在你的顱腔里，有個(gè)器官能夠閱讀。這個(gè)器官就是人的大腦，它具有其他動(dòng)物大腦沒有的一些能力，而我們在地球上的主宰地位便歸功于這些獨(dú)特的能力。其他動(dòng)物有更強(qiáng)壯的肌肉或更銳利的爪子，但是我們有更聰明的大腦。我們在一般智能方面的些許優(yōu)勢使我們創(chuàng)造了語言，發(fā)展了科技，并建立了復(fù)雜的社會(huì)組織。這種優(yōu)勢隨著時(shí)間的延續(xù)而不斷提高，因?yàn)槊恳淮�人的成就都建立在前人的成就之上�?/p>

如果有一天我們發(fā)明了超越人類大腦一般智能的機(jī)器大腦，那么這種超級智能將會(huì)非常強(qiáng)大。并且，正如現(xiàn)在大猩猩的命運(yùn)更多地取決于人類而不是它們自身一樣，人類的命運(yùn)將取決于超級智能機(jī)器。

然而我們擁有一項(xiàng)優(yōu)勢：我們清楚地知道如何制造超級智能機(jī)器。原則上，我們能夠制造一種保護(hù)人類價(jià)值的超級智能，當(dāng)然，我們也有足夠的理由這么做。實(shí)際上，控制問題—也就是如何控制超級智能，似乎非常困難，而且我們似乎也只有一次機(jī)會(huì)。一旦不友好的超級智能出現(xiàn)，它就會(huì)阻止我們將其替換或者更改其偏好設(shè)置，而我們的命運(yùn)就因此被鎖定了。

在本書中，我將努力詮釋可能出現(xiàn)的超級智能帶來的挑戰(zhàn)，以及我們?nèi)绾胃�好地�?yīng)對。這很可能是人類面對的最重要和最可怕的挑戰(zhàn)。而且，不管我們成功還是失敗，這大概都是我們將要面對的最后一個(gè)挑戰(zhàn)。

本書并不認(rèn)為，我們即將在人工智能方面取得重大突破，或者能夠準(zhǔn)確預(yù)測突破會(huì)在何時(shí)發(fā)生。突破有可能會(huì)在21世紀(jì)的某些時(shí)候?qū)崿F(xiàn)，但是我們并不能確定。本書的前幾章討論了取得突破的可能途徑，并談?wù)摿撕螘r(shí)能夠突破的問題。然而，本書的主要部分討論的是智能爆發(fā)以后會(huì)發(fā)生什么。我們會(huì)研究智能大爆發(fā)的動(dòng)力學(xué)，超級智能的形式和能量，以及具有決定性優(yōu)勢的超級智能體有哪些戰(zhàn)略選擇。然后，我們探討的重點(diǎn)轉(zhuǎn)向控制問題，并提出為了讓我們生存并且獲得有利的結(jié)果，我們?nèi)绾芜x擇初始數(shù)據(jù)的問題。在本書的結(jié)尾，我們將畫面拉遠(yuǎn)，思考我們的研究所呈現(xiàn)的更大的圖景。最后提出了一些建議，指出為了增加避免存在性災(zāi)難的概率，我們現(xiàn)在可以做些什么。

我希望本書可以開辟出一條道路，以使其他研究者能夠更加快速和便捷地到達(dá)這個(gè)領(lǐng)域的前沿，從而以全新的視角加入這項(xiàng)研究，進(jìn)一步擴(kuò)展我們的認(rèn)識(shí)。（如果我鋪的這條道路有點(diǎn)崎嶇不平，那么我希望評論家們在評判結(jié)果時(shí)，不要低估原來地勢的險(xiǎn)惡情況�。�

這本書寫起來并不容易。我努力使其讀起來容易，但是我覺得可能并沒有做到。寫作時(shí)，我把早前時(shí)間切片（time-slice）里的自己當(dāng)作目標(biāo)讀者，并盡量把書寫成自己喜歡閱讀的類型。雖然這可能會(huì)導(dǎo)致讀者群較窄，但我還是認(rèn)為書中的內(nèi)容對很多人來說都是能夠理解的，前提是他們對書中的內(nèi)容進(jìn)行一些思考，同時(shí)拒絕盲目地將任何一個(gè)新觀點(diǎn)誤解為他們文化中相似而陳舊的觀點(diǎn)。非科技專業(yè)的讀者不必因?yàn)闀�中偶爾出現(xiàn)的數(shù)學(xué)知識(shí)或?qū)�業(yè)術(shù)語感到氣餒，因?yàn)橥�往可以通過上下文的解釋看懂主要觀點(diǎn)。

本書提出的很多觀點(diǎn)可能是不恰當(dāng)?shù)�，而有些非常重要的觀點(diǎn)我可能也沒有考慮到，從而削弱了我的某些或者所有結(jié)論的有效性。我已經(jīng)盡可能地在全書中指明細(xì)微差別和不確定性—書中遍布著太多的“可能”、“或許”、“也許”、“也有可能”、“看起來”、“大概”、“非�？赡堋�、“幾乎肯定”這樣的詞。每個(gè)限定詞的使用都是經(jīng)過深思熟慮的。然而，這些字眼所體現(xiàn)出的認(rèn)識(shí)方面的謙虛謹(jǐn)慎依然是不夠的，還必須要補(bǔ)充對不確定性和易錯(cuò)性的整體說明。這不是虛偽的謙虛，因?yàn)殡m然我相信我的書中可能有一些較嚴(yán)重的問題和誤導(dǎo)性，但是我認(rèn)為目前書中提到的其他觀點(diǎn)更加糟糕，包括默認(rèn)觀點(diǎn)或者所謂的“零假設(shè)”，這些觀點(diǎn)認(rèn)為我們可以暫時(shí)安全地或合理地忽略超級智能出現(xiàn)的可能性。

第一章 人工智能：昨日成就與今日現(xiàn)狀

首先，我們回顧過去。在最長的時(shí)間范圍里，歷史似乎呈現(xiàn)出一系列不同的增長模式，每個(gè)新模式都比前一個(gè)模式增長更快。根據(jù)這個(gè)規(guī)律推測，可能會(huì)出現(xiàn)另一種（甚至更快速的）增長模式。然而，我們并不特別強(qiáng)調(diào)這個(gè)觀點(diǎn)，因?yàn)檫@并不是一本關(guān)于“科技加速”、“極速增長”，或者集合在“奇點(diǎn)”標(biāo)題下的各種觀點(diǎn)的書。然后，我們要回顧人工智能的歷史，之后再探索目前人工智能的能力。最后，我們簡要地介紹一些專家近期的觀點(diǎn)和調(diào)查，并且思考一下我們對于未來發(fā)展之時(shí)間表的空白領(lǐng)域。

增長模式和宏大歷史

僅在幾百萬年前，我們的祖先還在非洲森林中穿梭。以地質(zhì)或進(jìn)化的時(shí)間尺度來看，從與類人猿共同擁有的最后一代祖先向智人的進(jìn)化是非�？焖俚�。我們進(jìn)化出直立的姿勢和對生拇指，而最重要的是，我們的大腦體積和神經(jīng)組織發(fā)生了相對微小的變化，但正是這些變化引起了人類認(rèn)知能力的巨大進(jìn)步。因此，人類可以進(jìn)行抽象思維，交流復(fù)雜的思想，可以比地球上任何其他物種更好地積累和傳承文化信息。

這些能力使人類創(chuàng)造出越來越高效的生產(chǎn)技術(shù)，從而使我們的祖先從熱帶雨林和草原向遠(yuǎn)方的遷徙成為可能。尤其是進(jìn)行農(nóng)耕之后，人口總數(shù)和人口密度都在增加。更多的人口意味著更多的想法；更大的人口密度則意味著想法更容易傳播，并且更多的個(gè)體可以專注于發(fā)展專門的技能。這些發(fā)展提高了經(jīng)濟(jì)生產(chǎn)力和技術(shù)實(shí)力的增長率。后來與工業(yè)革命相關(guān)的發(fā)展則帶來了第二次與此相當(dāng)?shù)脑鲩L率的劇增。

這些增長率的變化有著重要的影響。幾十萬年前，在早期人類（或原始人類）史前時(shí)代，增長非常緩慢，要使人類生產(chǎn)能力增長到能夠維持另外100萬人基本生存的水平，需要大約100萬年的時(shí)間。到了公元前5000年，經(jīng)過了農(nóng)業(yè)革命，增長率已經(jīng)提高到只需要兩個(gè)世紀(jì)就能實(shí)現(xiàn)同樣的增長。今天，經(jīng)過了工業(yè)革命，世界經(jīng)濟(jì)平均每90分鐘就能夠增長相同的量。

即使是現(xiàn)在的增長率，如果持續(xù)一定時(shí)間，也會(huì)產(chǎn)生可觀的結(jié)果。如果世界經(jīng)濟(jì)繼續(xù)以過去50年的速度增長，那么到2050年，全球財(cái)富將是現(xiàn)在的約5.8倍，到2100年則是約35倍。

然而，當(dāng)前這種依指數(shù)增長實(shí)現(xiàn)穩(wěn)定繁榮的方式仍舊是不夠的，如果世界再經(jīng)歷一次農(nóng)業(yè)革命或工業(yè)革命那樣的飛躍式增長，世界將會(huì)呈現(xiàn)出完全不同的面貌。經(jīng)濟(jì)學(xué)家羅賓·漢森通過研究歷史上的經(jīng)濟(jì)和人口數(shù)據(jù)，推測出過去社會(huì)中經(jīng)濟(jì)呈倍數(shù)增長所要經(jīng)歷的時(shí)間：在洪積世狩獵采集社會(huì)下，經(jīng)濟(jì)增長翻倍需要224 000年，在農(nóng)業(yè)社會(huì)需要909年，在工業(yè)社會(huì)則需要6.3年。（在漢森的模型中，當(dāng)今時(shí)代是農(nóng)業(yè)社會(huì)和工業(yè)社會(huì)發(fā)展模式的混合體，世界經(jīng)濟(jì)實(shí)現(xiàn)倍數(shù)增長的速度還不能達(dá)到6.3年這個(gè)平均時(shí)長。）但如果出現(xiàn)另外一種完全不同的經(jīng)濟(jì)增長模式，類似于農(nóng)業(yè)革命和工業(yè)革命時(shí)期的飛躍式發(fā)展，那么世界經(jīng)濟(jì)便會(huì)以每兩周的時(shí)間實(shí)現(xiàn)翻倍增長。

以當(dāng)今形勢看，要實(shí)現(xiàn)這種增長速度無異于癡人說夢。觀察家們可能已經(jīng)發(fā)

洪積世（Pleistocene），又譯更新世，地質(zhì)時(shí)代第4紀(jì)的早期�！�譯者注現(xiàn)，對于以往的歷史時(shí)期而言，世界經(jīng)濟(jì)很難在某一段時(shí)期中實(shí)現(xiàn)好幾次翻倍增長。然而，我們現(xiàn)在就要學(xué)著對這種不尋常的情況習(xí)以為常。

弗諾·文奇（VernorVinge）開創(chuàng)性的文章以及雷·庫茲韋爾（Ray Kurzweil）等人的著述所揭示的那種即將到來的技術(shù)性奇點(diǎn)已經(jīng)受到了廣泛關(guān)注。然而，“奇點(diǎn)”這一術(shù)語在很多不同領(lǐng)域被混亂地使用，并催生出一種不合理的技術(shù)烏托邦氛圍，就好像我們會(huì)就此迎來太平盛世了�？紤]到“奇點(diǎn)”這個(gè)詞所指的大部分涵義與本文的論述不甚相關(guān)，我們可以去掉這個(gè)詞并代替以更精確的術(shù)語，以便闡述得更清晰。

我們更感興趣的一個(gè)與“奇點(diǎn)”相關(guān)的術(shù)語是智能爆發(fā)，尤其是機(jī)器超級智能的前景�？隙〞�(huì)有人意識(shí)到圖1–1所顯示的增長模式是比農(nóng)業(yè)革命和工業(yè)革命還要激烈的另一種可能的飛躍式增長模式。這些人也會(huì)意識(shí)到，要想讓世界經(jīng)濟(jì)實(shí)現(xiàn)在僅僅數(shù)周內(nèi)翻倍的增長速度，就需要?jiǎng)?chuàng)造出一種比人類的生物性思維更快、更有效的思維方式。但是我們很難通過分析經(jīng)濟(jì)增長曲線以及推斷過往經(jīng)濟(jì)增長模式來認(rèn)真嚴(yán)肅地了解機(jī)器智能變革的前景。我們將看到，更加強(qiáng)有力的理由會(huì)讓我們認(rèn)真考慮這一問題。

大預(yù)期

自20世紀(jì)40年代計(jì)算機(jī)被發(fā)明出來之后，機(jī)器就一直被寄予厚望，人們希望機(jī)器能夠具備人的一般智能，更確切地說，就是機(jī)器要具備普通判斷力和有效的學(xué)習(xí)、推理能力，并且要能夠制訂計(jì)劃以應(yīng)對復(fù)雜信息處理過程帶來的挑戰(zhàn)，這種挑戰(zhàn)可能來自自然和抽象領(lǐng)域的各個(gè)方面。在計(jì)算機(jī)剛面世時(shí)，人們就期望能夠在未來20年之內(nèi)賦予計(jì)算機(jī)人工智能。但一年又一年過去了，實(shí)現(xiàn)讓機(jī)器具備人工智能的日期卻一拖再拖；以至于今天，關(guān)心人工智能的未來學(xué)家們依舊普遍認(rèn)為智能機(jī)器的出現(xiàn)還需要20多年。

在談到徹底變革所需要的時(shí)間時(shí)，預(yù)言家們總喜歡用20年這個(gè)時(shí)間跨度：這個(gè)時(shí)間跨度既抓眼球，又足夠長，長到可以讓一個(gè)目前看起來還是模糊想象的突破成為現(xiàn)實(shí)。為什么不是更短的時(shí)間跨度呢？因?yàn)榇蠖鄶?shù)在未來5~10年內(nèi)可能對世界產(chǎn)生重大影響的技術(shù)目前已經(jīng)在小范圍內(nèi)被應(yīng)用了，而全新的技術(shù)在不到15年之內(nèi)就能讓世界煥然一新，當(dāng)然這也只是一個(gè)理論假設(shè)。另外，之所以喜歡說20年，還有可能是因?yàn)橐粋�(gè)預(yù)言家的職業(yè)生命大概就是這么長，這樣一來他在做出大膽假設(shè)時(shí)也不用承擔(dān)名聲受損的風(fēng)險(xiǎn)。

然而，即便一些人在過去對人工智能的預(yù)言不準(zhǔn)確，這也并不意味著人工智能就是不可能或者永遠(yuǎn)無法實(shí)現(xiàn)的。那么，為什么人工智能的發(fā)展總是落后于預(yù)期呢？這主要是因?yàn)閯?chuàng)造人工智能機(jī)器所遭遇的技術(shù)困難遠(yuǎn)遠(yuǎn)超過了先驅(qū)者們認(rèn)為的程度。但這也只是說明我們遇到了多大的技術(shù)難題以及我們離解決這些難題還有多遠(yuǎn)。很多時(shí)候，一個(gè)最初看起來復(fù)雜得不可救藥的難題往往在后來都會(huì)意外地被非常簡單的手段所解決，當(dāng)然，用復(fù)雜的手段解決難題更為常見。

在下一章，我們將會(huì)看到那些可能實(shí)現(xiàn)與人類相同智能的人工智能的具體路徑。但我們在一開始就需要注意一點(diǎn)，那就是如果我們將實(shí)現(xiàn)人工智能視為一輛火車所要到達(dá)的站臺(tái)，那么不管我們現(xiàn)在與將要到達(dá)的站臺(tái)之間有多少臨時(shí)�？空�，實(shí)現(xiàn)與人類智能相同的機(jī)器智能也并不是終點(diǎn)站。順著這條道路再往前走，下一個(gè)站臺(tái)就是機(jī)器智能超越人類智能。這列火車不會(huì)在達(dá)到人類智能水平這一站就停滯不前或者減速行駛，它很有可能會(huì)飛速而過。

第二次世界大戰(zhàn)時(shí)期，阿蘭·圖靈密碼破譯小組的首席統(tǒng)計(jì)師兼數(shù)學(xué)家I. J. 古德大概是清晰闡述人工智能未來圖景的第一人。在那段寫于1965年、后來被經(jīng)常引用的名言中，他這樣寫道：

我們把超智能機(jī)器定義為具備超越所有聰慧人類智能活動(dòng)的機(jī)器�？紤]到設(shè)計(jì)機(jī)器是智能活動(dòng)的一部分，那么超智能機(jī)器甚至能夠設(shè)計(jì)出更好的機(jī)器。毫無疑問，肯定會(huì)出現(xiàn)諸如“智能爆發(fā)”這樣的局面，人類智能會(huì)被遠(yuǎn)遠(yuǎn)地甩在后面。因此，第一臺(tái)超智能機(jī)器將是人類創(chuàng)造的最后一臺(tái)機(jī)器，當(dāng)然前提條件是這臺(tái)機(jī)器足夠聽話并告訴我們要怎樣才能控制它。

目前存在的顯著風(fēng)險(xiǎn)便與這個(gè)智能爆發(fā)相關(guān)，我們必須以最嚴(yán)肅的態(tài)度審視這一風(fēng)險(xiǎn)，即使我們知道（實(shí)際上我們并不知道）出現(xiàn)這一風(fēng)險(xiǎn)的可能性非常小。但是盡管人工智能的先驅(qū)者們相信與人類智能水平相當(dāng)?shù)娜斯ぶ悄芩�存在的危害，大多�?shù)人也并不認(rèn)為人工智能會(huì)有超越人類智能的可能。他們腦海里存在著這樣的固有觀念，即就算是機(jī)器能夠達(dá)到人類的智能水平，也不能因此就推斷出機(jī)器最終會(huì)發(fā)展成超越人類智能的超智能機(jī)器。

人工智能的先驅(qū)者們大多數(shù)時(shí)候都不認(rèn)為他們的事業(yè)可能會(huì)存在風(fēng)險(xiǎn)。至于創(chuàng)造人工智能以及具備人工智能的計(jì)算機(jī)霸主是否會(huì)存在任何安全隱患或者倫理風(fēng)險(xiǎn)，先驅(qū)者們才不會(huì)在這些問題上面多費(fèi)唇舌，更別說去嚴(yán)肅思考了。即便是在當(dāng)今這個(gè)不怎么批判技術(shù)使用過程中所存風(fēng)險(xiǎn)的社會(huì)背景下，這種缺失也讓人備感詫異。我們當(dāng)然希望這些先驅(qū)者們的事業(yè)最終能夠成功，但我們要的不僅僅是嫻熟的技術(shù)以引燃智能爆炸，我們還要能在更高水平上掌握控制權(quán)，以免我們在爆炸中身首異處。

而在瞻望未來之前，對于機(jī)器智能歷史的飛速一瞥對我們而言還是頗有助益的。

希望與絕望并存

1956年夏天，10名研究神經(jīng)網(wǎng)絡(luò)、自動(dòng)化理論以及智能的科學(xué)家們在達(dá)特茅斯學(xué)院組成了一個(gè)為期6周的工作組。這個(gè)達(dá)特茅斯夏季項(xiàng)目經(jīng)常被認(rèn)為是人工智能研究的第一縷曙光。大多數(shù)參與者后來都成了這一領(lǐng)域的開創(chuàng)性人物。項(xiàng)目組成員的樂觀預(yù)期在給項(xiàng)目資助方洛克菲勒基金會(huì)提交的一份報(bào)告書中展現(xiàn)得淋漓盡致：

現(xiàn)報(bào)告我們10人團(tuán)隊(duì)經(jīng)過兩個(gè)月針對人工智能的研究成果……這項(xiàng)研究建立在這樣一個(gè)設(shè)想的基礎(chǔ)上，即智能所能實(shí)現(xiàn)的學(xué)習(xí)或者任何其他方面的特征在理論上都能夠被機(jī)器精確地模擬出來。該研究嘗試去發(fā)現(xiàn)機(jī)器是如何使用語言、形成抽象思維與概念、解決人類所面臨的問題以及學(xué)會(huì)自我改良的。我們認(rèn)為由這些精心遴選出來的科學(xué)家們組成的團(tuán)隊(duì)在經(jīng)過一個(gè)夏天的研究后，能夠在其中一個(gè)或者幾個(gè)問題上實(shí)現(xiàn)突破性進(jìn)展。

距離這一大膽的開創(chuàng)性研究已經(jīng)過去了60年，人工智能在這60年中跌宕起伏，既經(jīng)歷過大肆宣傳、野心勃勃的高潮期，也遭遇過挫折滿滿、令人失望的低潮期。

達(dá)特茅斯會(huì)議激發(fā)了人工智能的第一次研究熱潮，該項(xiàng)目的主要組織者約翰·麥卡錫說這一時(shí)期是一個(gè)“看，我能辦到！”的時(shí)代。在這一人工智能發(fā)展的早期時(shí)代，研究者們建立起各種系統(tǒng)以批駁那些認(rèn)為“機(jī)器不能做‘某事’”的懷疑論。這類懷疑論在當(dāng)時(shí)非常流行。為了對抗這種懷疑論，人工智能研究者們在某些微觀領(lǐng)域創(chuàng)造了小型系統(tǒng)去實(shí)現(xiàn)具體的“某事”，以便證明機(jī)器是能夠做“某事”的。這些微觀領(lǐng)域往往被完全限制在某個(gè)非常具體的范圍內(nèi)，使得演示簡單的機(jī)器性能成為可能。比是早期的邏輯思想家的這類系統(tǒng)便可以證明懷特海和羅素那本《數(shù)學(xué)原理》（Principia Mathematica）第二章中的大多數(shù)定理，而邏輯思想家的證明過程甚至比原來的證明更加簡潔，這駁斥了那種認(rèn)為機(jī)器“只會(huì)數(shù)數(shù)”的想法并顯示出機(jī)器也能夠進(jìn)行推理和邏輯證明。在這之后又出現(xiàn)了通用問題解算程序，這種程序在原理上能夠解決很大范圍內(nèi)的專業(yè)問題：既有能夠解決大學(xué)一年級課本里微積分問題的程序，也有能應(yīng)用于某些智商測驗(yàn)中解決圖像類比問題的程序，還有能寫出簡單代數(shù)語言的程序。Shakey（意思為搖擺）機(jī)器人的出現(xiàn)顯示出邏輯推理能夠與知覺結(jié)合在一起，并可以應(yīng)用于設(shè)置和控制肢體動(dòng)作，其之所以被叫作shakey，是因?yàn)檫@種機(jī)器人在演示時(shí)總是不停抖動(dòng)。ELIZA程序則展示了一臺(tái)計(jì)算機(jī)是如何模仿羅杰斯這類心理治療師的。在20世紀(jì)70年代中期，SHRDLU系統(tǒng)演示了一只模仿人類的機(jī)器人手臂是如何在擺放著幾何物體的世界中，遵循使用者用英文打出的指令行事并且回答其輸入的問題的。在之后的10年中，相繼出現(xiàn)了各式各樣的系統(tǒng)程序：能夠以多個(gè)古典音樂作曲家的風(fēng)格創(chuàng)作曲子的系統(tǒng)，在特定的臨床診斷中表現(xiàn)得比初級醫(yī)師還要好的系統(tǒng)，能夠自動(dòng)駕駛汽車的系統(tǒng)，以及能夠發(fā)明專利的系統(tǒng)。有的系統(tǒng)甚至還會(huì)說笑話。

但在早期的演示系統(tǒng)中取得成功的這種方式卻被證明很難向更廣泛的領(lǐng)域延伸，也很難解決更難的問題。原因之一在于常用的窮舉法很難解決可能的“組合爆炸”的問題。窮舉法可以解決簡單問題，但是只要問題變得稍微復(fù)雜一些，這種方法就沒有用了。例如要證明一個(gè)有5步推理、一個(gè)推理規(guī)則以及5條公理的定律，便可以簡單列舉出3 125種可能的組合方式，然后挨個(gè)試驗(yàn)并尋找那個(gè)能夠推出預(yù)期結(jié)果的組合。窮舉法也可以運(yùn)算6步或者7步的推理。但是隨著任務(wù)變得越來越復(fù)雜，這種窮舉法便很快遇到了瓶頸。要證明一個(gè)有50步推理的定律，工作量可并不是證明5步推理定律工作量的10倍，如果用窮舉法的話，就可能需要550≈8.9×1034種可能的組合，即使是對于最快速的超級計(jì)算機(jī)來說，這也是不可能實(shí)現(xiàn)的計(jì)算。

要克服“組合爆炸”帶來的問題，就需要有能夠開發(fā)目標(biāo)領(lǐng)域結(jié)構(gòu)的算法，并且要能通過啟發(fā)式搜索、計(jì)劃以及靈活的抽象信息處理方式有效利用已有知識(shí)，而這些都是早期人工智能系統(tǒng)所欠缺的地方。其早期系統(tǒng)性能還有一個(gè)缺陷，就是過多依賴脆弱且無根據(jù)的符號(hào)化的表達(dá)方式，再加上數(shù)據(jù)稀缺以及硬盤條件嚴(yán)重限制了計(jì)算機(jī)的存儲(chǔ)容量和加工速度，這些都使早期系統(tǒng)沒有很好的方法來控制不確定性。到了20世紀(jì)70年代中期，這些問題變得越發(fā)突出。在意識(shí)到多數(shù)人工智能項(xiàng)目無法成功實(shí)現(xiàn)我們最初的設(shè)想后，人工智能的研究迎來了第一個(gè)寒冬：項(xiàng)目被砍，資金縮水，懷疑論甚囂塵上，人工智能備受冷落。

20世紀(jì)80年代早期，人工智能迎來了春天。當(dāng)時(shí)日本發(fā)起了第5代計(jì)算機(jī)系統(tǒng)工程，并專門為該工程建立起良好的公私合作伙伴關(guān)系，以確保充足的項(xiàng)目資金。該工程的主要目的在于超越當(dāng)時(shí)的技術(shù)發(fā)展水平，通過發(fā)展大規(guī)模并行計(jì)算結(jié)構(gòu)為人工智能的實(shí)現(xiàn)搭建平臺(tái)。該工程與日本的“戰(zhàn)后經(jīng)濟(jì)奇跡”一起受到關(guān)注，這一時(shí)期，西方國家政府以及商業(yè)精英們焦急地尋找能夠揭示日本經(jīng)濟(jì)成功的規(guī)律，以期在其國內(nèi)復(fù)制日本的這種繁榮。當(dāng)日本決定在人工智能領(lǐng)域大手筆投入時(shí)，其他國家都緊隨其后。

接下來的幾年見證了專家系統(tǒng)的繁榮。專家系統(tǒng)的設(shè)計(jì)理念是為決策者提供支持工具，該系統(tǒng)是一些基于從一系列由實(shí)際知識(shí)構(gòu)建的知識(shí)庫中得到簡單推論的程序，而這些實(shí)際知識(shí)則是由某一領(lǐng)域的人類專家們提供并被精心編成以代碼表達(dá)的形式語言。當(dāng)時(shí)有大約幾百個(gè)類似的專家系統(tǒng)被建立起來。然而專家系統(tǒng)也同樣存在著缺陷：小規(guī)模系統(tǒng)沒什么太大價(jià)值，大規(guī)模系統(tǒng)則需要在開發(fā)、確認(rèn)和數(shù)據(jù)更新上耗費(fèi)大量成本，在運(yùn)用時(shí)往往也會(huì)非常麻煩。為了運(yùn)行一個(gè)單一程序，就設(shè)置一臺(tái)獨(dú)立計(jì)算機(jī)，這不太現(xiàn)實(shí)。所以到了20世紀(jì)80年代末期，人工智能的這一繁榮時(shí)期也變得黯淡起來。

第5代計(jì)算機(jī)系統(tǒng)工程并沒能實(shí)現(xiàn)它的目標(biāo)，而在美國和歐洲開展的類似項(xiàng)目也面臨著同樣的尷尬局面。第二次人工智能寒潮不期而至。這時(shí)，批評家的悲嘆甚囂塵上：“人工智能研究發(fā)展到今天，呈現(xiàn)出來的狀態(tài)往往是在特定領(lǐng)域取得了極其有限的成功之后，便立刻會(huì)在實(shí)現(xiàn)更宏大目標(biāo)的過程中遭遇挫折，而這種挫折往往都是被早期的成功所揭示的�！彼饺送顿Y者們開始回避任何與人工智能相關(guān)的風(fēng)險(xiǎn)。甚至對于學(xué)術(shù)界人士以及學(xué)術(shù)資助人來說，“人工智能”一詞都讓人感到厭煩。

但技術(shù)依舊飛快地向前發(fā)展，到了20世紀(jì)90年代，第二次人工智能寒冬的冰雪開始消融。樂觀主義者重燃激情，因?yàn)樾录夹g(shù)似乎提供了一種有別于傳統(tǒng)邏輯范式（經(jīng)常被稱為GOFAI，意為“出色的老式人工智能”）的替代路徑，它聚焦于高水平符號(hào)處理，并且被20世紀(jì)80年代的專家系統(tǒng)發(fā)揮到了極致。神經(jīng)網(wǎng)絡(luò)和遺傳算法等新流行的技術(shù)有望在某種程度上克服GOFAI路徑的缺陷，尤其有可能會(huì)在傳統(tǒng)人工智能路徑的脆弱性上實(shí)現(xiàn)突破。這種脆弱性的主要體現(xiàn)是，只要系統(tǒng)存在一個(gè)微小的錯(cuò)誤假設(shè)，整個(gè)結(jié)果便會(huì)變得毫無意義。讓新技術(shù)引以為傲的是，它具備了更多的生物有機(jī)體屬性。以神經(jīng)網(wǎng)絡(luò)為例，它具備了“故障弱化”的特性：神經(jīng)網(wǎng)絡(luò)的微小損壞通常只會(huì)導(dǎo)致整體性能的微小弱化而不會(huì)造成系統(tǒng)完全崩潰。更重要的是，神經(jīng)網(wǎng)絡(luò)能夠從經(jīng)驗(yàn)中學(xué)習(xí)，也可以從樣本中找到最自然的概括路徑以及所輸入數(shù)據(jù)隱含的統(tǒng)計(jì)規(guī)律。這使得神經(jīng)網(wǎng)絡(luò)能夠有效解決模式識(shí)別和歸類的問題。比如，經(jīng)過聲吶信號(hào)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠?qū)W會(huì)分辨潛水艇、水雷、海洋生物等不同的聲音特征，比人類專家還要精確。而神經(jīng)網(wǎng)絡(luò)在實(shí)現(xiàn)識(shí)別不同的聲音特征前，也不需要人類事先對聲音類別進(jìn)行定義，或者事先總結(jié)出這些聲音的不同特點(diǎn)。

簡單的神經(jīng)網(wǎng)絡(luò)模型自20世紀(jì)50年代后期開始被人們熟知，在引入能夠訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的反向傳播算法之后，人工智能領(lǐng)域又迎來了一陣復(fù)蘇。多層神經(jīng)網(wǎng)絡(luò)在輸入層和輸出層之間有一個(gè)或多個(gè)神經(jīng)元隱含層，能夠比之前的簡單系統(tǒng)具備更強(qiáng)大的功能。輔之以日益強(qiáng)大的計(jì)算機(jī)，工程師們便可以用改進(jìn)的算法建立起能夠被很好地應(yīng)用到許多領(lǐng)域中的神經(jīng)系統(tǒng)網(wǎng)絡(luò)。

基于傳統(tǒng)算法規(guī)則的GOFAI系統(tǒng)雖然邏輯嚴(yán)密，但是性能很差，而神經(jīng)網(wǎng)絡(luò)具備類似于人類大腦的特質(zhì)，比之前的GOFAI系統(tǒng)要好出許多。神經(jīng)網(wǎng)絡(luò)還催生出了新的“機(jī)制”論，即所謂的“連接機(jī)制”，這種連接機(jī)制聚焦于大規(guī)模平行的精粒度亞符號(hào)數(shù)據(jù)處理的重要性。自那時(shí)起，以人工神經(jīng)系統(tǒng)為主題的學(xué)術(shù)文獻(xiàn)已超過150 000篇，并且人工神經(jīng)系統(tǒng)目前依舊是機(jī)器學(xué)習(xí)的重要路徑。

以進(jìn)化為基礎(chǔ)的算法，比如遺傳算法和遺傳編程，構(gòu)建了另一條引領(lǐng)人們走出第二次人工智能寒冬的新路徑。這類方法在學(xué)術(shù)領(lǐng)域產(chǎn)生的影響或許并沒有神經(jīng)網(wǎng)絡(luò)系統(tǒng)那么大，卻受到了廣泛的歡迎。進(jìn)化模型能夠維系一個(gè)備選方案群（方案群本身可以通過數(shù)據(jù)結(jié)構(gòu)和程序來實(shí)現(xiàn)），并通過改變或重組現(xiàn)有方案群中的變量來生成新的備選群。通過應(yīng)用選擇標(biāo)準(zhǔn)（適應(yīng)度函數(shù)）可以讓備選群周期性地減少，并且只讓其中那些更好的方案群進(jìn)入下一代。經(jīng)過數(shù)千代重復(fù)之后，備選方案池中解決方案的平均素質(zhì)就會(huì)慢慢提高。這種算法能夠在運(yùn)行中生成有效的解決方案來解決范圍很廣的問題，而這類解決方案可能是完全讓人耳目一新且非直觀的，比任何一個(gè)人類工程師設(shè)計(jì)出來的東西都更像自然結(jié)構(gòu)。從原理上講，這個(gè)過程可以在不太需要人工初始輸入具體而簡單的適應(yīng)度函數(shù)的情況下發(fā)生。但在實(shí)際操作中，要讓進(jìn)化方法得以順利運(yùn)行，還是需要一定的技巧和獨(dú)特設(shè)計(jì)的，特別是要能設(shè)計(jì)出一個(gè)優(yōu)秀的表達(dá)形式。如果不能對可能的解決方案進(jìn)行有效編碼（也就是將其轉(zhuǎn)換成一種基因語言以匹配目標(biāo)領(lǐng)域的潛在結(jié)構(gòu)），關(guān)于進(jìn)化的研究道路就會(huì)變得蜿蜒曲折且沒有盡頭，它會(huì)迷失在一個(gè)宏大的研究空間中或者卡在某個(gè)局部環(huán)節(jié)上停滯不前。不過即便是有了好的表達(dá)格式，進(jìn)化算法也需要極大的計(jì)算量，并且常常會(huì)被“組合爆炸”擊垮。

20世紀(jì)90年代，神經(jīng)網(wǎng)絡(luò)和遺傳算法等研究方法激起了人們廣泛的興趣，為GOFAI范式提供了可替代的路徑。但本文在此并不是要為這兩個(gè)方法唱贊歌，也不是要拔高這類方法在機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域中的地位。實(shí)際上，過去20年間一個(gè)主要的理論進(jìn)展便是人們更清醒地意識(shí)到，目前表面上完全不同的各類技術(shù)，是可以被理解為存在于一個(gè)共同數(shù)學(xué)框架中的特殊案例的。舉個(gè)例子，許多類型的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)都可以被視為對特定類別統(tǒng)計(jì)計(jì)算的展示（是一種最大似然估計(jì)）。這其實(shí)是將神經(jīng)系統(tǒng)視為從實(shí)例中學(xué)習(xí)分類的更大一類算法中的一種，比如：決策樹、邏輯回歸模型、支持向量機(jī)、樸素貝葉斯、KNN算法等。在一定程度上，遺傳算法可以被視為一種隨機(jī)爬山法的演示，是尋找最優(yōu)化算法大類中的一種。每一類這種算法在建立分類和尋找解決空間上都有自己的優(yōu)缺點(diǎn)，而這些優(yōu)缺點(diǎn)都是能夠借助計(jì)算揭示出來的。不同的算法對處理時(shí)間和存儲(chǔ)空間的要求都有所不同，從而帶來了兩個(gè)問題：一個(gè)問題是算法的預(yù)先假設(shè)存在歸納偏置，不過這個(gè)問題可以通過納入外部內(nèi)容來得到緩解；另一個(gè)問題就是，如何把算法的內(nèi)在運(yùn)行機(jī)制向人類分析家們解釋清楚。

在機(jī)器學(xué)習(xí)以及創(chuàng)造性的問題解決模式之喧囂炫目的背后，是一系列特定的計(jì)算權(quán)衡。理想的狀態(tài)是實(shí)現(xiàn)完美的貝葉斯代理程序（Bayesian agent），即在可獲得的信息中尋找出概率最優(yōu)。當(dāng)然，這種理想狀態(tài)是無法實(shí)現(xiàn)的，因?yàn)闆]有一臺(tái)物理計(jì)算機(jī)能支持它所需要的宏大計(jì)算量（延伸閱讀1）。但我們?nèi)耘f能夠?qū)⑷斯ぶ悄芤暈閷ふ医輳降囊环N探索：借助人工智能手段，我們可以通過在將其引入特定現(xiàn)實(shí)領(lǐng)域并維持其性能的同時(shí)犧牲一些最優(yōu)解或者普遍性，進(jìn)而逐步靠近貝葉斯理想狀態(tài)。

回顧一下我們在過去的20多年間，在像是貝葉斯網(wǎng)絡(luò)這類概率模型的發(fā)展中取得了什么樣的成果。貝葉斯網(wǎng)絡(luò)提供了一個(gè)在特定領(lǐng)域中表達(dá)的概率以及獨(dú)立條件之間關(guān)系的簡潔方法。（探索這種關(guān)系對于我們克服“組合爆炸”帶來的困難至關(guān)重要，因?yàn)椤敖M合爆炸”本身從邏輯上看就是概率推理中遇到的一個(gè)問題。）貝葉斯網(wǎng)絡(luò)還有助于我們更深刻地理解因果概念。

將特定領(lǐng)域的學(xué)習(xí)問題與貝葉斯推理中的普遍問題聯(lián)系在一起的一個(gè)好處是，新的運(yùn)算法則能夠讓貝葉斯推理變得更加有效，進(jìn)而能夠使許多不同領(lǐng)域?qū)崿F(xiàn)快速進(jìn)步。舉例來說，蒙特卡洛法就直接被應(yīng)用到計(jì)算機(jī)視覺、機(jī)器人技術(shù)以及基因計(jì)算上。它的另一個(gè)好處則是能夠讓不同學(xué)科的研究者更容易地匯集他們的研究成果。圖表模型和貝葉斯統(tǒng)計(jì)學(xué)在許多領(lǐng)域都得到了關(guān)注，包括機(jī)器學(xué)習(xí)、統(tǒng)計(jì)物理學(xué)、生物信息學(xué)、組合優(yōu)化以及交流理論。而在機(jī)器學(xué)習(xí)領(lǐng)域，相當(dāng)多的近期成果都來源于對其他學(xué)術(shù)領(lǐng)域原創(chuàng)成果的吸收。（機(jī)器學(xué)習(xí)應(yīng)用在很大程度上就受益于更快的計(jì)算機(jī)以及更大的數(shù)據(jù)庫。）

延伸閱讀1.一個(gè)理想的貝葉斯代理程序

一個(gè)理想的貝葉斯代理程序最初都會(huì)設(shè)定“先驗(yàn)概率分布”（Prior Probability Distribution），即先把概率賦給各個(gè)“可能世界”。但這種先驗(yàn)概率存在著歸納偏置，即認(rèn)為越是簡單的可能世界，越具備較高的概率。［我們可以將可能世界的簡單性問題用一個(gè)正式的術(shù)語來進(jìn)行描述，即“柯爾莫哥洛夫復(fù)雜性”（Kolmogorov complexity），也就是完整描述一個(gè)世界所需要的計(jì)算機(jī)程序的最短長度。］先驗(yàn)概率還包含了編程者希望賦予程序的所有背景知識(shí)。

當(dāng)代理程序借助傳感器接收到新的信息后，它會(huì)遵循貝葉斯法則對新信息的分布進(jìn)行條件化，從而更新已有的概率分布。條件化是一種數(shù)學(xué)運(yùn)算，如果先驗(yàn)概率與新的概率不一致，那么數(shù)學(xué)運(yùn)算就會(huì)對原有的可能世界中的概率進(jìn)行重新設(shè)置。運(yùn)算的結(jié)果就是“后驗(yàn)概率分布”（Posterior Probability Distribution），當(dāng)然在下一輪運(yùn)算開始前，這種后驗(yàn)概率又會(huì)被視為先驗(yàn)概率。代理程序能夠通過觀察實(shí)現(xiàn)概率聚合，將概率集中在幾個(gè)不斷縮小的與證據(jù)相匹配的可能世界中，而在這幾個(gè)領(lǐng)域中，越簡單的那些便有著越高的概率。

打個(gè)比方，我們可以把概率視為一大張紙上面的沙子。我們在這張紙上畫出大小不同的區(qū)域，每一個(gè)區(qū)域都對應(yīng)一個(gè)可能世界，范圍越大的區(qū)域?qū)��?yīng)越簡單的可能世界。再想象一下鋪在整張紙上的沙子厚度相同：這就是我們的先驗(yàn)概率分布。每當(dāng)觀察者劃掉一個(gè)區(qū)域時(shí)，我們就把該區(qū)域內(nèi)的沙子拿走，然后平均鋪到其他剩余區(qū)域內(nèi)。整張紙上的沙子總量并沒有發(fā)生變化，只是隨著觀察證據(jù)的積累，沙子越來越集中到幾個(gè)較少的區(qū)域內(nèi)。這就是貝葉斯學(xué)習(xí)的最單純的模式。（要想計(jì)算出一個(gè)假設(shè)的概率，我們只需要測量出紙上已有領(lǐng)域中的沙子的數(shù)量就可以了，這與該假設(shè)在其中成立的可能世界相應(yīng)。）

至此，我們已經(jīng)定義了一個(gè)學(xué)習(xí)規(guī)則。對于代理程序而言，我們還需要一個(gè)決策規(guī)則。為了實(shí)現(xiàn)這一目的，我們給代理程序賦予一個(gè)效用函數(shù)，即給每個(gè)可能世界分配一個(gè)數(shù)字。具體數(shù)字代表著根據(jù)代理程序基本偏好設(shè)定的可能世界中的渴望度�，F(xiàn)在，代理程序在每一步運(yùn)行中都會(huì)選擇有著最高期望效用的操作。（要尋找出最高期望效用的操作，代理程序可以先把所有可能的操作都羅列出來，然后計(jì)算出特定操作的條件概率分布，這種概率分布是通過觀察剛結(jié)束的操作結(jié)果來不斷調(diào)整當(dāng)前的概率分布的。最終，代理程序能夠計(jì)算出操作的期望值，這個(gè)期望值是每個(gè)可能世界與被賦予操作程序之可能世界的條件化概率的乘積之和。）

學(xué)習(xí)規(guī)則和決策規(guī)則一起構(gòu)成了代理程序的最優(yōu)概念。最優(yōu)概念已經(jīng)被廣泛應(yīng)用到人工智能、認(rèn)識(shí)論、科學(xué)哲學(xué)、經(jīng)濟(jì)學(xué)以及統(tǒng)計(jì)學(xué)上。但從現(xiàn)實(shí)層面上看，因?yàn)樗�需要�?zhí)行的運(yùn)算是難以實(shí)現(xiàn)的，因而很難設(shè)置這樣的代理程序。所有的嘗試都死在“組合爆炸”這個(gè)問題上，我們之前討論的GOFAI便是如此。為什么會(huì)這樣？只消考慮一下所有可能世界的任何一個(gè)微小子集即可：那些構(gòu)成一個(gè)計(jì)算機(jī)顯示器的子集都陷入無止境的真空狀態(tài)。一個(gè)顯示器有1000×1000個(gè)像素，每一個(gè)像素的狀態(tài)都有開和關(guān)兩種。即使是這種可能世界的子集，數(shù)量仍舊是巨大的： 21000×1000種可能的顯示狀態(tài)，這個(gè)計(jì)算量比觀察宇宙所需的計(jì)算量都大。我們連可能世界的子集都無法列舉出來，更別說要去計(jì)算那些更精巧的獨(dú)立世界了。

雖然在物理上難以實(shí)現(xiàn)，最優(yōu)概念依舊在理論上備受關(guān)注。這個(gè)概念給我們提供了一種標(biāo)準(zhǔn)，使我們能夠判斷啟發(fā)式的近似算法，也讓我們可以在有些時(shí)候推理出特定條件下的最優(yōu)代理程序會(huì)做些什么。我們會(huì)在第12章談到一些人工代理程序的最優(yōu)概念的替代路徑。

技術(shù)發(fā)展水平

人工智能已經(jīng)能夠在很多領(lǐng)域超越人類智能。表1–1列舉了計(jì)算機(jī)玩游戲的現(xiàn)狀，顯示出人工智能能夠在范圍很廣的游戲領(lǐng)域超越人類。

這些成就在今天看來，可能不見得有多么讓人印象深刻，但這主要是因?yàn)樽屛覀兏械匠泽@的點(diǎn)隨著技術(shù)發(fā)展而不斷升高所致。舉例來說，專業(yè)國際象棋比賽曾被認(rèn)為是人類智能活動(dòng)的集中體現(xiàn)。20世紀(jì)50年代后期的一些專家認(rèn)為：“如果能造出成功的下棋機(jī)器，那么就一定能夠找到人類智能的本質(zhì)所在�！钡�現(xiàn)在，我們卻不這么認(rèn)為了。約翰·麥肯錫曾不無惋惜地悲嘆：“這種機(jī)器被造出來之后，人們就不稱其為人工智能了�！�

表1–1 玩游戲的人工智能

西洋跳棋

超越人類

1952年，阿瑟·塞繆爾寫過一個(gè)跳棋程序，并在1955年吸收了機(jī)器學(xué)習(xí)技術(shù)，從而改良了該程序。這是第一個(gè)玩起游戲來比程序編寫者都玩得好的程序。1994年，跳棋程序“奇努克”（CHINOOK）打敗了人類衛(wèi)冕冠軍，這是機(jī)器程序第一次在競技游戲中贏得官方世界冠軍。2002年，喬納森·謝弗和他的小組“解決號(hào)”跳棋程序總是計(jì)算出最好的棋步（謝弗的跳棋程序能夠用α–β搜索在39萬億棋步中展開搜索），最終打了個(gè)平局。

西洋雙陸棋

超越人類

1979年，漢斯·波爾萊納的BKG西洋雙陸棋程序打敗了當(dāng)時(shí)的世界冠軍，這是計(jì)算機(jī)程序第一次在公開比賽中擊敗世界冠軍，盡管波爾萊納后來將這次成功歸結(jié)為運(yùn)氣好。1992年，格里·泰紹羅的TD–Gammon西洋雙陸棋程序已經(jīng)達(dá)到冠軍級別的水平，該程序采用了即時(shí)差分學(xué)習(xí)算法（一種強(qiáng)化學(xué)習(xí)模式），使得程序本身能夠在下棋中不斷進(jìn)行自我改良。從那一年之后，西洋雙陸棋程序就遠(yuǎn)遠(yuǎn)超越了最好的人類棋手。

海戰(zhàn)游戲（TravellerTCS）

在與人類的合作中超越人類

Traveller TCS是一款未來海戰(zhàn)游戲，在1981年和1982年，道格拉斯·萊納特的Eurisko程序在游戲中擊敗了美國冠軍，并導(dǎo)致游戲規(guī)則被修改，以限制該程序的非常規(guī)策略。Eurisko能夠用啟發(fā)式算法設(shè)計(jì)自己的艦隊(duì)，還能不斷優(yōu)化自己的啟發(fā)式算法。

黑白棋

超越人類

1997年，Logistello程序跟當(dāng)時(shí)的世界冠軍村上健的對戰(zhàn)結(jié)果是6盤6勝。

國際象棋

超越人類

1997年，“深藍(lán)”計(jì)算機(jī)打敗了當(dāng)時(shí)的國際象棋世界冠軍加里·卡斯帕羅夫�？ㄋ古亮_夫承認(rèn)見識(shí)到了人工智能在某些棋步上具備真正的智能以及創(chuàng)造力。從那時(shí)起，國際象棋程序就一直不斷進(jìn)步。

縱橫字謎

專家級別

1999年，縱橫字謎解決程序Proverb達(dá)到了縱橫字謎玩家的平均水平。2012年馬修·金斯伯格的Dr.Fill程序在美國縱橫字謎錦標(biāo)賽中與人類參賽者競賽時(shí)擠入最強(qiáng)者行列。但該程序的表現(xiàn)不穩(wěn)定。它能夠完美地解出對人類而言最難的字謎，卻會(huì)被非常規(guī)的字謎卡住，尤其是在遇到倒拼或者斜拼的時(shí)候。

Scrabble拼字游戲

超越人類

2002年，Scrabble拼字游戲軟件就已經(jīng)超越了最好的人類選手。

橋牌

高手水平

2005年，定約橋牌軟件就已經(jīng)能夠同最好的橋牌高手對弈。

《危險(xiǎn)邊緣》益智問答

超越人類

2010年，IBM的“沃森”超級計(jì)算機(jī)在《危險(xiǎn)邊緣》游戲中擊敗了肯·詹寧斯和布萊德·拉特這兩名擂主冠軍�！段ｋU(xiǎn)邊緣》是以提問有關(guān)歷史、文學(xué)、運(yùn)動(dòng)、地理、流行音樂、流行文化、科學(xué)以及其他領(lǐng)域的細(xì)節(jié)問題而著稱的電視益智節(jié)目�！段ｋU(xiǎn)邊緣》游戲的題目一般都需要通過拆字謎的方式來發(fā)現(xiàn)線索。

撲克

發(fā)揮不穩(wěn)

電腦玩家在玩得州撲克時(shí)還沒能超越人類玩家，但是在一些類似的撲克游戲中卻超越了人類水平。

空當(dāng)接龍

超越人類

采用了遺傳算法的啟發(fā)法能夠?yàn)榭债?dāng)接龍游戲提供解決方案（以NP完全問題的普通形式），并可以超越最好的玩家。

圍棋

很高的業(yè)余水平

2012年，Zen系列圍棋程序能夠達(dá)到6段水平（很高的業(yè)余棋手水平），這個(gè)程序主要運(yùn)用了蒙特卡洛樹搜索法和機(jī)器學(xué)習(xí)技術(shù)。圍棋程序此后以每年提升一段的速度向前發(fā)展。照這個(gè)速度看，圍棋程序在未來10年內(nèi)很可能會(huì)擊敗人類世界冠軍。

但在這要特別注意一點(diǎn)，在國際象棋領(lǐng)域，人工智能并沒有像人們預(yù)想的那樣取得勝利。曾經(jīng)有這樣一種可能不太合理的設(shè)想，即要想讓計(jì)算機(jī)在下國際象棋時(shí)具備大師級的水平，就必須得賦予其高水平的一般智能。人們以前總以為要下好國際象棋，就要理解抽象概念、精通謀略、靈活組合棋步、廣泛地使用邏輯推演，甚至要能猜透對手在想什么。但事實(shí)并非如此。結(jié)果證明，建立在特定目的算法基礎(chǔ)上的機(jī)器就能夠把國際象棋玩得很好。20世紀(jì)末有了快速中央處理器時(shí)，計(jì)算機(jī)就能夠把國際象棋玩得出神入化了。但是這種人工智能也有個(gè)缺陷，就是它只能玩國際象棋，而做不了其他事。

在其他領(lǐng)域中，解決方案被證明比最初設(shè)想的還要復(fù)雜，而且所能實(shí)現(xiàn)的進(jìn)步也更加緩慢。計(jì)算機(jī)科學(xué)家唐納德·克努特這樣打擊著人們的激情，他說道：“目前，人工智能在所有需要‘思考’的領(lǐng)域中成功了，但是卻在人和動(dòng)物‘不思考’的領(lǐng)域中失敗了，‘不思考’比‘思考’在某種程度上要更難！”分析視覺景象、識(shí)別物體或者控制機(jī)器人行為以使它能夠與自然環(huán)境產(chǎn)生交互作用，都頗具挑戰(zhàn)性。盡管如此，還是有很多致力于解決此類問題的程序被持續(xù)不斷地創(chuàng)造出來，與此同時(shí)，硬件方面也實(shí)現(xiàn)了穩(wěn)步發(fā)展。

普通常識(shí)和自然語言理解也被認(rèn)為是非常困難的。人們常常認(rèn)為，要讓機(jī)器在這些任務(wù)上實(shí)現(xiàn)完整意義上的人類水平屬于“完全人工智能”領(lǐng)域，其意味著解決這類問題的難度等同于制造一個(gè)具備普通人類能力的智能機(jī)器的難度。換句話來說，如果有人能夠成功創(chuàng)造一個(gè)具備成人理解力的人工智能機(jī)器，那么勢必也就能夠創(chuàng)造出完成人類所能完成的所有事情的人工智能機(jī)器，后面這一步即使不能當(dāng)下實(shí)現(xiàn)，也必定近在眼前。

國際象棋專業(yè)級的下棋水平最終被證明能夠通過一個(gè)頗讓人意外的簡單算法來實(shí)現(xiàn)，這使得人們思索是不是可以用一些簡單算法來實(shí)現(xiàn)機(jī)器的其他能力，比如普通推理能力或一些涉及編程的關(guān)鍵能力等。事實(shí)上，過去要實(shí)現(xiàn)良好性能需要有一套復(fù)雜的程序機(jī)制，但這并不意味著簡單的程序機(jī)制就做不到這一點(diǎn)—它還有可能會(huì)做得更好。之所以沒有出現(xiàn)可替代的簡單程序，可能只是因?yàn)樗�尚未被人發(fā)現(xiàn)。托勒密體系曾宣稱地球是宇宙中心，日月星辰均繞其運(yùn)轉(zhuǎn)。這個(gè)體系在超過1 000年的時(shí)間里代表著天文學(xué)水平，在幾個(gè)世紀(jì)的發(fā)展完善中，為了取得更精確的預(yù)測度，它的模型變得越來越復(fù)雜：不斷地在原有的解釋天體運(yùn)轉(zhuǎn)基本假設(shè)的基礎(chǔ)上增添一層層的條件，直到整個(gè)體系被哥白尼那個(gè)更為簡單的日心說所顛覆，而日心說在開普勒的進(jìn)一步完善之后，使預(yù)測變得更加精準(zhǔn)。

人工智能方法現(xiàn)已被應(yīng)用到非常廣泛的領(lǐng)域中，在此沒有必要一一贅述，但是簡要列舉幾個(gè)典型的例子會(huì)有助于我們理解人工智能的應(yīng)用廣度。除了我們在表1–1中所列舉的游戲領(lǐng)域，人工智能還被應(yīng)用到許多具體領(lǐng)域中：能在嘈雜環(huán)境中聽清呼救聲的程序；能夠給駕駛員提供地圖展示和導(dǎo)航建議的路線查找系統(tǒng)；能夠根據(jù)用戶前次購買和瀏覽收聽記錄給用戶推薦書籍唱片的意見參考程序；能夠幫助醫(yī)生診斷乳腺腫瘤、提供治療計(jì)劃、幫助解釋心電圖的醫(yī)學(xué)決策支持系統(tǒng)等。除此之外，還有各式各樣的機(jī)器人：機(jī)器人寵物、清潔機(jī)器人、修草坪機(jī)器人、急救機(jī)器人、外科手術(shù)機(jī)器人以及數(shù)以百萬計(jì)的工業(yè)機(jī)器人。目前世界上的機(jī)器人數(shù)量已經(jīng)超過了1 000萬。

基于諸如馬爾可夫模型統(tǒng)計(jì)技術(shù)之上的現(xiàn)代語音識(shí)別技術(shù)已被有效地應(yīng)用到現(xiàn)實(shí)中，我們就曾用語音識(shí)別系統(tǒng)摘錄本書的部分章節(jié)。像是蘋果Siri這類個(gè)人數(shù)字助理系統(tǒng)已能夠接受語音指令、回答簡單問題并執(zhí)行命令了。而能夠識(shí)別手寫或者機(jī)打文本的光學(xué)字符識(shí)別系統(tǒng)現(xiàn)在也已經(jīng)被廣泛地應(yīng)用到郵件分揀以及老舊文獻(xiàn)的數(shù)字化處理中。

機(jī)器翻譯雖然并不完美，但已經(jīng)能很好地應(yīng)用到許多方面。早期系統(tǒng)要應(yīng)用GOFAI手編語法，它需要技術(shù)性較強(qiáng)的語言學(xué)家對每種語言從頭編寫，而新的系統(tǒng)則能夠運(yùn)用統(tǒng)計(jì)性的機(jī)器學(xué)習(xí)技術(shù)通過觀察已有模式來自動(dòng)建立統(tǒng)計(jì)模型。機(jī)器通過分析兩種語言的語料庫來推斷出這些模型的參量。這種方法讓語言學(xué)家沒有了用武之地：編程者甚至不用理解他們所處理的語種就能夠搭建起識(shí)別系統(tǒng)。

人臉識(shí)別系統(tǒng)在近幾年已經(jīng)發(fā)展得非常完備了，現(xiàn)在已經(jīng)被應(yīng)用到歐洲和澳大利亞的自動(dòng)出入境系統(tǒng)上。美國國務(wù)院實(shí)施了一個(gè)用于簽證的人臉識(shí)別系統(tǒng)，其中包含了超過7 500萬張的照片。影視監(jiān)管系統(tǒng)越來越多地使用復(fù)雜精妙的人工智能以及數(shù)據(jù)挖掘技術(shù)來分析聲音、視頻或者文本以審查全世界的電子傳媒并積累在強(qiáng)大的數(shù)據(jù)庫中。

定理證明系統(tǒng)和解方程系統(tǒng)也已經(jīng)發(fā)展得如此完備，以至于很難被歸到人工智能領(lǐng)域。在解方程方面發(fā)展出了Mathematica這類科學(xué)計(jì)算程序；而包含自動(dòng)定理證明的形式證明方法也已經(jīng)被芯片制造商們廣為使用，以在生產(chǎn)之前檢測所設(shè)計(jì)的電路是否能夠運(yùn)轉(zhuǎn)良好。

美國的軍事情報(bào)部門在大規(guī)模應(yīng)用炸彈排查機(jī)器人、監(jiān)視攻擊兩用無人機(jī)以及其他無人駕駛機(jī)器上一直遙遙領(lǐng)先。