近来，听过太多关于人工智能有多危险的可怕警告。

现代先知，如物理学家史蒂芬·霍金和投资者埃隆·马斯克曾预言人类即将衰落。随着人造通用智能程序和自主设计智能程序的出现，人类将抵达更先进的AI时代，迅速创造出的愈发智能的机器最终将超越我们。

当我们到达我们称之为AI的奇点时，我们的头脑和身体将会过时。人类或许会与机器融合，atv，并继续发展成为半个机器人。

这真的是我们所期待的未来吗？

变幻多端的AI前身

不，这其实不是真的。

AI，一个植根于计算机科学、数学、心理学和神经学的科学学科，旨在创造出模仿人类学习和解决问题等认知能力的机器。

自20世纪50年代以来，它一直在激发大众的想象力。但从历史角度来看，AI所取得的成就往往不能令人满意，这在很大程度上是由于过高预估了技术带来的影响。

在20世纪60年代，AI领域的先驱之一赫伯特·西蒙曾预言“20年之内，机器将有能力做人类能做的任何一项工作”。（从这可以看出，他对女人一无所知）神经网络先驱者马文·明斯基更直接地预言道：“在一代之内，创造人工智能时所面临的问题将基本得以解决。”

不过事实证明，20世纪初丹麦物理学家丹尼斯·玻尔是正确的，据说，他曾直接嘲讽人工智能对未来的预测能力。

如今，AI的功能十分强大，无论是在语音识别、类似国际象棋的战略游戏上，还是在无人驾驶汽车以及揭示复杂数据嵌入模式等方面，表现都非常卓越。

尤其是在唇语识别这一细分领域，AI表现出来的优势十分明显。唇语识别在公共安全、军工军事等领域，尤其在公安领域非常重要。当前，公安视频数据占到全部数据95%以上，基本上都听不见声音，激活视频的语义内容价值非常巨大。作为国内仅有的少数研究唇语识别的公司之一，海云数据研发的唇语识别技术已经取得了重大突破。

然而，人工智能的强大并没有让人类变得无关紧要，退出历史舞台。

人工智能大爆发

但AI正在不断进步。AI的最近一次爆发大概是在2009年，其引发了对深层神经网络更加快速地学习。

人工智能由大量连接的计算单元组成，通常我们称这些计算单元为人造神经元，它们松散地排布着，与人类大脑中的神经元类似。为了训练这个网络能够自主“思考”，科学家们向其中输入了解决一个特定问题的N种案例。

假设我们有一个医疗组织图像的集合，我们在每张图像上都附上是否患癌症的诊断。我们可以通过这个神经网络传递每张图像，并要求连接的神经元计算患癌症的概率。

然后我们将神经网络的计算结果与正确的答案进行比对，并调整匹配失败的神经元之间的连接。我们不断重复这个过程，进行微调，直到大多数计算结果与正确答案相符。

最终，这个神经网络就可以做一个病理学家所做的工作：检查身体组织的图像来预测癌症。

这与小孩儿学习如何弹奏乐器的方式并不相同，小孩子想要学一种乐器，就必须反复练习一首曲子，直播，直到能将其完美演奏。而储存于神经网络中的知识，并不容易应用于机械层面。

当研究人员开始在图形芯片上使用许多并行处理器进行训练时，具有多层神经元的网络（通常称其为“深”神经网络）才变得实用。

深度学习取得成功的另一个关键条件是有大量得到解决的实际案例。研究人员利用互联网、社交网络和维基百科，创建了大量的图像和文本，使机器能够对图像进行分类、识别语音和翻译语言。

深层神经网络早已可以和人类一样去执行这些任务。

人工智能不懂幽默

但人工智能的良好表现仅限于某些特定的任务。

在AI对图像和文字实际意义的理解层面，科学家们并没有做出进一步改善。如果我们向接受过训练的深层网络展示史努比动画片，那它可以识别出形状和物体，例如，有条狗在这儿，有个男孩儿在那儿，但它无法解码这部动画片想要传达的东西（或理解这部动画片的笑点）。

我们也经常使用神经网络来帮助孩子更好的进行写作。神经网络往往可以在写作形式、语法、单词拼写方面提供良好指导，但在逻辑机构、推理和观点的升华方面却帮助不大。

目前的神经网络模型甚至无法理解11岁小学生的简单作品。

AI的性能也受到可用数据量的限制。在某些AI研究中，例如，将深度神经网络应用于医学诊断，有时通过神经网络诊断的结果会比过去略好，但其间差异并不太多。