什麼是人工智能?獲得這個問題的答案取決于你問誰。
早在上世紀50年代，人工智能行業先驅Minsky和McCarthy将人工智能描述為由機器執行的任何任務，這些任務在以往需要人類智能才能完成。
這顯然是一個相當寬泛的定義，這就是有時人們針對某種技術是否真是人工智能進行争論的原因。
如今對“智能”的定義更為具體。谷歌公司人工智能研究人員、機器學習軟體庫Keras的建立者Francois Chollet曾表示，智能與系統在新環境中适應和即興發揮的能力有關，能夠概括其知識并将其應用于不熟悉的場景。
他說：“智能是指在以前沒有準備好的任務方面獲得新技能的效率。智能本身并不是技能，不是能做什麼，而是學習新事物的能力和效率。”
這是人工智能的一個定義。在這個定義中，現代人工智能驅動的系統(例如虛拟助手)将被描述為具有“狹義人工智能”的特征。在執行有限的一組任務(如語音識别或計算機視覺)時，概括其訓練的能力。
通常情況下，人工智能系統至少會表現出與人類智能相關的以下某些行為：計劃、學習、推理、問題解決、知識表示、感覺、運動和操縱，在某些程度上還包括社會智能和創造力。
人工智能的用途是什麼?
如今，人工智能幾乎無處不在，例如推薦人們應該在網上購買的物品，了解對虛拟助手(例如亞馬遜的Alexa和蘋果的Siri)所說的内容，識别照片中的人物和内容，識别垃圾郵件，或者檢測信用卡欺詐。
人工智能有哪些不同類型?
人工智能可以分為兩大類：狹義人工智能和通用人工智能。
如上所述，狹義的人工智能是人們目前在計算機中看到的一切：已經被訓練或學會如何執行特定任務的智能系統。
這種機器智能在蘋果iPhone上的Siri虛拟助手的語音和語言識别、自動駕駛汽車的視覺識别系統、或根據人們過去購買的商品推薦可能喜歡的産品的推薦引擎中都可以明顯地看出。與人類不同的是，這些系統隻能學習或被教授如何完成定義的任務，這就是它們被稱為狹義人工智能的原因。
狹義人工智能能做什麼?
狹義人工智能有大量應用程式：無人機的視訊饋送、對基礎設施(如輸油管道)進行視覺檢查、組織個人和企業月曆、響應簡單的客戶服務查詢、與其他智能系統協調執行這些任務包括在合适的時間和地點預定酒店、幫助放射線醫師發現X光片中的潛在惡性良性腫瘤、線上标記不當内容、從物聯網裝置收集的資料中檢測電梯的磨損，以及通過衛星生成世界3D模型圖像等。
這些學習系統的新應用一直在湧現。顯示卡設計廠商Nvidia公司最近推出了一種基于人工智能的Maxine系統，它可以讓人們進行高品質的視訊通話，并且不用考慮其網際網路連接配接速度。該系統通過不通過網際網路傳輸完整的視訊流，而是以實時再現通話者的面部表情和動作并且與視訊不可區分的方式，将通話所需的帶寬減少了10倍。
但是，盡管這些系統具有尚未開發的潛力，但有時對該技術的期望卻超過了現實。自動駕駛汽車就是一個很好的例子，自動駕駛汽車本身就得到了人工智能驅動的系統(例如計算機視覺)的支援。電動汽車生産商特斯拉公司首席執行官埃隆·馬斯克(Elon Musk)最初提出的汽車自動駕駛系統将從有限的輔助駕駛能力更新為“全自動駕駛”的時間表如今有些落後，作為其測試計劃的一部分，全自動駕駛選項最近才推出專業駕駛程式。
通用人工智能可以做什麼?
通用人工智能截然不同，它是一種在人類身上發現的适應性智能，是一種靈活的智能形式，能夠學習如何執行完全不同的任務，從理發到建構電子表格，或者基于積累的經驗對各種各樣的主題進行推理。這種人工智能在電影中更為常見，例如電影《終結者》中的Skynet，但現在已經不存在了——人工智能專家們對它在什麼時候能成為現實存在嚴重的分歧。
人工智能研究人員Vincent CMüller和哲學家Nick Bostrom在2012年對四組專家進行的一項調查顯示，到2040年至2050年，通用人工智能(AGI)的開發機會将達到50%，到2075年将上升到90%。該小組甚至進一步預測，所謂的“超級智能”在通用人工智能(AGI)實作約30年後就可以出現。
然而，人工智能專家最近的評估更為謹慎。現代人工智能研究領域的先驅者，如Geoffrey Hinton、Demis Hassabis和Yann LeCun表示，鑒于對現代人工智能領域的上司者持懷疑态度，以及現代狹義人工智能系統與通用人工智能(AGI)的本質迥然不同，是以幾乎沒有理由擔心通用人工智在不久的将來能為社會帶來影響。
也就是說，一些人工智能專家認為，鑒于人們對人腦的了解有限，這樣的預測是非常樂觀的，并且相信通用人工智能(AGI)的出現還需要數百年的時間。
人工智能發展的最新裡程碑是什麼?
雖然現代狹義人工智能可能僅限于執行特定任務，但在它們的專業領域内，這些系統有時能夠表現出超人的表現，而這種特質通常是人類固有的。
雖然沒有太多的技術突破，但也有一些亮點：谷歌公司在2009年表示，豐田普銳斯汽車采用其開發的自動駕駛技術有可能完成10次以上每次100公裡路程的測試，讓無人駕駛汽車技術向前邁進。
2011年，IBM Watson在美國智力競賽節目《危險邊緣》中獲勝，擊敗了該節目有史以來最好的兩位人類選手，成為全球頭條新聞。為了獲勝，Watson采用自然語言處理和分析技術對海量資料進行處理，以回答人類提出的問題，通常其處理的速度不到1秒鐘。
2012年，另一項突破性進展預示着人工智能有能力處理許多以前認為對任何機器來說過于複雜的新任務。那一年，AlexNet系統在ImageNet大規模視覺識别挑戰賽中取得了決定性的勝利。在圖像識别比賽中，與競争對手相比，AlexNet的錯誤率降低了一半。
AlexNet的表現證明了基于神經網絡的學習系統的力量，這種機器學習模型已經存在了幾十年，但由于對體系結構的改進和摩爾定律使并行處理能力的飛躍，最終實作了它的潛力。機器學習系統在執行計算機視覺方面的能力也成為當年的頭條新聞，谷歌訓練了一個可以識别貓的圖檔的機器學習系統。
另一個引起人們關注的機器學習系統的應用案例是2016年Google DeepMind 公司的AlphaGo 戰勝了一位圍棋冠軍。圍棋是一款古老的中國棋類遊戲，其複雜性讓計算機系統困擾了幾十年。這是因為圍棋每回合大約有200步，而國際象棋隻有20步左右。在圍棋比賽的過程中，其每一步動作有太多可能性，是以從計算的角度來看，預先搜尋每一個動作以确定最佳步驟的成本太高。取而代之的是，AlphaGo通過在3000萬個圍棋遊戲案例中模仿人類專家的動作，并将其輸入深度學習神經網絡來訓練如何玩這個遊戲。
訓練這些深度學習網絡可能會花費很長時間，随着系統逐漸完善其模型以取得最佳結果，需要攝取和疊代大量資料。
然而，最近谷歌公司使用AlphaGo Zero(一種“完全随機”遊戲的系統)改進了訓練過程，然後從結果中學習。Google DeepMind公司首席執行官Demis Hassabis表示，還将推出新版本的AlphaGo Zero，該版本已經掌握如何下國際象棋的遊戲。
人工智能技術不斷實作新的裡程碑：OpenAI訓練的人工智能系統在線上多人遊戲Dota 2的一對一比賽中擊敗了世界頂級玩家。
2020年，人工智能系統似乎獲得了像人類一樣寫作和交談的能力，其中包括人們可以想到的任何話題。
這個系統名為Generative Pre-training Transformer 3，簡稱GPT-3，是一個神經網絡，它使用開放式網絡上數十億篇英國文章進行訓練。
在OpenAI對其進行測試後不久，人們就開始對GPT-3的能力産生興趣，其能力幾乎可以生成涉及該主題的任何文章，這些文章乍一看往往很難與人類撰寫的文章區分開來。類似的結果也出現在其他領域，它能夠令人信服地回答廣泛主題的問題。
但是，盡管許多GPT-3生成的文章具有真實感，但進一步的測試發現，其生成的句子并不符合要求，提供表面上看似合理但混亂的陳述，有時甚至是胡言亂語。
人們對使用模型的自然語言了解作為未來服務的基礎仍有相當大的興趣，并且可以選擇開發人員通過OpenAI的beta API來建構軟體。它還将被納入未來通過微軟的Azure雲平台提供的服務中。
人工智能潛力最顯著的例子可能是在2020年末，基于Google關注的神經網絡AlphaFold 2證明了這一結果。
該系統可以檢視蛋白質組成部分(氨基酸)的能力，并得出了蛋白質的3D結構可能對疾病的了解和藥物開發的速度産生深遠影響的結論。在蛋白質結構預測的關鍵評估競賽中，AlphaFold 2能夠以與晶體學相媲美的準确性确定蛋白質的3D結構，而晶體學是令人信服地對蛋白質模組化的黃金标準。
與需要數月才能獲得結果的晶體學不同，AlphaFold 2可以在數小時内對蛋白質進行模組化。蛋白質的3D結構在人類生物學和疾病中起着如此重要的作用，這種加速已被預示為醫學界的裡程碑式突破，更不用說在生物技術中使用酶的其他領域中的潛在應用。
什麼是機器學習?
事實上，到目前為止提到的所有成就都來自機器學習，機器學習是人工智能的一個子集，近年來在該領域取得的成就占了絕大多數。如今人們談論人工智能時，通常都是在談論機器學習。
簡而言之，目前的機器學習技術正在實作某種複興，簡單來說，機器學習是計算機系統學習如何執行任務的方法，而不是通過程式設計來了解如何執行任務的方法。對機器學習的描述可以追溯到1959年，當時它是該領域的先驅Arthur Samuel發明的，他開發了世界上第一個自學習系統之一，即Samuel 跳棋程式。
為了自學習，這些系統被輸入大量的資料，然後用這些資料來學習如何執行特定的任務，例如了解語音或為照片添加說明。這個資料集的品質和大小對于建立一個能夠準确執行其指定任務的系統非常重要。例如，如果正在建構一個機器學習系統來預測房價，那麼教育訓練資料應不僅僅包括房地産面積，還應包括其他顯著因素，如卧室數量或花園面積。
什麼是神經網絡?
機器學習成功的關鍵是神經網絡。這些數學模型能夠調整内部參數以更改其輸出。在訓練期間，向神經網絡饋送資料集，該資料集教給它一些特定資料時應該輸出的内容。具體來說，可能會向網絡饋送介于0到9之間的數字的灰階圖像以及一串二進制數字(0和1)，這些二進制數字訓示每個灰階圖像中顯示了哪個數字。然後将對網絡進行訓練，調整其内部參數，直到以高準确度對每個圖像中顯示的數字進行分類。然後，可以使用這個經過訓練的神經網絡對0到9之間數字的其他灰階圖像進行分類。1989年，Yann LeCun發表了一篇論文展示了神經網絡的應用，美國郵政局已經采用神經網絡技術識别手寫的郵政編碼。
神經網絡的結構和功能基于大腦中神經元之間非常松散的聯系。神經網絡由互連的算法層組成，這些算法層将資料互相饋送，并且可以通過修改資料在這些層之間傳遞時的重要性來進行訓練，以執行特定任務。在訓練這些神經網絡的過程中，當資料在各層之間傳遞時，附加在資料上的權重将會不斷變化，直到神經網絡的輸出非常接近期望值，此時神經網絡将“學習”如何執行特定任務。期望的輸出可以是從正确地标記圖像中的水果到根據其傳感器資料預測電梯何時可能發生故障的任何事情。
機器學習的一個子集是深度學習，在深度學習中，神經網絡被擴充成具有大量多層網絡，這些網絡使用大量的資料進行訓練。正是這些深度神經網絡推動了計算機執行語音識别和計算機視覺等任務的能力的目前飛躍。
神經網絡有多種類型，各有優缺點。遞歸神經網絡(RNN)是一種特别适合于自然語言處理(NLP)的神經網絡，它可以了解文本和語音識别的含義，而卷積神經網絡則植根于圖像識别，其用途與推薦系統和自然語言處理(NLP)一樣多樣。神經網絡的設計也在不斷發展，研究人員改進了一種更有效的深度神經網絡形式，稱為長短期記憶(簡稱LSTM)，這是一種用于自然語言處理(NLP)等任務和預測股市的遞歸神經網絡(RNN)構，使其運作速度足夠快，可以在谷歌翻譯等按需系統中使用。
其他類型的人工智能有哪些?
人工智能研究的另一個領域是進化計算，它借鑒了達爾文的自然選擇理論，并發現遺傳算法經曆了幾代人之間的随機變異群組合，進而試圖發展出針對給定問題的最佳解決方案。
這種方法甚至被用來幫助設計人工智能模型，有效地利用人工智能來幫助建構人工智能。這種使用進化算法來優化神經網絡的方法被稱為神經進化，随着智能系統的使用越來越普遍，特别是對資料科學家的需求往往供不應求的情況下，在幫助設計高效的人工智能方面可以發揮重要作用。Uber公司的人工智能實驗室展示了這項技術，該實驗室發表了關于使用遺傳算法訓練深層神經網絡以解決強化學習問題的論文。
此外還有專家系統，在這種系統中，計算機被編入規則，允許它們根據大量輸入做出一系列決定，使計算機能夠模仿人類專家在特定領域的行為。駕駛飛機的自動駕駛系統就是這些基于專家系統的一個例子。
是什麼推動了人工智能的複興?
如上所述，近年來，人工智能研究的最大突破是機器學習領域，尤其是在深度學習領域。
這在某種程度上是由于資料的易用性驅動的，而更重要的是，并行計算能力的爆炸式增長，在此期間，越來越多的圖形處理單元(GPU)叢集用于訓練機器學習系統。
這些叢集不僅為訓練機器學習模型提供了功能強大得多的系統，而且它們現在作為雲服務在網際網路上廣泛使用。随着時間的推移，全球主要的科技公司(如谷歌、微軟和特斯拉)已經開始使用專門為運作和教育訓練的機器學習模式量身定做的晶片。
谷歌公司的Tensor Processing Unit(TPU)就是這些定制晶片的一個例子，它的最新版本加快了使用谷歌TensorFlow軟體庫建構的有用機器學習模型從資料中推斷資訊的速度，以及它們接受訓練的速度。
這些晶片不僅用于訓練DeepMind和Google Brain的模型，還用于支援谷歌翻譯和谷歌照片中的圖像識别的模型，以及允許公衆使用谷歌的TensorFlow Research建構機器學習模型的服務。這些晶片的第三代産品于2018年5月在谷歌公司的I/O會議上釋出，此後被封裝到稱為Pod的機器學習引擎中，該引擎可以每秒執行超過10萬億次浮點運算(100 petaflops)。這些正在進行的TPU更新使谷歌公司可以改善基于機器學習模型的服務，例如将訓練谷歌翻譯中使用的模型所需的時間減少一半。
機器學習的要素是什麼?
如上所述，機器學習是人工智能的一個子集，通常分為兩大類：有監督學習和無監督學習。
(1) 監督學習
訓練人工智能系統的一種常見技術是通過使用大量帶标簽的例子來訓練它們。這些機器學習系統被輸入大量的資料，這些資料經過注釋以突出感興趣的特征。這些可能是照片，以表明它們是否包含書面句子或腳注，以表明“低音”一詞是與音樂或魚類有關。一旦經過訓練，系統就可以将這些标簽應用到新資料上，例如剛剛上傳的照片中的一隻狗。
通過示例進行機器教學的過程稱為監督學習，标記這些示例的角色通常是通過Amazon Mechanical Turk等平台進行雇用線上從業人員執行的。
訓練這些系統通常需要大量的資料，有些系統需要搜尋數百萬個例子來學習如何有效地執行任務，在大資料和廣泛資料挖掘的時代，這一點越來越可能。教育訓練資料集龐大且規模不斷擴大——谷歌公司的開放式圖像資料集約有900萬張圖檔，而其标簽視訊存儲庫YouTube-8M連結了700萬個标簽視訊。ImageNet是早期的此類資料庫之一，擁有超過1400萬張分類圖像。經過近5萬人耗費兩年時間的編纂，将其彙集在一起，其中大多數人是通過亞馬遜Amazon Mechanical Turk招募的，他們檢查、分類并标記了近10億張候選圖檔。
近年來，生成性對抗網絡(GAN)已被應用于機器學習系統中，這些系統隻需要少量的标記資料和大量未标記的資料。
這種方法可以增加半監督學習的使用，在這種情況下，系統可以學習如何使用比當今使用監督學習的訓練系統所需要的少得多的标記資料來執行任務。
(2) 無監督學習
相比之下，無監督學習使用不同的方法，即算法嘗試識别資料中的模式，尋找可用于對資料進行分類的相似性。例如，将重量相似的水果或發動機尺寸相似的汽車聚集在一起。
該算法并不是預先設定好挑選特定類型的資料，而是簡單地尋找可以根據相似性進行分組的資料，例如谷歌新聞每天都會将類似主題的報道分組在一起。
(3) 強化學習
強化學習的一個粗略的類比是，當寵物表演一個節目時，會給它一個獎勵。在強化學習中，系統試圖根據輸入資料最大化獎勵，基本上要經曆反複試驗的過程，直到達到可能的最佳結果。
強化學習的一個例子是Google DeepMind的Deep Q網絡，該網絡已被用于在各種經典視訊遊戲中實作最佳人類表現。系統從每個遊戲中擷取像素，并确定各種資訊，例如螢幕上物體之間的距離。
通過檢視每個遊戲中獲得的分數，系統會建立一個模型，該模型的動作将在不同情況下使分數最大化，例如，在視訊遊戲Breakout的情況下，應将球拍移至其中以攔截球。
該方法還用于機器人技術研究，其中強化學習可以幫助教會自主機器人在現實環境中表現的最佳方式。
**哪些公司在人工智能領域處于領先地位?
随着人工智能在現代軟體和服務中扮演越來越重要的角色，全球主要的科技公司都在努力開發強大的機器學習技術，以供内部使用并通過雲服務向公衆出售。
盡管可能是谷歌及其DeepMind AI AlphaFold和AlphaGo系統對公衆的人工智能意識産生了很大的影響，但每個開創人工智能研究新局面的公司都有可能成為頭條新聞中的主角。
哪些國家在人工智能領域處于領先地位?
如果有人認為美國科技巨頭在人工智能領域占主導地位，那麼這種想法是錯誤的。中國科技廠商阿裡巴巴、百度、聯想正在電子商務和自主駕駛等領域大力投資人工智能。中國正在遵循三步走的計劃，将人工智能變成該國的核心産業。到2020年底，該産業的價值将達到1500億元人民币(合220億美元)，目标是到2030年成為世界領先的人工智能大國。
百度公司已投資開發無人駕駛汽車，該技術由其深度學習算法百度AutoBrain提供支援，經過數年的測試，其阿波羅自動駕駛汽車在測試中行駛了300多萬英裡，在全球27個城市載客超過10萬人。百度公司的創始人預測自動駕駛汽車将在五年内在中國城市中普及。
一些分析師認為，在未來的人工智能研究方面，中國将比美國更具優勢。
如何開始使用人工智能?
雖然人們可以為其電腦購買一個中等功能的Nvidia GPU(大約在Nvidia GeForce RTX 2060或更快的地方)，并開始訓練機器學習模型，但嘗試人工智能相關服務的最簡單方法可能是采用雲服務。
全球主要的科技公司通常提供各種各樣的人工智能服務，從建構和訓練自己的機器學習模型的基礎設施到允許按需通路的人工智能工具(如語音、語言、視覺和情感識别)的網絡服務。
人工智能将如何改變世界?
(1) 機器人和無人駕駛汽車
希望機器人能夠自主行動、了解和導航周圍的世界，這意味着機器人學和人工智能之間有着天然的重疊。雖然人工智能隻是機器人技術之一，但人工智能的使用正在幫助機器人進入新的領域，如自動駕駛汽車、送貨機器人，以及幫助機器人學習新技能。在2020年初，通用汽車和本田推出一款電動無人駕駛汽車Cruise Origin,谷歌母公司Alphabet公司的自動駕駛業務部門Waymo最近在亞利桑那州鳳凰城向普通公衆開放了robotaxi服務，其提供的服務覆寫城市50平方英裡的區域。
(2) 虛假新聞
人們正處于擁有可以建立逼真的圖像或以完美音調方式複制某人聲音的神經網絡的邊緣。随之而來的是巨大的颠覆性社會變革的潛力，例如不再能夠将視訊或音頻素材視為真正的視訊。人們還開始擔憂可能會使用這種技術來盜用人們的圖象。
(3) 語音和語言識别
機器學習系統幫助計算機以幾乎95%的準确率識别人們所說的内容。根據微軟公司人工智能和研究小組釋出的報告，他們已經開發出一種系統，能夠像翻譯人員一樣準确地翻譯口語。
随着研究人員追求99%準确性的目标，人們期望與計算機對話以及更傳統的人機互動形式變得越來越普遍。
與此同時，OpenAI的語言預測模型GPT-3最近引起了業界關注，因為它能夠建立可以被認為是人類所寫的文章。
(4) 面部識别和監視
近年來，人臉識别系統的準确性有了突飛猛進的發展，百度公司表示，隻要視訊中的人臉足夠清晰，它就可以以99%的準确性比對人臉。
盡管世界各地的隐私法規各不相同，但這種更具侵入性的人工智能技術(包括能夠識别情緒的人工智能)很可能會逐漸變得更為廣泛。
(5) 醫療保健
人工智能最終會對醫療保健産生巨大的影響，幫助放射科醫生在X光片中發現惡性良性腫瘤，幫助研究人員發現與疾病相關的基因序列，并識别出可能導緻更有效藥物的分子。谷歌公司的AlphaFold 2機器學習系統最近的突破有望将開發新藥的關鍵步驟所花費的時間從數月縮短至數小時。
在世界各地的醫院都有人工智能相關技術的試驗。其中包括IBM的Watson臨床決策支援工具，該工具由Memorial Sloan Kettering癌症中心的惡性良性腫瘤學家進行了教育訓練，以及英國國家衛生服務局對Google DeepMind系統的使用，它将幫助發現眼睛異常并簡化篩查患者頭頸部癌症的過程。
(6) 強化歧視和偏見
機器學習系統如何整理其訓練資料中反映的人為偏見和社會不平等現象的方式日益引起人們的關注。這些擔憂已認證多個示例證明，即用于訓練此類系統的資料缺乏多樣性會對現實世界産生負面影響。
2018年，麻省理工學院和微軟公司共同釋出的一項研究論文發現，大型科技公司出售的面部識别系統在識别膚色較深的人時遭受的錯誤率明顯更高，這一問題歸因于訓練資料集主要由白人組成。
一年後的另一項研究強調，亞馬遜的Rekognition面部識别系統在識别膚色較深的人的性别方面存在問題。
自從這項研究報告釋出以來，許多大型科技公司暫時停止了向警察部門提供面部識别系統。
2018年，亞馬遜公司廢棄了一款機器學習招聘工具，該工具将男性求職者視為首選，這是教育訓練資料差異化導緻結果扭曲的另一個例子。如今，正在進行研究以抵消自學系統中的偏見。
(7) 人工智能與全球變暖
随着機器學習模型和用于訓練它們的資料集的規模不斷擴大，塑造和運作這些模型的龐大計算叢集的碳足迹也在增長。世界經濟論壇在2018年發表了一篇論文，主題是資料中心供電和制冷裝置對環境的影響。2019年的一項估計是，機器學習系統所需的電力每3.4個月翻一番。
最近，通過釋出語言預測模型GPT-3(一個擁有約1,750億個參數的龐大的神經網絡)，人們開始關注訓練強大的機器學習模型所需的大量能源問題。
雖然訓練這些模型所需的資源可能是大量的，而且基本上隻有大公司才能具有，但一旦進行良好的訓練，運作這些模型所需的能量就大大減少了。然而，随着對基于這些模型的服務需求的增長，電力消耗和由此産生的環境影響再次成為一個問題。
一種觀點認為，教育訓練和運作更大模型對環境的影響需要與潛在的機器學習進行權衡，必須具有顯著的積極影響，例如，在谷歌DeepMind的alphafold2取得突破之後，醫療保健領域可能出現更迅速的進步。
人工智能會危害人類嗎?
同樣，獲得這個問題的答案取決于你問誰。随着以人工智能為動力的系統變得越來越強大，對不利因素的警告也越來越嚴峻。
特斯拉公司首席執行官埃隆·馬斯克宣稱，“人工智能是人類文明生存的根本風險”。為了推動更強大的監管監督和開展更多負責任的研究以減輕人工智能的負面影響，他成立了OpenAI，這是一家非盈利性人工智能研究公司，旨在促進和發展有利于整個社會的友好人工智能。著名實體學家斯蒂芬·霍金曾警告說，一旦建立了足夠先進的人工智能，它将迅速發展到遠遠超過人類能力的地步，這一現象被稱為奇點，并可能對人類構成生存威脅。
然而，在一些人工智能研究人員看來，人類正處于人工智能爆炸的邊緣，這一觀點似乎很可笑。
微軟公司位于英國劍橋的研究總監Chris Bishop強調了當今狹義人工智能與通用人工智能之間的不同。他說，“人們擔心終結者和機器的崛起?這是胡說八道，這樣的讨論應該是幾十年後的事了。”
人工智能會替代人類的工作嗎?
在不久的将來，人工智能系統取代大部分體力勞動的可能性可能更可信。人工智能系統替代許多體力勞動人員的可能性也許是更可靠的說法。
雖然人工智能不會取代所有的工作，但似乎可以肯定的是，人工智能将改變工作的性質，唯一的問題是自動化将如何快速和深刻地改變工作場所。
人工智能在各個領域都具有影響呼。正如人工智能專家Andrew Ng所說：“很多人都在做正常的重複性工作。不幸的是，技術尤其擅長于自動化日常的重複性工作。是以未來幾十年技術失業的風險很大。”
有證據表明哪些工作崗位将被取代。美國現在有27家Amazon Go無需收銀台的超市，顧客隻需從貨架上取下商品走出店門就可以完成交易。這對美國300多萬收銀員意味着什麼還有待觀察。亞馬遜公司在使用機器人提高倉庫效率方面處于領先地位。這些機器人将貨架的物品運送給揀貨人員，揀貨人員選擇要發送的物品。亞馬遜公司在其營運中心擁有超過20萬個機器人，并計劃增加更多機器人。但是亞馬遜公司還強調，随着機器人數量的增長，這些倉庫中的從業人員也随之增加。但是，亞馬遜和小型機器人公司正在努力使倉庫中剩餘的體力勞動實施自動化，是以，體力勞動和機器人勞動将繼續齊頭并進并不是假設。
全自動無人駕駛汽車現在還沒有成為現實，但根據一些預測，即使不考慮對快遞員和計程車司機的影響，僅自動駕駛卡車行業就可能在未來十年内替代170萬個工作崗位。
然而，一些容易實作自動化的工作甚至不需要機器人技術。目前有數以百萬計的人從事行政工作，在系統之間輸入和複制資料，追蹤和預訂公司的約會。随着軟體能夠更好地自動更新系統并标記重要資訊，是以對管理者的需求将下降。
與每項技術變革一樣，人工智能将創造新的工作崗位來替代失去的工作崗位。但是，不确定的是這些新角色是否會迅速為失業者提供就業機會，以及這些失業者是否具有必要的技能或能力來填補這些新興角色。
并非每個人都是悲觀主義者。對于某些人來說，人工智能是一種可以提高工作能力而不是替代從業人員的技術。不僅如此，而且他們認為沒有必要采用人工智能，因為人工智能輔助從業人員比人工智能系統工作效率更高或更有效，因為他們可以在人工智能系統提出要求之前，準确地告訴他們客戶想要什麼。人工智能專家關于人工智能系統将以多快的速度超越人類的能力有着廣泛的看法。
牛津大學人類未來研究所邀請了幾百位機器學習專家來預測未來幾十年人工智能的能力。
他們總結出來的未來值得注意的事項包括：到2026年，人工智能撰寫的文章将被認為是人類所寫的文章、2027年卡車司機被大量裁員、2031年人工智能在零售業超過人類能力、人工智能将在2049年寫出暢銷書，到2053年人工智能将完成外科醫生的工作。
他們估計人工智能在45年内擊敗人類完成所有任務的可能性相對較高，在120年内實作所有人類工作的自動化。
轉載連結：
http://www.d1net.com/ai/industry/568302.html本文轉自企業網D1Net，本文一切觀點和機器智能技術圈子無關。
線上免費體驗百種AI能力：【點此跳轉】