哪里治疗白癜风最专业 http://baidianfeng.39.net/a_bdfzyyq/141022/4499988.html

最新一期的《经济学人》杂志的封面报道将人工智能对世界的影响和19世纪工业革命联系起来，文章提到工业革命时人们提出了一个著名的“机器问题”（MachineryQuestion），意思是机器的大规模应用是否会让工人大规模失业。而随着人工智能技术的发展，这个问题又被人提了出来。

从最初的屡屡失败，到现在的朝气蓬勃，人工智能会导致大面积失业甚至让人类灭绝吗？或许历史会给我们一些有用的线索。

有些人害怕机器会抢走所有人的工作，而只是有选择地让少数人受益，并最终彻底颠覆社会。然而在历史上，类似的一幕曾出现过。两个世纪前，工业化的浪潮席卷英国，与今天同样的担忧曾引发了激烈的争论。那个时候，人们不说工业革命而大谈机器问题（machineryquestion）。年，经济学家DavidRicardo第一个表达了这种看法，他重点 　　今年三月，AlphaGo于首尔的五轮比赛中打败了世界顶尖围棋选手李世石，作为开发公司的DeepMind因此登上头条。AlphaGo是一个有着独特特性的强化学习系统。它由几个相互连通的模块组成，包括两个深度神经网络，它们各有所长——像人脑中模块一样。其中一个通过大量的棋局分析训练提出一些可能的走法，另一个网络则负责根据随机采样技术来评估这些走法。这个系统把生物启发的技术与纯机器化的技术结合了起来。人工智能研究者们就哪种技术更优越这个问题已经争论了几十年，而AlphaGo却另辟蹊径两者都用。“这是一个复合型系统，因为我们认为解决智能问题只有深度学习是不够的”，Hassabis说。

他和其他研究者们已经开始探寻一种叫做迁移学习（transferlearning）的新技术了。这种技术能让强化学习系统把基础建立在已习得的知识上，而不用每一次都从头开始训练。Hassabis先生解释道，人类可以毫不费力地做到这一点。Giannandrea先生回忆起他四岁的女儿已经能辨别出penny-farthing（一种前轮大后轮小的脚踏车）就是一种自行车，即使她之前从没见过这样的东西。“但计算机无法做到。”他说。

一家最近被Salesforce收购的初创公司MetaMind也在研发一种相关的技术——多任务学习（multitasklearning），这种系统用同样的神经网络架构解决多种不同的问题，在一件事情上获得的经验能用来更好地解决其它事情。跟DeepMind类似，它也在探寻模块化的架构；其中一个被称为“动态记忆网络（dynamicmemorynetwork）”的系统能消化一系列陈述，然后回答相关问题，并且推断出其中的逻辑联系（Kermit是一只青蛙；青蛙是绿色的；所以Kermit是绿色的）。MetaMind还把自然语言网络和图像识别网络融合到一个系统中，它可以回答有关图像的问题（“这里面的汽车是什么颜色的？”）。这种技术可以用到智能客服聊天机器人中，或者用于Salesforce的客户呼叫中心。

过去，很多有前景的人工智能技术发展都会逐渐疲软。但深度学习却不同。“这东西真的能起作用。”MetaMind的RichardSocher说。人们每天都会用到它，虽然他们并未意识到。Hassabis、Socher和其他人的长远目标是开发出“通用人工智能（AGI)”—一种能完成各种各样任务的系统，有了它就不必再为每个特定问题都专门开发出一个系统了。人工智能多年来的研究方向都集中在解决专业化的特定问题上，Socher先生说，但现在研究人员们「正努力用更先进的乐高积木块拼出不一样的东西」。即使他们中最乐观的人也认为还需至少十年才能做出人类智力水平的AGI。但Hassabis说，“我们认为我们已经知道实现接近AGI的系统所需的几十种关键元素了”。

同时人工智能已经在发挥作用了，而且很快会更有用。例如谷歌的智能回复系统，它通过两个神经网络推荐邮件回复，从研究项目到产品上线只用了四个月（虽然刚开始它因为对每条信息建议回复的有「我爱你」而令人失望）。“在科研期刊上发表文章刚一个月，就有某个公司正确使用你的系统了。”Socher说。人工智能公司，不论规模大小都能都能定期发表学术文章；人工智能研究者即使在转行进入公司后也能继续在同行评议期刊上发表研究成果。很多人都是边为公司工作边发表科研文章。“如果你不允许他们发表，他们就不会为你工作了。”AndreessenHorowitz的ChrisDixon解释说。

谷歌，Facebook，微软，IBM，亚马逊，百度以及其他公司都开源了某些深度学习软件。部分原因是这些公司中的研究人员想要发表自己的成果，因为这有利于公司招募更多人才。从更现实的角度来看，这也是因为大型互联网公司不在乎把自己的人工智能软件公之于众，因为他们真正的优势在于能获取大量用于训练的用户数据。一家投资基金公司BloombergBeta的ShivonZilis说，这使得他们能在某些方面占尽优势，但初创公司也在寻求打入市场的独特途径。比如无人机初创公司能在人群密集的地方通过模拟数据进行飞行训练。而且很多训练数据都能从网上找到，孵化器公司YCombinator的董事长SamAltman说道。他注意到人类可以用有限的数据进行学习，“这意味着大量训练数据并不是实现智能的必要条件”。像Numenta和GeometricIntelligence这样的初创公司正在探索低数据依赖性的新智能系统。

在这股人工智能淘金热中，公司们排着队为参与者提供铁锹。出现最为频繁的名字是英伟达，Dixon先生说；似乎每一家人工智能创业公司都在使用它的GPU芯片来训练神经网络。GPU能力也可从亚马逊和微软的云中租用。与此同时，IBM和谷歌则正为更快更高效地运行人工智能软件而设计专门的新芯片。谷歌、微软和IBM也正使其语音识别、句子解析和图像分析等人工智能服务免费在线提供，让创业公司可以结合这些开发模块来构建新的人工智能产品和服务。IBM的GuruBanavar说：来自多个行业的多家公司已经使用IBM的Watson平台开发出了人工智能驱动的应用，其中包括筛选应聘者和挑选葡萄酒。

对大多数人而言，所有这些人工智能领域的进步都将体现为他们每天都在使用的互联网服务的不断进步。搜索引擎将得到更相关的结果；推荐将会更加准确。Hassabis预测说：几年之内，所有东西都将会嵌入某种程度上的智能。人工智能技术将让计算机接口变成对话式和有预测力的，而不只是简单的菜单和按钮。而且对话式的交互让不能阅读书写和目前不能使用互联网的人也能使用计算机，Bengio说。

厚积多年，一朝薄发；机器将能够执行之前只有人类才能完成的任务。自动驾驶汽车正快速变得越来越好，到某个点时它们也许能够取代出租车司机，至少在市中心等受控环境中可以做到。送货无人机，不管是地上跑的还是天上飞的，类似地可以与人类送货员竞争。改进后的视觉系统和机器人技术让机器人可以码放超市货架和在仓库中移动物体。而且还给意想不到的突破留下了很多余地，Dixon说。

其他人却很担心，担忧人工智能技术会增压特定任务中现有的计算机化和自动化；就像年前的蒸汽动力一样，让很多工人成了多余。英国诗人RobertSouthey宣称：“蒸汽可怕地加剧着已经正在进行的过程，但太快了。”他担心“这强大之力的发现”已经在“我们知道如何正确使用它”之前到来。许多人对今天的人工智能也这么想。

更加智能的机器会导致大规模失业吗？

坐在位于旧金山的一间办公室里，IgorBarani在屏幕上调出几张医学扫描结果。他是Enlitic公司的首席执行官，这是一家从对X光扫描与CT扫描图像分析开始将深度学习应用于医疗业的创业公司。这也是对这项技术的很明显的应用。深度学习因它在图像识别的某些形式上有着超人的实力而闻名；大量的标签化训练数据需要消化，而它有着巨大的潜力，去让医疗变得更加准确和有效。

Barani博士（曾经是一位肿瘤学家）指着从三个角度拍摄的患者肺部CT扫影。随着Enlitic的深度学习系统的加入，屏幕上出现了红色闪烁点，比对它们来看是否是血管、无害的成像物体或恶性的肺部肿瘤。最终系统会给出一个重点标注的特征以进一步调查。在与三个放射科专家一起合作的测试中，Enlitic系统在识别恶性肿瘤上优于人类50%，其假阴性率（没诊断出癌症）为零，相比之下人类则有着7%。Enlitic的另一个系统，可以用来检查X射线扫描来检测腕关节骨折，并有效地超出了人类的表现。

在年广为