Peter Norvig

我們用來描述機器的詞語，包括是否使用“思考”一詞，更多地取決于我們看待自己的方式而非機器實際所擁有的能力。

人工智能技術(shù)每天都要在我們的生活中多次出現(xiàn)，每年為經(jīng)濟作出幾千億美元的貢獻(xiàn)，并且正在不斷取得穩(wěn)步進(jìn)展。同時，人工智能界也認(rèn)識到了幾件令人吃驚的事情。

我們曾經(jīng)以為很困難的事情實際上要簡單得多。早期的人工智能研究專注于完成看似困難的智力任務(wù)。但人們發(fā)現(xiàn)，這些邏輯思維的例子其實對于計算機來說復(fù)制起來并不難，所需的僅僅是幾條定義明確的規(guī)則和強大的計算能力。相反，那些很簡單的任務(wù)實際上卻很難。一名幼兒只需看一眼就能夠區(qū)分幾百個對象（球、毯子、母親等），但事實證明，建立一個能夠達(dá)到這種水平的計算機視覺系統(tǒng)是十分困難的。

處理不確定因素其實比進(jìn)行嚴(yán)密的邏輯思維更為重要。我們針對一個問題想出一個聰明的論證或解決方法，包含一系列無可辯駁的邏輯步驟，并且在有人想出這樣一個次序之后感到震動。但是，這正是計算機也能做得很好的事情。困難的地方在于處理不確定性，以及在眾多可能性中選擇一個正確答案。

學(xué)習(xí)實際上比了解更重要。在20世紀(jì)60、70年代，很多人工智能程序被稱為“專家系統(tǒng)”，意思是它們都是通過采訪各領(lǐng)域的專家而建立并將他們的知識編碼成計算機可以理解的邏輯規(guī)則。這種方法被證明并不可靠，原因有以下幾點。首先，專家的來源十分稀少，并且采訪他們極為耗時。其次，有時候?qū)＜业膶I(yè)技能十分嫻熟，但對于如何實現(xiàn)卻并不一定能夠解釋清楚。最后，通過這種方法建立的系統(tǒng)經(jīng)常無法處理超出采訪中專家預(yù)料范圍的情況。

當(dāng)前的系統(tǒng)更多是根據(jù)例證而非邏輯規(guī)則來建立的。不要告訴計算機專家是如何解決問題的。相反，給它大量實例展示以前出現(xiàn)的問題：給出能夠描述初始狀況的特征、所使用解決方法的描述以及評價這種方法的得分。據(jù)此，計算機算法就能認(rèn)識到在相似情況下該如何運作。

研究重點從取代人類轉(zhuǎn)換為提升人類的水平?！皩＜蚁到y(tǒng)”的另一層暗示就是它要用一個計算機系統(tǒng)來代替專家。那種方法在上世紀(jì)70年代還算可行，那個時候計算機還很稀少并且昂貴，對于計算機技術(shù)的投資僅集中在有限的幾種高回報應(yīng)用領(lǐng)域。但今天計算機隨處可見，這時思考如何讓計算機協(xié)助人類工作而不是取代人類變得更有意義。這就意味著，人類與計算機可以各自專注于自己擅長的領(lǐng)域。

人類與機器合作起來比任何一方單獨工作都更為強大。正如Werner von Braun在回答應(yīng)該選用什么樣的計算機執(zhí)行未來空間任務(wù)時所說的：“人就是我們能夠給航天器裝備的最好的計算機，也是唯一通過非技術(shù)性活動就能大批量生產(chǎn)的?！睕]有必要讓機器取代人類；相反，我們應(yīng)該想想什么工具能夠幫助人類更加富有成效。

我們當(dāng)前的這個時代是人工智能發(fā)展的極佳時期，因為近期計算機硬件的發(fā)展使人們可以處理許多以前由于價格昂貴而不敢問津的問題。此外，無線網(wǎng)絡(luò)與蜂窩數(shù)據(jù)網(wǎng)絡(luò)高速發(fā)展，這意味著這些令人激動的全新應(yīng)用程序?qū)⒉辉僦唤d于研究實驗室，它們可以成為網(wǎng)絡(luò)上為所有人享用的服務(wù)。

現(xiàn)在，您可以使用手機實時進(jìn)行翻譯，進(jìn)行過去不可能實現(xiàn)的人機對話。今后，將有越來越多更強大且更智能的計算機為公眾服務(wù)。

所有這些將朝什么樣的方向發(fā)展？計算機能真正的思考嗎？

很多計算機科學(xué)家會說這個問題提得并不恰當(dāng)，因此任何答案都不會有太大意義。計算機的能力將會不斷增強，而我們會找到同它們相處的方式：作為工具、顧問、工人、寵物、伴侶抑或其他角色。但是，我們用來描述機器的詞語，包括是否使用“思考”一詞，卻更多地取決于我們看待自己的方式而非機器實際所擁有的能力。

（本文作者系Google研發(fā)總監(jiān)）