人工智慧系統還遠遠沒有先進到可以在許多涉及推理、現實世界知識和社會互動的任務中，取代人類。它們在低階模式識別技能上表現出人類水平的能力，但在認知層面上，它們只是在模仿人類的智慧，而沒有深入和創造性地參與其中，人工智慧和機器學習的主要研究者邁克爾·喬丹（Michael I. Jordan）說。喬丹是加州大學伯克利分校電子工程和計算機科學系以及統計系的教授。
他指出，在把機器學習作為人工智慧最新進展的工程領域，模仿人類思維並不是唯一目標，甚至不是最好的目標。相反，機器學習可以透過分析大型資料集來增強人類的智慧，就像搜尋引擎透過組織網路來增強人類知識一樣。機器學習還可以在醫療保健、商業和交通等領域為人類提供新的服務，將多個數據集中發現的資訊整合在一起，尋找模式，並提出新的行動方案。
“在討論技術趨勢時，人們對人工智慧的含義越來越感到困惑：認為計算機中存在某種智慧思想，它是負責進步的，它正在與人類競爭。”他說。“沒有這種情況，但人們說得好像我們有一樣。”
喬丹應該知道其中的區別，畢竟，這位IEEE院士是全球機器學習領域的權威之一。據《科學》報道，2016年，他被一個分析研究出版物的專案評為最有影響力的計算機科學家。工程與技術史維基百科解釋說，喬丹幫助將無監督機器學習（可以在沒有預先存在的標籤的情況下在資料中找到結構）從一個不相關的演算法集合轉變為一個智力上一致的領域。無監督學習在科學應用中扮演著重要的角色，在這些應用中，沒有既定的理論可以提供有標籤的訓練資料。
喬丹的貢獻為他贏得了許多獎項，包括今年美國數學協會頒發的隨機理論和建模的Ulf Grenander獎。去年，他獲得了IEEE約翰·馮·諾依曼獎章，以表彰他對機器學習和資料科學的貢獻。
近年來，他一直致力於幫助科學家、工程師和其他各方瞭解機器學習。他認為機器學習的發展反映了一個新的工程領域的出現。他將其與20世紀初化學工程從化學和流體力學基礎上的興起相提並論，指出機器學習是建立在計算機科學、統計學和控制理論幾十年的進展之上的。此外，他說，機器學習是第一個以人為中心的工程領域，專注於人與技術之間的介面。
“雖然關於人工智慧和超級智慧的科幻討論很有趣，但它們是一種分散注意力的事。”他說。“真正的問題還沒有得到足夠的關注，那就是建立基於行星尺度的機器學習系統，這些系統能夠真正發揮作用，為人類提供價值，並且不會放大不公平現象。”
加入人工智慧運動
作為一名60後，喬丹一直對哲學和文化視角下的大腦運作方式感興趣。他在閱讀了英國邏輯學家伯特蘭·羅素的自傳後，受到啟發，開始學習心理學和統計學。羅素將思想作為一個邏輯數學過程進行探索。
“思考思維是一個邏輯過程，計算機已經從邏輯的軟體和硬體實現中產生，我看到了與心靈和大腦平行的東西。”喬丹說。“我感覺哲學可以從關於心靈和大腦的模糊討論過渡到更具體、演算法和邏輯的東西，這吸引了我。”
喬丹在路易斯安那州立大學學習心理學，1978年獲得該專業學士學位。1980年，他在亞利桑那州立大學獲得數學碩士學位，1985年在加州大學聖地亞哥分校獲得認知科學博士學位。
當他進入大學時，機器學習領域並不存在。他畢業時，機器學習才剛剛開始出現。
“雖然我對機器學習很感興趣。”他說，“當時我已經覺得理解學習所需要的更深層次的原理要在統計學、資訊理論和控制論中找到，所以我沒有給自己貼上機器學習研究者的標籤。但我最終還是接受了機器學習，因為其中有有趣的人，而且正在進行創造性的工作。”
2003年，他和學生開發了LDA（Latent Dirichlet Allocation），這是一個機率框架，用於以無監督的方式學習文件和其他資料集合的主題結構。該技術讓計算機，而不是使用者，從文件中發現模式和資訊。該框架是最流行的主題建模方法之一，用於發現隱藏的主題並將文件分類。
喬丹目前的專案在他早期融合計算機科學和統計學的基礎上，融入了經濟學的思想。他認為，學習系統的目標是做出決策，或者說是支援人類的決策，而決策者很少是孤立運作的。他們與其他決策者互動，每個人都可能有不同的需求和價值，整體互動需要以經濟原則為依據。喬丹正在制定 “一個研究議程，在這個議程中，代理人從真實世界的實驗中瞭解自己的偏好，他們在收集資料進行學習時，將探索和利用融合在一起，市場機制可以構建學習過程，為學習者提供激勵，讓他們收集某些種類的資料並做出某些種類的協調決策。這種研究的受益者將是現實世界的系統，它將生產者和消費者聚集在以學習為基礎的市場中，關注社會福利。”
澄清人工智慧
2019年，喬丹撰寫了《人工智慧：變革尚未發生》，發表在《哈佛資料科學評論》上。他在文章中解釋說，不僅公眾誤解了人工智慧一詞，技術專家也誤解了。他寫道，早在20世紀50年代，當這個AI這個術語被創造出來的時候，人們就渴望製造出擁有人類水平智慧的計算機器。他說，這種願望仍然存在，但在這幾十年間發生的事情卻有所不同。他寫道，計算機本身並沒有變得“智慧”，但它們提供了增強人類智慧的能力。此外，它們在低階模式識別能力方面表現出色，這些能力原則上可以由人類執行，但代價巨大。例如，基於機器學習的系統能夠大規模檢測金融交易中的欺詐行為，從而催化電子商務。它們在製造業和醫療保健領域的供應鏈建模和控制中至關重要。它們還能幫助保險代理人、醫生、教育工作者和電影製片人。
他寫道，儘管這種發展被稱為 “人工智慧技術”，但底層系統並不涉及高階推理或思考。這些系統不會形成人類所能做到的那種語義表達和推理。它們不會制定和追求長期目標。
在可預見的未來，計算機在對現實世界情況進行抽象推理的能力上將無法與人類相提並論。”他寫道。“我們將需要人類和計算機經過深思熟慮的互動來解決我們最緊迫的問題。我們需要明白，大規模系統的智慧行為既來自於代理人之間的相互作用，也來自於單個代理人的智慧。”
此外，他強調，在開發技術時，人類的幸福不應該是事後的想法。他寫道：“我們有一個真正的機會來構思一些歷史性的新事物：以人為本的工程學科”。
喬丹的觀點包括重新討論工程在公共政策和學術研究中的作用。他指出，當人們談論社會科學時，聽起來很吸引人，但社會工程這個詞聽起來不討喜。基因組科學與基因組工程的關係也是如此。
“我認為，我們已經讓工程這個術語在知識領域變得越來越少。”他說。當人們希望提及有遠見的研究時，就會用科學一詞代替工程。諸如僅僅是工程之類的短語也無濟於事。
“重要的是要記住，對於科學為人類所做的所有美好的事情，其實都是工程：土木、電氣、化學和其他工程領域。它們都最直接、最深刻地提高了人類的幸福感。”
章魚通（www.zhangyutong.net）人工智慧產業對接平臺。
