参与：Rick、林静、吴攀

智能增强技术有助于提高人类的潜能——通过提高工人生产力、减轻一般任务的工作量以及为我们的生活提供更多方便。本文的作者是 Anupam Rastogi，他是 NGP 的成长期技术投资者，专注于企业中的物联网、数据与机器学习的交叉领域。

自 20 世纪 50 年代以来，人工智能（The Artificial Intelligence/AI）与智能增强（Intelligence Augmentation/IA）之间的争论已经持续了半个多世纪。一般来说，智能增强指的是利用信息技术来增强人类能力。这个想法自 1950 年被首次提出后，现在已经变得无处不在。如今人工智能越来越多地被用于广泛描述那些能够模仿人类功能（比如学习和解决问题）的机器，但它最初所建立的前提条件是：人类智能可以被精确描述，且能够用所制作的机器进行模拟。人工通用智能（Artificial General Intelligence/AGI）这个术语通常仅仅表示后者，该定义较前者更严格。当下存在许多人工智能方面前所未有的炒作——其近来令人难以置信的增长曲线、无数的潜在应用、及其潜在的社会威胁。

更广泛的人工智能定义给一些人造成了困惑，特别是那些或许不太紧跟技术潮流的人。机器学习应用近期所带来的一些十分显著的进步有时会被错误理解和推断，使我们以为人类即将取得 AGI 方面的进展、正在逼近为了社会秩序所需要的一切。

智能增强与人工通用智能技术之间可能会有一段持续进步的过程。我在本文中谈到，我们所目睹的人工智能领域的快速进展是来自于机器学习对其产生的强大驱动力。然而，满足人工智能——以及人工通用智能——的原始前提条件是大量的、额外的、在近期进展之上的技术突破。智能增强技术有助于提高人类的潜能——通过提高工人生产力、减轻一般任务的工作量以及为我们的生活提供更多方便。我们目前所看到的是机器在任务执行方面的能力提升，在这方面它们几十年前就胜过人类了。而未来十年中，我们会看到机器学习技术进一步渗透众多行业和生活领域，推动这种能力进一步地快速提高。

旧闻新炒

如今所使用的许多人工智能和机器学习算法是几十年前发明的。国防机构使用高级机器人、自动驾驶车辆和无人机的时间已将近半个世纪。第一个虚拟现实原型开发于 20 世纪 60 年代。然而截至 2016 年底，没有一份主流出版物不对人工智能即将产生的社会影响发表高论。根据 CB Insights 的数据，对利用人工智能的创业公司的投资资金将于 2016 年达到 42 亿美元，仅仅四年就翻了 8 倍以上。

发生了哪些变化？

影响因素有很多，但也有这样一个共识：最近的许多事态发展，atv，比如近期谷歌翻译的巨大进展、谷歌 DeepMind 在围棋游戏中的胜利、亚马逊 Alexa 的自然会话接口以及特斯拉的自动驾驶功能，都由机器学习的进步所推动，更确切地说是深度学习神经网络——它是人工智能的一个分支。深度学习理论已经存在了几十年，但是它开始看到了新一轮的焦点，以及自 2010 年左右开始显著加快的进展速度。我们当下所看到的现象是一个雪球效应——深度学习在用例与行业中的影响——的开端。

影响因素有很多，但也有这样一个共识：最近的许多事态发展，比如近期谷歌翻译的巨大进展、谷歌 DeepMind 在围棋游戏中的胜利、亚马逊 Alexa 的自然会话接口以及特斯拉的自动驾驶功能，都由机器学习的进步所推动，更确切地说是深度学习神经网络——它是人工智能的一个分支。深度学习理论已经存在了几十年，但是它开始看到了新一轮的焦点，以及自 2010 年左右开始显著加快的进展速度。我们当下所看到的现象是一个雪球效应——深度学习在用例与行业中的影响——的开端。

机器和人类

在某些类型的任务上，机器的表现长期以来一直优于人类，尤其是那些与计算速度和规模相关的任务。三位学院派经济学家（Ajay A. et al）在最近的一篇论文和哈佛商业评论上一篇文章假定最近机器学习的进展可以归为机器「预测」中的进展一类。

机器的工作原理是机器使用了之前的苹果图像中的信息来预测当前的图像中是否有苹果。为什么会用『预测』这个词？预测使用的信息是你没有的但必须要生成的信息。机器学习使用的数据是从传感器、图像、视频、输入的注释、或者其他任何能被用比特/二进制（bit）表示的东西。这就是你拥有的信息，机器用这样的信息去填补它缺失的信息来识别物体，并预测下面会发生什么。这是你没有的信息。换句话说，机器学习是一种预测技术。