掘金人工智能，要放弃“仿生学”
科幻片里总把AI描绘得神乎其神，甚至像人一样有血有肉有情感，而世界顶尖AI学者邢波教授告诉我们：要发展人工智能，得放弃仿生学。
只有掌握了这样的深刻认知，你才能在人工智能技术的浪潮中，获得更有力的抓手。
✦是追求比较文艺的、魔幻式的人工智能，还是看重低调的工业型、制造型人工智能？我的建议是后者更靠谱。—— 邢波
先来看一副古代油画，“钢铁巨兽的降临”：
1830年，美国的巴尔的摩发生了一件跨时代的事情：马车和火车比赛。
在当时，火车是一项非常神秘的技术，不被公众所知，所以比赛吸引了大量观众。
最后，当火车轻而易举地战胜了马车时，人们陷入恐慌：
马车夫是不是要失业了？
我们的田野和土地会不会被这个能“怪叫”的钢铁巨兽搞的丑陋不堪？
这是当时人们的焦虑，但现在，马车已经退出历史，似乎也没有谁为马车夫的失业而感到遗憾。
同样，当 AlphaGo 战胜围棋世界冠军时，好多人也惊叹：我们人类还有戏吗？
其实，这个问题一点都不新，对不对？
所以，接下来，我将为你“祛魅”，告诉你，人工智能究竟是一个什么样的东西。
理论准备：两大假设与一个判断标准
什么是智能？
简单说，就是从自然或人工环境中感知和解析信息，提炼知识并运用于自适应行为的能力。
你会发现，人的代入感是很强的。其实，对智慧的探索，通常都是以人作为主体来定义。
2000多年前，亚里士多德就有憧憬，如果我们能够发明一套设备帮人干活，我们就可以把奴隶给解放出来。
那么，我们能不能够用一种人工的制造方法，来代替人的一些功能？
于是，基于这个问题，产生了两大基础假设：
① 人类的思考过程可以机械化
要实现这种思路，需要一个技术路线，即形式推理。
什么是形式推理？从真实前提推出真实结论的形式，比如摸着石头过河，就是试错法推理。
人们期望能够用形式推理的路径，来规范人的思维过程，这是一个很了不起的工作。
其中，一个重要的里程碑事件是，大哲学家罗素和怀特写了一本书叫《数学原理》，他们对数学给出了“完备”的形式化描述。
要知道，数学思维，是人类思维里面最难的一种。
“这本书耗费了我10年精力，结果赚了负50英镑，而且10年后只有6个人看完了”
—— 罗素
接着，计算机学家图灵，提出了著名的图灵机假设：
一台仅能处理 0 和 1 这样简单二元符号的机械设备，能够模拟任意数学推理过程。
所以我们能够造计算机，解答所有能够言说的事物。
这个理论，真正的把某一种或者某一部分人类思维的内容，做了一个完全形式化的尝试。
这就是第一个基础假设：人的思维至少是部分形式化的。
② 机械化的思考可以用工程实现
以上这种形式化或者机械化的思考，是不是可以用工程的方式来实现？
沿着这个路径，许多有趣的理论探索开始出现：
神经学
神经生物学家发现，人的大脑，实际上有点像一个电子网络，实际上可以被简化成二态（“有”和“无”）的电子开关的连接网络。这是对大脑的基本模拟。
控制论
数学家维纳的《控制论》，描述了电子网络的控制和稳定性。
信息论
科学家香农提出的信息论，描述了数字信号（即高低电平代表的二进制信号）中的信息表达，编码，传播原理。
现代二进制计算机
电子管和晶体管被发明以后，二进制的计算机开始出现，包括二战时候的编码器、译码器以及 50 年代初的一些大型电子计算机。
总之，以上这些准备，产生了实现人的思维过程的可能性，从而带来了人工智能的曙光。
最后一个疑问：如何判断机器拥有智能？
科学家图灵提出了一个很有意思的测试，为人工智能的诞生，完成了最后的“临门一脚”：
设一块布，让一台设备和一个人在后面，跟你做文字交流，如果你判断不出来跟你交流的这个东西是一个人还是一台设备，那我们就不妨假设这个设备，获得了人工智能。
这个定义虽然有争议，但因为浅显易懂，获得了很多人的认可。
1956年，几位年轻的学者在美国的一个常青藤学校举行了一次学术研讨会，即达特茅斯会议，并形成了一个共识——
“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟。”
自此，人工智能正式诞生。
小结：
综合以上，你会发现，人工智能的诞生，其实不是一个突发性事件，它经过了上百年的理论和实践准备，包括心理学、信息学、数学、哲学、生物学等各方面的准备工作，最后达到一个收敛，并形成了现代计算机科学的方法论基础。
历史发展：三个关键点与阻碍
第一个黄金时代及严冬
理论上的准备完成之后，人工智能迎来了第一个黄金时代：
卡耐基梅隆大学计算机学院的创始人 Simon 和他的学生们一起发明了一个计算机程序 ——“逻辑理论家”：
能够自动证明罗素数学原理里面 50 几个定理里面的 38 个定理。
Simon甚至在 1960 年预测，二十年内，机器将能完成人能做到的一切工作。
同时，另外一些有趣的发明也开始出现，比如可以做高中水平应用题的程序，可以简单对话的聊天机器人等。
但是，AI研究者们对其课题的难度未能作出正确判断，过于乐观使人们期望过高，当承诺无法兑现时，对 AI 的资助就缩减或取消了，AI学家被骂成了“骗子”。
人工智能的发展进入了严冬（1974-1980）
难题一：计算复杂度指数爆炸
理想情况下，问题越难，花的时间就越多，假设问题难一倍，时间就多一倍，问题多一倍，难度就变成四倍……如果一个问题里有 10 个变量，那就是 2 的十次方……很快，计算复杂度就会超过宇宙里所有粒子的总数。
而这在现实中，是不可计算的。
难题二：缺乏常识
比如，人在交流的时，会有很多约定俗成的表现，他不说，你也知道，但机器不知道。
所以，常识的缺乏，是机器人或者人工智能设备遇到的一个巨大瓶颈，而且常识很难维持，因为人的常识实在太多了。
难题三：莫拉维克悖论
和传统假设不同，人类所独有的高阶智慧能力，只需要非常少的计算能力，例如推理，但是无意识的技能和直觉，却需要极大的运算能力。
难题四：复杂的决策
复杂的决策面临着建模的困难，所以很多模型的表达度是不够的。
第二个黄金时代及严冬
当然，还是有一部分人比较坚韧，他们并没有放弃，从而出现了一些新的思索路径，比如
专家系统获赏识，“知识处理”成为了主流AI研究的焦点。
重新回归逻辑，马泰斯（John McCarthy）和瑞博森(J. Alan Robinson)，开发了一套编程语言叫Prolog，以很简洁的方式，写出来一些相当复杂的思维推理过程。
在此基础上，斯坦福的科学家Edward Feigenbaum 实现了一套专家系统。
这个系统可以针对一个专门的问题集，比如工厂里的机器保养，编成一套逻辑指令集，进而开发一套计算程序。
这类专家系统获得了相当的成功，它成为了新的人工智能里比较重要的突破口。
但后来，由于应用链非常窄，制造成本高，缺乏可重复性或者可延展性，开始出现了第二次公众预期和结果的落差。
经费又一次下降，投资也没有了，人也都散了。
第三次复兴：机器学习
很多时候，讲人工智能通常是以人的智慧做模板，比如说用一个设备去模仿人工神经网络，但人们很少去问，我们做这个设备是为了什么？
于是，根据任务导向去开辟新的技术手段，成为现在这一时期的核心，其中，机器学习成为一个非常适合而且强大的工具，人工智能开始了井喷式的突破。
比如机器狗，它与玩具狗不一样，是一个能够自我学习的狗，并不是靠人编程出来的。
开飞机，背后是机械操作的原理，要么是人操作，要么就是程序告诉它，在某种情况下做什么样的运动。
但是，机器狗的动作，是靠自我学习来实现的。开始时，它在一个模拟器上什么都不会，但通过不断地模拟姿态和环境，使它的算法能够在模拟的过程中，不断地优化参数，慢慢这个狗就会越走越稳，越走越快。
也就是说，机器学习，使得这些设备具有了自编程的能力，它可以自己写出来一套让自己能够比较良好地稳定运动的东西，这是一个非常重要的新手段。
当然，这些能力还处在比较原始，最近几次很大的自动车事故，都体现了在算法和工程上面的一些局限。
这其中最大的问题是，算法原则背后的数学因果性，现在还没有完全搞清楚。还有一些算法，实际上更像是一个黑匣子的算法。
Tips
未来，人工智能将走向何方？
值得注意的是，第三次人工智能的复兴，体现的是一种技术上的胜利，背后的理论形式，其实并没有变化。
未来，人工智能将走向何方？你需要关注以下的问题：
人工智能，是追求全面的对人的模仿，还是针对人的某一种特定功能的超越或者逼近？
哪些是更好的目标？哪些是不靠谱的目标？
最后的最后,有两个要点值得你特别注意：
1. 我们应该放弃仿生学的角度，改从工程的角度发展人工智能，只有完成这种思维的转变，才能这波浪潮中获得有力的抓手。
为什么这么说？
举个例子，比如要实现“飞”这个目标，历史上有两个方法：
① 仿生学的方法，即模仿能飞的鸟，当时包括达芬奇在内的很多人，都做过这样的尝试，但最后，基本上除了形状上像鸟外，多数都飞不起来或者飞的很差。
② 工程化的方法，即做飞机。飞机跟鸟，非常不一样，翅膀不会扇，重量也比空气重，但它唯一聚焦的功能就是飞，不做别的东西。
实际上，它是用了数学原理、动力学原理、燃烧学原理、流体力学原理等，在人理解的范围内，把很多工程上的优化问题都做到了极限，最后得到这么一个设备。
所以，你要学会从工程化的视角，去思考与实践。
2. 要学会发掘工业型的、制造型人工智能的强大潜力。
是追求比较文艺的、魔幻式的人工智能，还是看重低调的工业型、制造型人工智能？
我的建议是后者更靠谱。（注：前者的技术上路径并不明朗，钱投进去，最后能不能有回报，很难预测）
比如在工业设备中出现的大量传感器数据，这些数据的量很大，是不是应该有一个可能性，去发明一套设备或者算法，实现一种智能？
以我们研发的工作经验来看，这种人工智能并没有被重视，但却是更容易被实现的。
如您发现有部分资讯内容不显示，请直接复制链接选择浏览器打开。