以从三巨头那里获得，基于云的数据存储，能够容纳训练机器学习模型所需的大量数据，转换数据以准备分析的服务，清晰显示结果的可视化工具，以及简化模型构建的软件。

这些云平台甚至简化了自定义机器学习模型的创建，谷歌提供了一项自动创建人工智能模型的服务，称为Cloud AutoML。这种拖放式服务可以建立自定义的图像识别模型，并要求用户没有机器学习的专业知识。

基于云的机器学习服务正在不断发展。亚马逊现在提供了大量的AWS产品，旨在简化机器学习模型的训练过程，最近还推出了Amazon SageMaker Clarify，这个工具可以帮助企业消除训练数据中可能导致训练模型预测偏差的偏见和不平衡现象。

对于那些不想建立自己的机器学习模型，而是想消费人工智能驱动的按需服务，如语音、视觉和语言识别的公司来说，微软Azure因其提供的服务广度而脱颖而出，紧随其后的是谷歌云平台和AWS。同时，IBM除了提供更普遍的按需服务外，还试图销售针对特定行业的人工智能服务，从医疗保健到零售，将这些服务集中在IBM Watson旗下，并投资20亿美元收购了气象频道，以释放数据宝库，增强其人工智能服务。

许多与AI 相关的技术正在接近或已经达到Gartner 炒作周期中的“期望过高的峰值”，而由强烈反对驱动的“幻灭低谷”正在等待中。

哪些是人工智能领域的领先公司？

随着人工智能在现代软件和服务中发挥越来越重要的作用，各大科技公司都在努力开发强大的机器学习技术供内部使用，并通过云服务向公众销售。

每个人都经常成为人工智能研究新领域的头条新闻，尽管谷歌的DeepMind 人工智能AlphaFold 和AlphaGo 系统可能对公众的人工智能意识产生了最大的影响。

有哪些人工智能服务可用？

所有主要的云平台——亚马逊网络服务、微软Azure 和谷歌云平台——都提供了对GPU 阵列的访问，用于训练和运行机器学习模型，谷歌也准备让用户使用其张量处理单元——定制其设计针对训练和运行机器学习模型进行了优化的芯片。

所有必要的相关基础设施和服务都可以从三大巨头中获得，基于云的数据存储，能够保存训练机器学习模型所需的大量数据，转换数据以准备分析的服务，可视化工具清楚地显示结果，以及简化模型构建的软件。

这些云平台甚至简化了自定义机器学习模型的创建，谷歌提供了一项服务，可以自动创建AI 模型，称为Cloud AutoML。这种拖放式服务可构建自定义图像识别模型，并且要求用户没有机器学习专业知识。

基于云的机器学习服务在不断发展。亚马逊现在提供了一系列旨在简化机器学习模型训练过程的AWS 产品，并且最近推出了Amazon SageMaker Clarify，这是一种帮助组织消除训练数据中可能导致训练模型出现偏差预测的偏见和不平衡的工具。

对于那些不想构建自己的机器学习模型，而是想使用AI 驱动的按需服务（例如语音、视觉和语言识别）的公司，Microsoft Azure 在以下方面的服务范围内脱颖而出提供，紧随其后的是Google Cloud Platform，然后是AWS。与此同时，IBM 除了更通用的按需产品外，还试图销售针对从医疗保健到零售的各个领域的特定行业AI 服务，将这些产品组合在IBM Watson 保护伞下，并已投资20 亿美元收购The Weather解锁大量数据以增强其人工智能服务的渠道。

那些科技公司在人工智能竞赛中获胜？

在内部，每个科技巨头和Facebook 等其他公司都使用人工智能来帮助推动无数的公共服务：提供搜索结果、提供推荐、识别照片中的人和事物、按需翻译、发现垃圾邮件——这个列表很广泛。

但这场人工智能战争最明显的表现之一是虚拟助手的兴起，例如苹果的Siri、亚马逊的Alexa、谷歌助手和微软的Cortana。

严重依赖语音识别和自然语言处理，需要庞大的语料库来回答查询，大量的技术用于开发这些助手。

但是，虽然苹果的Siri 可能首先脱颖而出，但谷歌和亚马逊的助手已经在人工智能领域超越了苹果——能够回答广泛查询的谷歌助手和拥有大量“技能”的亚马逊的Alexa ' 第三方开发人员创建以增加其功能。

随着时间的推移，这些助理正在获得能力，使他们的反应更快，能够更好地处理人们在常规对话中提出的问题类型。例如，谷歌助手现在提供了一项名为“持续对话”的功能，用户可以在其中询问他们最初查询的后续问题，例如“今天天气怎么样？”，然后是“明天怎么样？”并且系统理解后续问题也与天气有关。

这些助手和相关服务还可以处理的不仅仅是语音，最新版本的Google Lens 能够将文本转换为图像，并允许您使用照片搜索衣服或家具。

尽管内置于Windows 10 中，但Cortana 最近经历了一段特别艰难的时期，亚马逊的Alexa 现在可以在Windows 10 PC 上免费使用。与此同时，微软改造了Cortana 在操作系统中的角色，使其更专注于生产力任务，例如管理用户的日程安排，而不是其他助手中更多以消费者为中心的功能，例如播放音乐。

哪些国家在人工智能领域处于领先地位？

认为美国科技巨头将人工智能领域缝合起来是一个很大的错误。中国公司阿里巴巴、百度和联想在从电子商务到自动驾驶等领域大力投资人工智能。作为一个国家，中国正在推行一项三步走计划，将人工智能转变为国家的核心产业，到2020 年底将价值1500 亿元人民币（220 亿美元），到2030年成为世界领先的人工智能强国。

百度已投资开发自动驾驶汽车，由其深度学习算法百度AutoBrain 提供支持。经过几年的测试，其阿波罗自动驾驶汽车在测试中行驶了超过300 万英里，在全球27 个城市运送了超过10 万名乘客。

百度今年在北京推出了40辆Apollo Go Robotaxis车队。该公司创始人曾预测，五年内自动驾驶汽车将在中国城市普及。

百度、阿里巴巴和腾讯等大公司薄弱的隐私法、巨额投资、协同数据收集和大数据分析的结合，意味着一些分析人士认为，在未来的人工智能研究方面，中国将比美国更具优势一位分析师将中国领先美国的可能性描述为500 比1 对中国有利。

百度的自动驾驶汽车，改装的宝马3系。

如何开始使用人工智能？

虽然你可以为你的PC 购买一个中等强大的Nvidia GPU——大约在Nvidia GeForce RTX 2060 或更快的某个地方——并开始训练机器学习模型，但最简单的人工智能相关服务试验方法可能是通过云。

所有主要的科技公司都提供各种AI 服务，从构建和训练您自己的机器学习模型的基础设施到允许您按需访问AI 驱动的工具（例如语音、语言、视觉和情感识别）的网络服务.

AI将如何改变世界？

机器人和无人驾驶汽车

机器人能够自主行动并理解和导航周围世界的愿望意味着机器人和人工智能之间存在自然重叠。虽然人工智能只是机器人技术中使用的技术之一，但人工智能正在帮助机器人进入新领域，如自动驾驶汽车、送货机器人以及帮助机器人学习新技能。2020 年初，通用汽车和本田推出了电动无人驾驶汽车Cruise Origin，谷歌母公司Alphabet 旗下的自动驾驶集团Waymo 最近在亚利桑那州凤凰城向公众开放了机器人出租车服务，提供了服务覆盖城市50平方英里的区域。

假新闻

我们即将拥有可以创建逼真图像或以完美音调复制某人声音的神经网络。随之而来的是具有巨大破坏性的社会变革的潜力，例如不再能够相信视频或音频片段是真实的。人们也开始担心这些技术将如何被用来盗用人们的图像，并且已经创建了一些工具来令人信服地将名人面孔拼接到成人电影中。

语音和语言识别

机器学习系统帮助计算机识别人们在说什么，准确率接近95%。微软的人工智能和研究小组还报告说，它开发了一个系统，可以像人工转录员一样准确地转录口语。

随着研究人员追求99% 准确率的目标，预计与计算机对话会随着更传统的人机交互形式变得越来越普遍。

与此同时，OpenAI 的语言预测模型GPT-3 最近引起了轰动，因为它能够创建可以被视为由人类编写的文章。

人脸识别和监控

近年来，面部识别系统的准确率有了飞跃，中国科技巨头百度表示，只要视频中的面部足够清晰，它就能以99% 的准确率匹配面部。虽然西方国家的警察部队一般只在大型活动中尝试使用面部识别系统，但在中国，当局正在开展一项全国性的计划，将全国的闭路电视与面部识别连接起来，并使用人工智能系统跟踪嫌疑人和可疑行为，并且还扩大了警方对面部识别眼镜的使用。

尽管隐私法规在全球范围内各不相同，但这种对人工智能技术（包括可以识别情绪的人工智能）的侵入性使用可能会逐渐变得更加普遍。然而，对面部识别系统公平性的强烈反对和质疑导致亚马逊、IBM 和微软暂停或停止向执法部门出售这些系统。

卫生保健

人工智能最终可能对医疗保健产生巨大影响，帮助放射科医生从X 射线中挑选出肿瘤，帮助研究人员发现与疾病相关的基因序列并识别可能导致更有效药物的分子。谷歌的AlphaFold 2 机器学习系统最近取得的突破有望将开发新药的关键步骤所需的时间从几个月缩短到几小时。

世界各地的医院都在试验人工智能相关技术。其中包括IBM 的Watson 临床决策支持工具，肿瘤学家在纪念斯隆凯特琳癌症中心进行培训，以及英国国家卫生服务中心使用谷歌DeepMind 系统，它将帮助发现眼睛异常并简化筛查患者头部和颈部癌症。

强化歧视和偏见 

越来越令人担忧的是，机器学习系统如何将其训练数据中反映的人类偏见和社会不平等编成法典。多个例子证实了这些担忧，这些例子表明用于训练此类系统的数据缺乏多样性如何对现实世界产生负面影响。

2018 年，麻省理工学院和微软的一份研究论文发现，主要科技公司销售的面部识别系统在识别肤色较深的人时的错误率明显更高，这一问题归因于训练数据集主要由白人组成。

一年后的另一项研究强调，亚马逊的Rekognition 面部识别系统在识别肤色较深个体的性别时存在问题，亚马逊高管对这一指控提出质疑，促使其中一名研究人员解决亚马逊反驳中提出的观点。

自从这些研究发表以来，许多大型科技公司至少暂时停止了向警察部门销售面部识别系统。

2018 年，当亚马逊取消了一种机器学习招聘工具，该工具将男性申请人视为首选时，另一个培训数据偏差结果不足的例子成为头条新闻。今天，正在研究如何抵消自学系统中的偏见。

人工智能与全球变暖

随着机器学习模型的规模和用于训练它们的数据集的增长，塑造和运行这些模型的庞大计算集群的碳足迹也在增加。为这些计算农场供电和冷却对环境的影响是世界经济论坛2018 年一篇论文的主题。2019 年的一项估计是，机器学习系统所需的功率每3.4 个月翻一番。

最近语言预测模型GPT-3 的发布使训练强大的机器学习模型所需的大量能量成为焦点，这是一个拥有约1750 亿个参数的庞大神经网络。

虽然训练这些模型所需的资源可能是巨大的，而且主要只有大公司才能使用，但一旦训练好，运行这些模型所需的能量就会大大减少。然而，随着基于这些模型的服务需求的增长，功耗和由此产生的环境影响再次成为一个问题。

一种论点是，需要权衡训练和运行更大模型的环境影响与潜在的机器学习必须产生重大的积极影响，例如，在谷歌DeepMind 的AlphaFold 取得突破之后，医疗保健领域的进步可能会更快。

AI会杀死我们所有人吗？

同样，这取决于你问谁。随着人工智能驱动的系统变得越来越强大，对不利因素的警告也变得更加可怕。

特斯拉和SpaceX首席执行官埃隆马斯克声称人工智能是“人类文明存在的根本风险”。作为推动加强监管和更负责任的研究以减轻AI 不利因素的一部分，他成立了OpenAI，这是一家非营利性人工智能研究公司，旨在促进和开发有益于整个社会的友好AI。同样，受人尊敬的物理学家斯蒂芬霍金警告说，一旦创造出足够先进的人工智能，它将迅速发展到远远超过人类能力的程度。一种现象被称为奇点，可能对人类构成生存威胁。

然而，对于一些人工智能研究人员来说，人类正处于人工智能爆炸的边缘，这将使我们的智力相形见绌的想法似乎很荒谬。

微软在英国剑桥的研究主管克里斯·毕晓普强调，今天人工智能的狭隘智能与人类的一般智能有多么不同，他说，当人们担心“终结者和机器的崛起等等？一派胡言，是的。充其量，这种讨论还需要几十年的时间。”

人工智能会抢走你的工作吗？

亚马逊

人工智能系统取代大部分现代体力劳动的可能性在不久的将来可能是一种更可信的可能性。

虽然人工智能不会取代所有工作，但似乎可以肯定的是，人工智能将改变工作的性质，唯一的问题是自动化将改变工作场所的速度和深度。

几乎没有一个人类努力的领域是人工智能无法影响的。正如人工智能专家Andrew Ng 所说：“很多人都在做例行的、重复的工作。不幸的是，技术特别擅长自动化例行的、重复的工作”，并表示他认为“未来几十年技术失业的风险很大”。

哪些工作将被取代的证据开始出现。现在有27 家Amazon Go商店和无收银员超市，顾客只需从货架上取走商品，就可以在美国走出去。这对美国超过300 万的收银员意味着什么还有待观察。亚马逊再次在使用机器人提高仓库效率方面处于领先地位。这些机器人将货架上的产品运送给选择要发送的物品的人工拣货员。亚马逊在其履行中心拥有超过20 万台机器人，并计划增加更多。但亚马逊也强调，随着机器人数量的增加，这些仓库中的人工数量也在增加。然而，亚马逊和小型机器人公司正在致力于使仓库中剩余的手工作业自动化，因此手工和机器人劳动力将继续携手并进并不是必然的。

完全自主的自动驾驶汽车还没有成为现实，但根据一些预测，即使不考虑对快递员和出租车司机的影响，仅自动驾驶卡车运输行业就有望在未来十年内占据超过170 万个工作岗位。

然而，一些最容易自动化的工作甚至不需要机器人技术。目前，有数百万人从事管理工作，在系统之间输入和复制数据，为公司跟踪和预约约会，因为软件越来越擅长自动更新系统和标记重要信息，因此对管理员的需求将下降。

与每一次技术变革一样，将创造新的工作岗位来取代失去的工作岗位。然而，不确定的是这些新角色是否会以足够快的速度创造出来，为流离失所的人提供就业机会，以及新失业者是否具备必要的技能或气质来填补这些新角色。

不是每个人都是悲观主义者。对于某些人来说，人工智能是一种将增强而不是取代工人的技术。不仅如此，他们还认为，作为AI 辅助的工作人员，商业上必须不完全取代人们——想想一个配备AR 耳机的人类礼宾人员，在他们提出要求之前就告诉他们客户想要什么——将比独立工作的AI 更有生产力或更有效。

在人工智能专家中，关于人工智能系统超越人类能力的速度有多快，存在广泛的意见。

牛津大学人类未来研究所要求数百名机器学习专家预测未来几十年的人工智能能力。

值得注意的日期包括人工智能写作论文到2026 年可能由人类撰写，到2027 年卡车司机被裁员，到2031 年人工智能在零售业超越人类能力，到2049 年写出畅销书，到2053 年完成外科医生的工作.

他们估计人工智能在45 年内在所有任务上击败人类并在120 年内自动化所有人类工作的可能性相对较高。