究竟什么是人工智能？機(jī)器學(xué)習(xí)是什么意思？那么 GAN 又如何呢？在這里，您將找到常用技術(shù)術(shù)語的清晰定義。

任何思考計(jì)算機(jī)未來的人都不能忽視人工智能。那些思考計(jì)算機(jī)過去的人也沒有——在古希臘人中已經(jīng)可以找到思考機(jī)器的夢(mèng)想。

但傳說的日子似乎已經(jīng)結(jié)束：如今，人工智能無處不在。但實(shí)際上我們今天所說的人工智能是什么？它是如何工作的？

（1）什么是人工智能？

人工智能的創(chuàng)始人之一約翰麥卡錫將人工智能描述為“制造智能機(jī)器的科學(xué)和技術(shù)”，即研究人員和工程師的活動(dòng)領(lǐng)域。

今天，該術(shù)語通常指的是這些智能機(jī)器：人工智能代表具有智能行為的計(jì)算機(jī)系統(tǒng)。這里的智能意味著：您解決通常需要智能的任務(wù)，例如理解和說語言、圖像識(shí)別、決策或翻譯。

根據(jù)歐盟專家組的說法，人工智能系統(tǒng)是“人工設(shè)計(jì)的軟件（可能還有硬件）系統(tǒng)，通過數(shù)據(jù)采集感知環(huán)境，收集結(jié)構(gòu)化或解釋非結(jié)構(gòu)化數(shù)據(jù)，從中得出結(jié)論，從而在復(fù)雜的物理或數(shù)字尺度上發(fā)揮作用?；蛱幚韽倪@些數(shù)據(jù)中獲得的信息，并決定適當(dāng)?shù)拇胧﹣韺?shí)現(xiàn)指定的目標(biāo)。人工智能系統(tǒng)既可以使用符號(hào)規(guī)則，也可以學(xué)習(xí)數(shù)字模型，還能夠分析他們過去的行為對(duì)環(huán)境的影響，并相應(yīng)地調(diào)整他們的行為。”

弱/窄人工智能

與人類不同，人工智能通常只在高水平上學(xué)習(xí)和完成一項(xiàng)任務(wù)。因此，這樣的人工智能被稱為弱人工智能或窄人工智能。在他們的專業(yè)范圍內(nèi)，他們現(xiàn)在往往優(yōu)于人類。當(dāng)前所有的人工智能系統(tǒng)都是弱人工智能。

通用/強(qiáng)AI

目前還不存在具有類人智能的人工智能，可以將其思想應(yīng)用于許多不同的任務(wù)。但這是人工智能研究的主要目標(biāo)。這樣的人工智能被稱為通用人工智能。常見但由于其哲學(xué)淵源而不太清楚的是術(shù)語強(qiáng)或真正的人工智能。在德語中，偶爾也能找到翻譯為通用人工智能。

超級(jí)人工智能

如果通用人工智能發(fā)展到各方面都超過人類，那么一個(gè)超級(jí)人工智能（Artificial Super Intelligence）就出現(xiàn)了。對(duì)于許多 AI 警告者來說，ASI（稱為奇點(diǎn)）的出現(xiàn)標(biāo)志著人類可能的終結(jié)。另一方面，一些人工智能專家希望超級(jí)人工智能能夠解決人類面臨的氣候變化、貧困和疾病等重大問題。

（2）人工智能的應(yīng)用領(lǐng)域

根據(jù)管理咨詢公司麥肯錫的說法，人工智能革命的大部分經(jīng)濟(jì)影響尚未到來。但人工智能應(yīng)用程序已經(jīng)可以在工業(yè)和最終用戶中找到，由已經(jīng)可用的人工智能功能驅(qū)動(dòng)。

目前的人工智能技術(shù)大致可以分為四個(gè)領(lǐng)域：基礎(chǔ)技術(shù)、行業(yè)應(yīng)用、終端用戶，這里重點(diǎn)是輔助，還有娛樂領(lǐng)域和藝術(shù)領(lǐng)域。

支持技術(shù)是機(jī)器視覺和自然語言處理、數(shù)字助理、機(jī)器人過程自動(dòng)化和先進(jìn)的機(jī)器學(xué)習(xí)。在這一領(lǐng)域，學(xué)術(shù)和工業(yè)研究定下基調(diào)并進(jìn)一步發(fā)展人工智能。

在工業(yè)領(lǐng)域，人工智能軟件有助于供應(yīng)鏈管理、維護(hù)、研發(fā)以及銷售和營銷。在線零售或搜索引擎等高科技行業(yè)使用人工智能算法更好地了解客戶并向他們展示合適的產(chǎn)品和搜索結(jié)果。亞馬遜使用人工智能來運(yùn)營完全沒有收銀員的雜貨店。

最終消費(fèi)者每天都使用數(shù)字助理，例如谷歌的 Assistant 或亞馬遜的 Alexa，并通過面部識(shí)別解鎖他們的智能手機(jī)。人工智能還改進(jìn)了現(xiàn)有服務(wù)，例如視頻游戲的圖形計(jì)算或視頻和舊照片的升級(jí)。與此同時(shí)，藝術(shù)家們發(fā)現(xiàn)了人工智能的創(chuàng)造能力，特別是在使用 deepfakes 和底層 GAN 技術(shù)進(jìn)行圖像生成和修改。

（3）如何創(chuàng)建人工智能

有不同的方法來創(chuàng)建人工智能?；旧希梢詤^(qū)分兩種不同的方法：

所謂的“Good, Old-Fashioned AI”（GOFAI）主導(dǎo)了 AI 研究直到 1980 年代后期，并力求強(qiáng) AI。理念：人類思維由包含我們對(duì)世界知識(shí)的各個(gè)概念的邏輯組合組成。

SHRDLU是最早嘗試?yán)斫庾匀徽Z言的人工智能程序之一。人工智能創(chuàng)建于 1968 年至 1970 年間，可以移動(dòng)幾何對(duì)象并在請(qǐng)求時(shí)提供有關(guān)它們的信息。

所謂的專家系統(tǒng)就是從這個(gè)想法中產(chǎn)生的，它將關(guān)于世界的簡(jiǎn)單信息打包成符號(hào)類別，并在邏輯結(jié)論中使用這些信息。

GOFAI 沒能滿足 AI 的厚望——第一個(gè) AI 冬天破了。研究經(jīng)費(fèi)被削減，項(xiàng)目被取消。例如，如今，此類 AI 已用于流程自動(dòng)化。

機(jī)器學(xué)習(xí)/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)

當(dāng)前人工智能研究的寵兒是機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)。

機(jī)器學(xué)習(xí)創(chuàng)建了使用數(shù)據(jù)來學(xué)習(xí)如何執(zhí)行任務(wù)的計(jì)算機(jī)系統(tǒng)。軟件不是由開發(fā)人員以編程代碼的形式逐行給出指令，而是在第一次推送后繼續(xù)獨(dú)立編寫代碼并對(duì)其進(jìn)行優(yōu)化以獲得更好的結(jié)果。

該研究學(xué)科目前最受歡迎的是所謂的深度學(xué)習(xí)：使用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)，以不斷提高的準(zhǔn)確性識(shí)別數(shù)據(jù)中的模式，從而學(xué)習(xí)人類偏好、識(shí)別物體或理解語言。

機(jī)器學(xué)習(xí)驅(qū)動(dòng)了大量當(dāng)前的人工智能服務(wù)。不管是谷歌、Netflix 還是 Facebook：學(xué)習(xí)算法提出建議、改進(jìn)搜索引擎并讓語言助手提供答案。

人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)的靈感來自于人類大腦的基本圖像：一種算法創(chuàng)建不同層的連接神經(jīng)元或節(jié)點(diǎn)，它們相互交換信息。神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)起源于 1943 年。

在最簡(jiǎn)單的情況下，該架構(gòu)由輸入層、中間隱藏層和輸出層組成。輸入信號(hào)由中間神經(jīng)元最初隨機(jī)生成的值進(jìn)行修改，并傳遞到輸出層。

一個(gè)簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)。一個(gè)圓圈對(duì)應(yīng)一個(gè)人工神經(jīng)元，一個(gè)箭頭表示一個(gè)神經(jīng)元的輸出與另一個(gè)神經(jīng)元的輸入的連接。圖片：Glosser.ca，彩色神經(jīng)網(wǎng)絡(luò)，CC BY-SA 3.0。

現(xiàn)在可以將輸出與輸入進(jìn)行比較——預(yù)測(cè)是否正確？根據(jù)結(jié)果，修改中間神經(jīng)元的值，并用新的輸入重復(fù)該過程。隨著多次重復(fù)，預(yù)測(cè)變得越來越精確。

簡(jiǎn)而言之：神經(jīng)網(wǎng)絡(luò)是自我優(yōu)化的算法。

深度學(xué)習(xí)

深度學(xué)習(xí)或深度學(xué)習(xí)是具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)。

這些復(fù)雜的神經(jīng)網(wǎng)絡(luò)最遲在 2012 年開始了他們的勝利之旅，當(dāng)時(shí)這樣的網(wǎng)絡(luò)以壓倒性優(yōu)勢(shì)贏得了ImageNet圖像分析競(jìng)賽。

深度神經(jīng)網(wǎng)絡(luò)的每一層都可以分析自己的圖像信息：邊界、紋理和圖案直至對(duì)象。

深度學(xué)習(xí)是近年來人工智能熱潮的原因，尤其是在圖像識(shí)別、自動(dòng)駕駛和深度造假方面。

更快的處理器和專用的人工智能芯片（如谷歌的 TPU）以及用于訓(xùn)練機(jī)器的大量數(shù)據(jù)使深度學(xué)習(xí)的突破成為可能。

生成對(duì)抗網(wǎng)絡(luò) (GAN)

GAN 由兩個(gè)相互增強(qiáng)的神經(jīng)網(wǎng)絡(luò)（代理）組成。兩者都使用共同的數(shù)據(jù)集進(jìn)行訓(xùn)練，例如照片。

一個(gè)代理創(chuàng)建與記錄類似的內(nèi)容，另一個(gè)將其與原始記錄匹配。將其識(shí)別為偽造品會(huì)迫使偽造代理改進(jìn)其內(nèi)容 - 直到它看起來屬于訓(xùn)練數(shù)據(jù)集。

經(jīng)過足夠多的重復(fù)，一個(gè)偽造大師出現(xiàn)了：GAN 創(chuàng)造了看似真實(shí)的人、深度偽造、街道或假模型。他們寫詩，創(chuàng)作音樂，創(chuàng)作昂貴的藝術(shù)品，將復(fù)古游戲變成高清版本。自 2014 年推出以來，它們一直在穩(wěn)步改進(jìn)。

黑匣子和可解釋的人工智能

機(jī)器學(xué)習(xí)有一個(gè)關(guān)鍵的缺點(diǎn)：通常不清楚 AI 究竟是如何得出結(jié)果的。深度神經(jīng)網(wǎng)絡(luò)非常復(fù)雜，以至于不清楚各個(gè)層和神經(jīng)元在 AI 處理中的作用。

因此，人工智能系統(tǒng)通常被稱為黑盒：一個(gè)位于輸入和輸出之間的黑色、不透明的盒子。

數(shù)據(jù)在前，結(jié)果在后。兩者之間發(fā)生的事情尚不清楚 - 這是黑匣子。圖形：馮克勞斯-自己的作品，CC-BY-SA 4.0，鏈接

可解釋人工智能研究部門的研究人員正試圖深入研究這個(gè)黑匣子。他們希望使完整的人工智能系統(tǒng)，或者至少是個(gè)人結(jié)果，對(duì)人們來說是可以理解的。

微軟、IBM、谷歌或 Facebook 等科技公司也在開發(fā)旨在揭示人工神經(jīng)網(wǎng)絡(luò)復(fù)雜性的軟件工具。AI 研究員 Iyad Rawhan 即將呼吁建立一門研究智能機(jī)器行為的新學(xué)科。

（4）人工智能訓(xùn)練：這就是人工智能的訓(xùn)練方式

培訓(xùn)屬于人工智能，如數(shù)學(xué)公式中的占位符。但是你如何學(xué)習(xí)和訓(xùn)練完全取決于人工智能。我將向您介紹一些在AI 訓(xùn)練中使用的學(xué)習(xí)方法。

監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中，人工智能在其訓(xùn)練數(shù)據(jù)正在準(zhǔn)備的意義上受到監(jiān)督。舉個(gè)例子：如果一個(gè)AI要識(shí)別照片中的物體，在訓(xùn)練之前，所有的貓、汽車、樹等都被標(biāo)記在訓(xùn)練照片上。

人工為 AI 訓(xùn)練準(zhǔn)備的圖像示例。圖片：Samasource

這個(gè)標(biāo)記過程（“標(biāo)記”）非常耗時(shí)，但卻是成功監(jiān)督訓(xùn)練的基礎(chǔ)——由于大量的人類準(zhǔn)備工作，人工智能知道要尋找哪些模式。

監(jiān)督學(xué)習(xí)是目前廣泛使用的大多數(shù)人工智能的背后，例如自動(dòng)駕駛、人臉識(shí)別或在線搜索。這些標(biāo)簽通常由低工資工人設(shè)置，近年來已成為一個(gè)全球性行業(yè)。

無監(jiān)督或自監(jiān)督學(xué)習(xí)/無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)是人工智能研究的希望。與監(jiān)督學(xué)習(xí)相比，數(shù)據(jù)的準(zhǔn)備過程并不耗時(shí)：AI 接收大量沒有標(biāo)簽的數(shù)據(jù)，并獨(dú)立搜索數(shù)據(jù)中的模式。

該方法有兩個(gè)優(yōu)點(diǎn)：首先，準(zhǔn)備充分、廣泛的數(shù)據(jù)集很少。其次，人工智能可以發(fā)現(xiàn)對(duì)人類隱藏的數(shù)據(jù)中的聯(lián)系。

用人工智能研究員Yann LeCun的話來說是這樣的：“如果說智能是一個(gè)餡餅，那么大部分餡餅就是無監(jiān)督學(xué)習(xí)，結(jié)冰的是監(jiān)督學(xué)習(xí)，而最重要的是強(qiáng)化學(xué)習(xí)。”

與此同時(shí)，自我監(jiān)督學(xué)習(xí)這一術(shù)語也得到了傳播。根據(jù)觀點(diǎn)，這是無監(jiān)督學(xué)習(xí)的特殊變體或同義詞。LeCun 已經(jīng)宣布，今后他將只談?wù)撟詫W(xué)習(xí)而不是無監(jiān)督學(xué)習(xí)。

在自監(jiān)督學(xué)習(xí)中，部分訓(xùn)練數(shù)據(jù)通常會(huì)被保留，AI 必須對(duì)其進(jìn)行預(yù)測(cè)，例如句子中的下一個(gè)單詞。這迫使他們學(xué)習(xí)有關(guān)數(shù)據(jù)的重要細(xì)節(jié)，例如語義表示。

例如，自我監(jiān)督學(xué)習(xí)用于AI 擴(kuò)展，并在過去 1.5 年中實(shí)現(xiàn)了語言 AI 的重大進(jìn)步。OpenAI 使用強(qiáng)大的GPT-2 算法的學(xué)習(xí)方法。而微軟已經(jīng)用它訓(xùn)練了迄今為止最大的語言 AITuring-NLG。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)依賴胡蘿卜加大棒：只要 AI 成功完成任務(wù)，就會(huì)獲得獎(jiǎng)勵(lì)。如果她錯(cuò)過了目標(biāo)，她要么一無所獲，要么受到懲罰。

通過這種反復(fù)試驗(yàn)的方法，人工智能在從初學(xué)者到專業(yè)人士的許多領(lǐng)域通過反復(fù)試驗(yàn)發(fā)展，例如在圍棋和國際象棋、Dota 2、星際爭(zhēng)霸 2或撲克中。最近所有的成功都依賴于所謂的深度強(qiáng)化學(xué)習(xí)，強(qiáng)化和深度學(xué)習(xí)的結(jié)合。

遷移學(xué)習(xí)

遷移學(xué)習(xí)是指將學(xué)習(xí)到的 AI 技能應(yīng)用于新的但相關(guān)的問題的訓(xùn)練方法。一個(gè)例子是谷歌的圖像識(shí)別人工智能 Inception，研究人員使用它來檢測(cè)肺癌。

從長(zhǎng)遠(yuǎn)來看，遷移學(xué)習(xí)可能會(huì)導(dǎo)致人工智能從孤立的人才轉(zhuǎn)向更大的靈活性。因此，對(duì)遷移學(xué)習(xí)的研究是對(duì)通用人工智能的重要貢獻(xiàn)。

模仿學(xué)習(xí)

模仿學(xué)習(xí)使用演示作為AI 的培訓(xùn)材料。例如，在電子游戲中，這可以是人類玩家在游戲中奮力拼搏的記錄，也可以是機(jī)器人通過觀察人類動(dòng)作進(jìn)行學(xué)習(xí)的記錄。

AI 很久沒有玩過雅達(dá)利經(jīng)典的《蒙特祖瑪?shù)膹?fù)仇》，同時(shí)通過模仿學(xué)習(xí)將 AI定位到人類游戲動(dòng)作中來實(shí)現(xiàn)。

與強(qiáng)化學(xué)習(xí)相比，模仿學(xué)習(xí)的一個(gè)優(yōu)勢(shì)是更大的靈活性：在某些情況下，獎(jiǎng)勵(lì)很難定義或?qū)崿F(xiàn)。純粹的試錯(cuò)法不會(huì)讓人工智能更進(jìn)一步。這就是人類演示的幫助，人工智能可以從中學(xué)習(xí)。

少鏡頭學(xué)習(xí)

在 AI 成功識(shí)別數(shù)據(jù)模式之前，通常需要無數(shù)示例。所謂的 one-shot 和few-shot 學(xué)習(xí)方法可以幫助 AI學(xué)習(xí)一項(xiàng)新技能，類似于人類，使用更少的示例甚至只是一個(gè)示例。

英偉達(dá)的人工智能可以讓人跳舞、傳遞面部表情和生成街景。全能者只需要幾個(gè)例子，比如幾張新聞主播的照片。|視頻：英偉達(dá)

在實(shí)踐中，人工智能無需大量培訓(xùn)即可學(xué)習(xí)新任務(wù)。例如，三星研究人員僅通過幾個(gè)例子就設(shè)法交換了人們的面孔。以色列的一個(gè)研究小組甚至更進(jìn)一步，開發(fā)了一種無需事先進(jìn)行面部訓(xùn)練即可進(jìn)行實(shí)時(shí)深度偽造的方法。

對(duì)抗性學(xué)習(xí)

人工智能系統(tǒng)通常容易受到所謂的“對(duì)手示例”的攻擊。專門從事圖像分析的 AI 可以通過最少的操作圖像來欺騙。人眼看不到的輕微像素偏移或某種水印通常就足夠了?？梢晲阂獯a，如果你愿意的話。

然后，人工智能會(huì)識(shí)別出槍而不是烏龜，印有特殊印花的 T 恤可以防止人臉識(shí)別，或者自動(dòng)駕駛汽車突然加速，因?yàn)樗鼟呙枇寺窐?biāo)上的危險(xiǎn)貼紙。

對(duì)抗性學(xué)習(xí)的研究領(lǐng)域試圖使 AI 系統(tǒng)對(duì)像素攻擊更具魯棒性。通常，用于此目的的系統(tǒng)是使用上述有害對(duì)手示例進(jìn)行訓(xùn)練的。這就是他們學(xué)會(huì)不愛上他們的方式。

當(dāng)然，就像在許多其他網(wǎng)絡(luò)安全場(chǎng)景中一樣，眾所周知的貓捉老鼠游戲在這里發(fā)生：如果一個(gè)安全漏洞被關(guān)閉，一個(gè)新的漏洞就會(huì)被打開。

（5）人工智能在數(shù)字化中的作用

為了理解人工智能在數(shù)字化中的作用，必須首先澄清數(shù)字化這個(gè)術(shù)語。在德語中它具有雙重含義，在英語中通過“數(shù)字化”和“數(shù)字化”這兩個(gè)詞更清楚地分開。

“數(shù)字化”是將紙質(zhì)文件、縮微膠卷、照片或錄音等模擬值/數(shù)據(jù)（自動(dòng)）轉(zhuǎn)換為適當(dāng)?shù)臄?shù)字格式。

這使得數(shù)據(jù)可用于“數(shù)字化”過程：通過使用數(shù)字技術(shù)和數(shù)字化數(shù)據(jù)來啟用、改進(jìn)或轉(zhuǎn)換業(yè)務(wù)模型和流程，并使用數(shù)據(jù)處理方法將其轉(zhuǎn)換為可用知識(shí)。今天用德語談?wù)摂?shù)字化的人通常指的是這個(gè)過程。

從這個(gè)意義上說，數(shù)字化進(jìn)一步導(dǎo)致了數(shù)字化轉(zhuǎn)型：業(yè)務(wù)或其他組織流程、能力和模型的深刻轉(zhuǎn)型，以便能夠充分利用新的數(shù)字技術(shù)。

人工智能技術(shù)在這個(gè)過程中扮演著三重角色：例如，今天，它有助于通過圖像和語音分析將模擬數(shù)據(jù)數(shù)字化。它還可以分析大量數(shù)據(jù)——即“大數(shù)據(jù)”——并識(shí)別其中的模式。為此，它通常接受數(shù)字化數(shù)據(jù)的訓(xùn)練、識(shí)別圖像、處理自然語言、在預(yù)測(cè)分析領(lǐng)域進(jìn)行預(yù)測(cè)、通過聊天機(jī)器人與客戶和員工互動(dòng)或在云邊緣創(chuàng)建智能機(jī)器。

人工智能為數(shù)字化轉(zhuǎn)型做出了重大貢獻(xiàn)：新市場(chǎng)被打開，舊流程消失或發(fā)生根本性變化，既定市場(chǎng)結(jié)構(gòu)崩潰。如果沒有人工智能算法，就不會(huì)有谷歌、Facebook、Netflix、優(yōu)步和亞馬遜——至少不是我們所知道的公司形式。

物聯(lián)網(wǎng) (IoT)被認(rèn)為是經(jīng)濟(jì)和社會(huì)數(shù)字化的關(guān)鍵驅(qū)動(dòng)力和一部分。物聯(lián)網(wǎng)擴(kuò)展了互聯(lián)網(wǎng)的經(jīng)典全球通信網(wǎng)絡(luò)，例如終端用戶的智能設(shè)備或工業(yè)設(shè)備的智能傳感器，作為“通信伙伴”集成到全球網(wǎng)絡(luò)中。它們提供大量以前未開發(fā)的數(shù)據(jù)，并將其提供給 AI 軟件進(jìn)行評(píng)估和控制。

借助工業(yè)物聯(lián)網(wǎng) (IIoT)，所有機(jī)器、產(chǎn)品和流程都可以聯(lián)網(wǎng)：缺少的材料自動(dòng)訂購，工件無縫流向下一臺(tái)機(jī)器，理想地在錯(cuò)誤發(fā)生之前檢測(cè)到 - 過程控制變得更加透明和更容易由于廣泛的自動(dòng)化，控制，同時(shí)更高效。這應(yīng)該可以降低成本并實(shí)現(xiàn)具有高度靈活性的快速流程。

除了工業(yè)物聯(lián)網(wǎng)之外，機(jī)器人技術(shù)在生產(chǎn)中的需求也特別大：自動(dòng)化需要付出很多努力才能在生產(chǎn)線中規(guī)范和安裝機(jī)器人。然而，每個(gè)機(jī)器人都是專家，其感知、運(yùn)動(dòng)和操作技能嚴(yán)重受限。自動(dòng)化不靈活，成本高昂，必須進(jìn)行精確校準(zhǔn)，僅對(duì)生產(chǎn)大量標(biāo)準(zhǔn)化產(chǎn)品的大公司才值得。

人工智能已經(jīng)可以讓更靈活、更好地感知環(huán)境的機(jī)器人投入運(yùn)行。這是通過所謂的協(xié)作機(jī)器人實(shí)現(xiàn)的——小型且廉價(jià)的機(jī)械臂，可以編程并與人一起工作。這種開發(fā)使生產(chǎn)更加靈活：協(xié)作機(jī)器人可以在工作站上臨時(shí)使用，然后重新編程并在另一個(gè)位置繼續(xù)工作。這使得該技術(shù)對(duì)于以前無法負(fù)擔(dān)經(jīng)典自動(dòng)化的公司來說很有趣。

然而，工業(yè) 4.0 的主要目標(biāo)是更智能、更靈活、更專注的機(jī)器人。他們應(yīng)該能夠像人類一樣靈活地識(shí)別和處理對(duì)象 - 從而自動(dòng)化生產(chǎn)過程的所有階段。

“Lights-Out-Factory”應(yīng)該使許多產(chǎn)品成為可能，這是一個(gè)完全自主的工廠，無需人工干預(yù) - 因此不需要任何照明。對(duì)于這些機(jī)器人，需要在人工智能研究方面取得進(jìn)展，特別是在物體識(shí)別和強(qiáng)化學(xué)習(xí)方面，這應(yīng)該能讓機(jī)器人快速學(xué)習(xí)新任務(wù)。

（6）人工智能：好處與風(fēng)險(xiǎn)

當(dāng)前的 AI 應(yīng)用程序本質(zhì)上是統(tǒng)計(jì)方法，可以在存在大量數(shù)據(jù)且某些不準(zhǔn)確性不會(huì)造成致命后果的地方使用。在這些情況下，人工智能可以提供巨大的附加值：對(duì)于谷歌、百度或 Facebook 等使用人工智能來組織搜索結(jié)果或新聞提要的公司，或者對(duì)于使用人工智能來解鎖智能手機(jī)、排序照片或翻譯文本的最終消費(fèi)者。

在需要更高準(zhǔn)確性的情況下，當(dāng)前的人工智能技術(shù)已達(dá)到極限：幾年前就曾承諾通過自動(dòng)駕駛汽車帶來的移動(dòng)性革命，但由于低級(jí)自動(dòng)駕駛輔助系統(tǒng)的錯(cuò)誤導(dǎo)致事故仍然發(fā)生。

在其他情況下，系統(tǒng)的不準(zhǔn)確性被簡(jiǎn)單地忽略了：人工智能監(jiān)控在全球范圍內(nèi)呈上升趨勢(shì)，各國使用不準(zhǔn)確的面部識(shí)別人工智能來打擊犯罪或監(jiān)控示威活動(dòng)。在種族偏見數(shù)據(jù)集上訓(xùn)練的人工智能系統(tǒng)會(huì)就是否應(yīng)該保釋提出建議。銀行中的類似系統(tǒng)決定誰有權(quán)獲得貸款。

在忽略不準(zhǔn)確性和預(yù)加載的情況下，就會(huì)出現(xiàn)基于機(jī)器的算法無誤的印象。這有時(shí)會(huì)使受影響的人難以對(duì)決定提出異議。無論是更準(zhǔn)確的 AI 系統(tǒng)解決這些問題還是只是創(chuàng)建新問題，我都在本文中討論了AI 監(jiān)控的優(yōu)缺點(diǎn)。

深度造假與失業(yè)

AI-fake 視頻 - 所謂的deepfake- 正在越來越多地傳播。目前，該技術(shù)似乎主要用于娛樂和色情。該技術(shù)偶爾會(huì)被騙子和間諜使用。

然而，美國政界人士警告稱，2020 年美國大選中會(huì)出現(xiàn)大量深度偽造，因此Facebook或Twitter等大型社交媒體平臺(tái)希望識(shí)別甚至刪除政治深度偽造。

另一個(gè)人工智能幽靈是大規(guī)模自動(dòng)化：美國前總統(tǒng)候選人安德魯·楊甚至呼吁提供基本收入，以武裝美國社會(huì)應(yīng)對(duì)他擔(dān)心的與人工智能相關(guān)的大規(guī)模失業(yè)。

目前，自動(dòng)化似乎暫時(shí)進(jìn)展緩慢 - 然而，人工智能技術(shù)有可能取代那些傳統(tǒng)上幸免于自動(dòng)化的人。其中包括行政、律師事務(wù)所、媒體以及創(chuàng)意領(lǐng)域的職位，尤其是在設(shè)計(jì)領(lǐng)域。

人工智能：經(jīng)濟(jì)奇跡還是我們的終結(jié)？

通用人工智能將人工智能的優(yōu)勢(shì)和風(fēng)險(xiǎn)轉(zhuǎn)移到存在主義上：這將是對(duì)幾乎所有生活領(lǐng)域的大規(guī)模干預(yù)，也是社會(huì)、經(jīng)濟(jì)、教育、醫(yī)學(xué)和研究的一場(chǎng)革命。

它可能成為一種超級(jí)智能，可以為我們做任何工作，解決任何問題，并徹底改變民主。這些潛力可能會(huì)驅(qū)動(dòng)人工智能研究人員，直到他們的愿景實(shí)現(xiàn)——或者直到有證據(jù)表明他們的努力是不可能的。Deepmind 或 OpenAI 等 AI 實(shí)驗(yàn)室正在尋找一種通往 Super AI 的方法，有朝一日，它可以通過許多專門的單個(gè) AI 項(xiàng)目繞道而行，將許多單獨(dú)的組件組裝成一個(gè)大型神經(jīng)網(wǎng)絡(luò)。

這些嘗試讓那些將 GKI（更不用說超級(jí)智能）視為潛在生存威脅的人感到擔(dān)憂。例如，哲學(xué)家Nick Bostrom和 AI 研究員Stuart Russel警告說，人類將被過度智能的 AI 消滅。如果你想以一種有趣的方式理解 Bostrom 的推理，你應(yīng)該看看這個(gè)回形針模擬器。

AI 先驅(qū) Yann LeCun 和神經(jīng)生物學(xué)家 Anthony Zader 則比較輕松：兩位專家認(rèn)為 AI 缺乏必要的殺人本能——壓倒性的機(jī)器根本對(duì)人類的終結(jié)毫無興趣。兩人得到認(rèn)知研究員史蒂文平克的支持，他認(rèn)為博斯特羅姆的恐懼是反烏托邦的胡說八道。