最近一段時間，「AI 寒冬将至」、「AI 泡沫即将破裂」的聲音此起彼伏。AI 的發展也确實遇到了一些瓶頸，以至于不少人對通用人工智能的實作望洋興歎。本文作者也認可這些局限的存在，但同時他也指出，如果努力發展以人為中心的人工智能應用，這一領域也将結出碩果。
我們周圍關于人工智能的炒作正在逐漸降溫，接下來我們要關注是将以人為中心的機器學習技術應用于重要問題的大豐收！
我喜歡對關于人工智能的炒作吐槽，下面是前幾天的一篇推文：
MIT 展示了一個會玩疊疊樂的機器人（參見：MIT 的機器人會玩疊疊樂了！手殘的你怕不怕？）
機器人不會教它自己怎麼玩疊疊樂（Jenga）遊戲。我到現在也沒有讀過這篇文章，但有些人決定教機器人去玩 Jenga。人類付出巨大努力開發了一個讓機器人能夠利用某種資料進行學習的系統。最有可能用到的資料來自于人類的試驗，或者可能人們建立了适當的強化機制讓機器可以通過「自己玩遊戲」來學習。
類似的，在 2020 年之前，汽車也不會自動駕駛。語音識别語音識别也沒有達到與人類相媲美的水準。亞馬遜的「Alexa」也不是一個對話性的系統。目前的計算機視覺技術不能解決任意的視覺問題。我們還沒有面臨具有自我意識的殺手機器人的危險。
一些人看到一個又一個曾經的預言失敗了，就認為另一個「人工智能的冬天」可能即将到來，但這并不會發生。當年人工智能之是以進入寒冬，是因為盡管有大量的炒作，但是其背後還沒有太多的理論支撐。近一段時間以來，在這樣的炒作之下也誕生了很多重要的工作。人們認為 Alexa 是一種對話式的智能體，但它實際上隻是一個更好的麥克風，是一種在工程中已經被普遍應用的基于規則的系統，而且它确實在某種程度上是由深度神經網絡賦能的更好的語音識别系統。「連線」雜志表示，深度學習是貪婪的、脆弱的、不透明的、膚淺的，這些說法沒有問題，但是即使有這些限制，很多重要的東西還是可以實作的。
目前實用性的人工智能技術更多地是探讨我們如何形式化定義問題以及我們能收集到什麼資料，而不是以新奇的模型為出發點——在技術層面上，今天的「人工智能」是與網絡、系統以及資料庫息息相關的，正如它與新算法緊密相關一樣。最終，人工智能技術還是圍繞人類展開的。
人類的表現是「被過度炒作」的人工智能技術的對比基準（也就是說有些方法已經在某些問題上可以與人類相媲美）。然而，被過度炒作的人工智能技術卻在很大程度上忽視了與人相關的因素。不過，它們也無法再被忽視了，因為當人工智能技術朝着更實際的應用方向發展而不能取得進展時，與人相關的因素又會重新回到前沿。考慮到人的因素時，炒作就會減弱。當你考慮到除了在光照良好、路況熟悉的道路上行駛，系統還要顧及人類駕駛員面臨的其他狀況時，自動駕駛汽車似乎不太可能實作。人類駕駛員會尋找乘客，他們會去加油，有時還會去修車，他們要確定喝醉的乘客沒有危險，他們要送老年乘客去醫院，等等。
我們已經越過了炒作「使用人工智能模仿人類的表現」的時代，轉向更實際的以人為中心的機器學習應用。如果炒作是冰山一角的快速融化，那麼以人為中心的偉大的應用工作就是漂浮在下方、支撐一切的巨大冰山。
統計模式識别和非确定性的人類
幾天前，我在推特上沉思道：如果我們不再将這個領域稱為「人工智能」，轉而使用更加具體和準确的術語「統計模式識别」，那麼現在的這種炒作是否會消失呢？
其他人則有不同的看法——Judea Pearl 認為我們需要能夠進行因果推理的新方法，Pedro Domingos 正在尋找「終極算法」，其他人則希望能夠超越「與動物相類似的能力的認知功能優化」，并促使我們朝着與人類同等水準的智能進發。
不管它是如何建構的，這些讨論之是以發生，是因為「人工智能」傳達了一種智能的概念——人類的智能，這是目前的方法無法滿足的。我們的系統往往缺乏常識、跨領域類比的能力、推理因果關系的能力，以及與非确定性的人類進行流暢的模仿和互動所必需的智能的其它組成部分 [1]。
統計模式識别是一個非常強大的工具。為了充分利用這一優勢，我們需要進行艱苦的工作，找出既足夠重要又足夠有針對性的問題，進而使統計模式識别（SPR）方法能夠很好地發揮作用。發現重要的問題，将它們映射到從計算的角度來說容易處理的解決方案，收集有意義的資料集，設計對人們有意義的互動，這些都是以人為中心的智能（HCI）及其内在方法的亮點。
HCI 是我認為人工智能這次遭遇的将不是冬天而是秋天的原因。能夠應用機器學習技術來解決實際人類問題的人将成為最重要的技術人員。越來越多的易用庫能夠提供功能強大的機器學習技術；如果你想保持領先，你需要我們在 HCI 課程中教授的技能。
如果你的目标是熬過人工智能的冬天，希望有一天能開發出真正智能的人工智能，那麼就打破深度學習和實際應用的束縛，勇敢前行。
如果你的目标是收獲豐厚的回報，那麼就去學習 HCI 技術吧。
HCI 如何在人工智能的豐收中獲利？
HCI 的優勢來自對多個學科的結合——至少涉及到計算機科學、設計和行為科學（心理學、認知科學等）。精通 HCI 的人可以使用各種以人為中心的方法來了解現在，設計和實作未來，并驗證這些未來的設想。就像在大多數領域一樣，從業人員是專門化的。例如，有人可能專門研究目前人們使用的技術，或者專門設計預測性的或刺激性的未來，或者為人們使用的未來技術系統建構原型。
下面，本文将給出一些我認為 HCI（以及相關的）研究和實踐将在人工智能的秋天收獲頗豐的一些領域，無論未來幾十年在真正的智能機器方面會有什麼進展，它們都将扮演一定角色：
支撐人類的智能應用
随着機器學習方法被更好的了解，并被更好地打包成工具，最大的挑戰将轉變為如何将它們應用于實際的與人類相關的問題。這就是 HCI 的優勢所在！
在人工智能發展的早期，智能機器的關注點在于智能增強（IA），正如 Vannevar Bush 在「As We May Think」中所描述的那樣。我們将 Douglas Engelbart 奉為「滑鼠之父」，但他在「Mother of All Demos」中着重讨論了計算技術如何才能夠普遍地增強人類智能。Engelbart 對此進行了廣泛的讨論。有一段時間，該領域被稱為「智能使用者界面」，這也成為了該領域的一個著名會議的名稱。現在，随着人工智能（以及不切實際的通用人工智能）的局限性逐漸凸顯，「人類增強」的概念正變得越來越流行，閱讀這本較老的著作是值得的，因為其中的許多見解都具有深遠的相關性。
HCI 正在努力解決支援人類的難題——收集和擴充新的資料集；找出人和機器協作的新方法；創造出使裝置和世界能更易被了解的系統，無論人的能力如何；為互動和健康建立機器學習技術賦能的傳感系統；并緻力于打造能夠幫助人們更好地建立機器學習模型的系統。
這一領域的挑戰和影響與這樣一個事實有關，即它的根本目的是創造和解決新的問題，而不是改進現有問題的解決方案。是以，整個過程可以被視為發現和驗證一個問題、疊代地提出潛在的解決方案、對這些解決方案進行原型化和精細化、最後驗證該解決方案是否解決了預期的問題。
随着機器學習算法被商品化，那些能夠在整個機器學習的應用過程中發揮作用的算法将是最有價值的。
設計和人工智能
HCI 的從業人員一直站在前沿，思考人類将如何與人工智能互動，以及如何做一些工作來讓人類有效地與人工智能互動。你可以在 90 年代 Pattie Maes 和 Ben Schneiderman（HCI 先驅）之間的「智能體 vs 直接操作」（agents vs. direct manipulation）的辯論中看到這一點。Ben 接着建立了資訊可視化領域，從方法論的層面回應人類如何與日益豐富的資料和複雜的世界直接互動。
在人工智能和 HCI 的交叉領域工作的人們很久以前就意識到，建構包含「人工智能」元素的使用者界面有一些不同之處，尤其是由于人工智能是不确定的，而且常常是不正确的。Eric Horvitz 和其他人将其稱之為「混合主動互動」（Mixed-Initiative Interaction）。你可以在一篇發表在 1999 年的 CHI 會議上的經典論文《Principles of Mixed-Initiative User Interfaces》中讀到這一點，盡管我也喜歡下面的這個版本《Mixed-initiative interaction》，其中包括 James Allen 等對話式人工智能大牛的一些評論。Eric 和 Saleema Amershi 等新作者在他們的 CHI 2019 的論文《Guidelines for human-AI Interaction》中對此進行了新的論述。
從某種程度上說，人類往往隻在火燒眉毛時才思考，那就太遲了。一位我不确定是否應該提及的同僚這樣描述：「很多工作都在研究如何給人工智能豬塗口紅」。是以，如今設計和人工智能的研究前沿是了解設計師如何才能使用機器學習作為設計材料。其中很大一部分是教設計師如何思考機器學習。這不僅關乎如何将使用者接入不确定的人工智能結果：它考慮的是應該解決什麼問題；什麼機器學習方法與人類預期的問題相比對；針對于特定的用例，哪些問題可以被很好地解決。
設計正迅速成為同類産品之間的差異所在；是以，那些最擅長機器學習的設計師将提供最大的價值。
計算社會科學
機器學習正在我們所做的每一件事中發揮作用，是以我們需要仔細思考機器學習的意義，以及我們可以做些什麼來減輕它的負面影響。計算社會科學家為我們帶來的方法往往更傾向于面向對人類的研究，使用 HCI 中教授的各種技術，并借鑒心理學和認知科學等基礎領域的方法（如調查、訪談、日志分析和人種學）。
這些技術已經對使用者如何了解（或誤解）與之互動的算法産生了難以置信的深遠影響（例如，Facebook 的新聞 feed 流；YouTube 的推薦系統如何鼓勵極端主義；社交媒體虛假新聞的識别機制；使用者界面的元素如何影響線上言論；使用者對線上隐私的認識，等等）。