文 張禮立
在1997年5月3日，IBM公司的“深藍”計算機正在與國際象棋世界冠軍加里卡斯帕羅夫 進行象棋比賽。在5局中，以2.5 : 2.5的比分落下帷幕。然而，在八日後的又一次交手中，“深藍”戰勝了它的對手。
IBM的市值一夜之間爆增180億美元。
全世界的人們似乎都在說：“人工智慧取得了巨大的突破。
從實質來看，這場突破早已在1950年代形成：那時科學家克勞德·夏農提出了“深藍”的基本設計。在之後的40年中，實驗室裡的科學家們不斷為此奮鬥。是的，40年。所以，大家做事情需要點耐心。
在當時的媒體與公眾的視角里，這場機械的勝利或者講人類的失敗到來得如此之快、如此之突然，讓我們非常不適應。其實，每天在這個世界上，多多少少，一定會有點突破出現， 有些頂尖的想法或許被拋棄，但都為人類科學的進展作出鋪墊。通常而言，直到另外一個優秀的想法出現，與之前的相輔相成之後，才會真正進入公眾的視野，被大部分人接受。只不過整個“發現-拋棄-再利用”這個過程，也許會像深藍一樣，需要40年時間才能重新被重視。
因此，我們可以預想到，在未來的幾年裡，世界各地的研究實驗室或企業裡醞釀許多關於智慧的想法。未來，它們將會跨越商業實用性的門檻，逐漸融入到我們生活的每一個角落，成為一個真正的人工智慧時代。
和多數人類似，我也相信智慧時代一定會出現的。 但是，我同時也在思考，在這個不可避免的智慧未來到來之時，我們又會遇到什麼？我們的生活會變成什麼樣子？
多數科學家認為：人類並不能真正知曉“超人工智慧”會在什麼時候能夠被創造出來。
許多學者根據摩爾定律，預測未來計算能力的發展，預測計算機什麼時候超過昆蟲的大腦， 什麼時候超過老鼠的大腦，我認為這其實都是沒有啥意義的。原因很簡單， 人工智慧不是簡簡單單晶片堆積而成， 它有三個重要的組成要素，需要我們人類去實現它。
第一要素：語言與常識
各位一定聽說過資料（Data）一詞，直接翻譯為資料。資料到底是什麼？其實，它是資訊的一種載體。對於機器人而言，他們如果需要對事物做出判斷，就需要指導 如何處理資料。但是，我們人類的資料，我們的資訊是透過文字、語言傳輸的。
換句話說，我們人與人交流的時候， 並不使用二進位制。我們使用的是語言。譬如， 老師、2021年、科學、麵包、綠色，這些詞都是包含著大量資訊的， 他們包括了從發現和組織過程中提煉出來的精華，擦揉進人類的語言中去。
一臺真正理解人類語言的機器， 必須是可以快速獲取人類的知識的。而我們現在幻想機器能夠在短時間內繞過人類幾萬年的進化之旅所具備的能力是不切實際的。機器不能自然的與人溝通是事實 ，所以，目前的“自然語言技術”）NLP 的不成熟也不言而喻。
雖然有機器可以從事實中尋找簡單的資訊， 但目前不能自如的從複雜的文字中解析知識結構。
這裡有一個很好的例子來說明這個問題。
下面請看一道給機器人做的選擇題：
“假設四年級學生計劃進行一場滑輪比賽。以下哪一種地面更合適？”
A，碎石 B，沙地。 C，水泥地面。D，草地。
我們人看到這個問題時候， 肯定會覺得很簡單， 一定是C，水泥地面。但對於機器而言，它就有倆個難點需要攻克。
第一個難點，機器要理解句子結構，識別每個單詞的意思。這就有點像我們在學外語的時候，得要先把句子翻譯成中文，然後再去做出選擇一樣。
第二個難點， 是對於常識的理解。 比如，機器人需要意識到，這個比賽是人“穿著滑輪 / 在賽道上進行比賽”，而不是“滑輪之間的比賽”。
那麼進一步的問題來了， 如何讓機器人學會這些知識？ 科學家們曾經想著透過先灌輸簡單知識， 再根據學到的簡單知識來學習更難的知識。然而事實上，許多知識是錯誤的，不完整的，片面的，這會導致接下來閱讀的知識也是錯誤的。
靠單一的想辦法解除這樣的惡性迴圈是不能成功的。需要做的是想辦法灌輸給機器 更加全面的知識， 例如 因果關係， 他人看法， 不同態度等。這樣可能會形成一個自我強化等過程。
第二要素：需要發現並理解動作
當我們說“準備起跑”的時候，裡面可能包括千萬個原始動作：例如下蹲，呼吸等。然而透過萬年進化的我們已經將這些動作全部變成一個“準備起跑”的單元，儲存到我們的“動作庫”裡面去了。
正如阿爾弗雷德·諾思·懷特黑德，“過程哲學”的創始人在1911年所寫：“文明的進步是透過增加那些我們無需思考就能夠完成的重要動作來實現的。”
而對於人工智慧而言， 他只能籠統的理解每一件事情， 目前還不能夠直接把大目標轉化為小動作 逐一完成。希望機器人能夠在發動其馬達的時候， 就能夠指導自己站起來。就像我們每天早上真開眼，就知道能夠起床一樣的自然。
當然， 當機器人掌握這樣的能力之後， 他們勢必會比人類看得更遠，想得更多。 他們的處理能力將會給予他們更強大、更全面、更細緻的行動方案。這可能也是唯一和電影裡面很相似的一點：就是在我們人類行動之前，他們就已經戰勝了我們。
第三要素：管理精神活動
如果您聽了剛才對於行動的掌控， 你會覺得很複雜，現在想想我們的大腦吧，管理這個世界上最複雜的東西之一，可不是件容易的事啊。
從某種程度上來說， 我們人類的大腦有很大的活動自由， 我們可以自主選擇思考什麼。例如現在的你，可能在考慮晚餐吃啥，或者是週一早上去開會的交通狀況。你會發現， 你可以立刻隨時想到這些，而且行動之快或許比你的身體還要快。
計算機也一樣， AlphaGo在圍棋上每走一步，它都能夠控制它自己的億萬計算單元來評估 接下來自己應該做什麼。
然而，區別在於AlphaGo面對的只是圍棋。而現實中我們不能簡簡單單的說“不讓自己的棋子被圍起來”那麼簡單。所以對於人而言， 如何構建一個完善的體系，來提供 機器人在進行決定的時候來選擇，就是我們目前最大的困難。
而當我們攻克了這些問題之後，超級人工智慧便真正意義上的出現了。
從AlphaGo上，我們已經能夠看到這樣的一個存在，能夠對我們人類產生多大的影響。當然，也不難想象它能夠在數學、物理上能夠給予人類更多的幫助。
然而，即使是超級人工智慧，它的侷限依舊存在。
我們需要區分小說、電影與部分未來學者的說法， 人工智慧的確是會非常強，但不是萬能的。有三點我們要注意並且不斷探索和實踐。
其一，是對於預測的理解。當人工智慧掌握了所要的能力以及周邊的資料之後， 能夠進行合理的對未來的預測。但是這不代表能夠準確的預測所有的事情的發生。
其二，是對於資訊的獲取嚴謹態度。有很多資訊不是能夠直接獲取的。例如 有一個新的藥物預測能夠治療癌症。但是在真正使用前， 需要進行大量的測試。無論是機器 還是人類，都需要在現實世界中進行大量實驗與測試才能達到合理的答案的。不是我們大腦 / 或者演算法能夠直接給予答案的。
第三，就是人工智慧終究與我們人類不一樣， 這使得它在嘗試模擬我們人類的時候， 有天然的劣勢。畢竟， 我們每個人的觀點 和差異是造就了我們社會的方方面面的根本。
理想的情況之下， 我們在創造出這樣一個無時無刻都能夠幫我們做出最好決定的機器， 那我們便能夠充分利用周邊的資源， 為人類整體創造出最好的未來。
然而，事實上 我們目標連自己的大腦的認知都並不充分。如何讓如此強大的人工智慧真正的成為人類的福星， 而非成為我們進化的終點？
