今年炒得热后朝天的焦点中包括AlphaGo战胜李世石、Tesla无人驾驶、热播westworld中的机器人等，都与人工智能（Artificial Intelligence）相关，那人工智能的本质是什么，人工智能可以扮演怎样的社会角色，作为外行人如何理解人工智能核心的技术逻辑？本文将为大家解答以上三个问题，第三个问题是本文的重点。
一、
人工智能这个概念事实上至今在坊间、专家间，并没有一个标准定义，但对于人工智能的认识，我们可从其对人思维、识别、记忆及感情等信息进行处理、模拟的本质角度去理解。如果以机器人为物质载体，人工智能就像机器人的大脑，通过“与大脑无区别的电路”实现信号的传递，即对外界进行反应，这种反应主要是对外界指示、感知的应答，不过这种反应就现在来说，是依赖工程师们预设的逻辑计算、推理，而暂未达到人类高智能化自主识别、转化的水平（当然，这个是人工智能的大趋势，后续会提及）。
在IBM科学家John E·Kelly《机器智能》一书中，人工智能被分解为传统计算与认知计算，现时代及以前大多数的人工智能实现的是传统计算，即单向依赖预设逻辑实现功能的计算；而未来（或者说现在趋势中的）人工智能对应的是认知计算（Cognitive Computing），认知计算除了可以实现传统计算中的执行特定任务外，还可从与数据和人类的交互中学习（即可实现双向逻辑计算的）、推出结论达成指标以及添加听觉、视觉、味觉、嗅觉和触觉等功能。
二、
人工智能从科学家视野走出并成为大众瞩目焦点的两大盛事包括1997年IBM的深蓝计算机打败了世界顶级国际象棋大师，2011年初沃森（Watson）在《危险边缘》智力竞赛中赢过了人类冠军选手。前者证明了巧妙设计与复杂算法可以与某一领域顶级人类专家表现媲美，且使得人工智能领域重新获得投资界的热捧，后者证明了认知计算具备理性推断中优越于人类的可能，使创新者获得了极大的荣誉，同时把人工智能领域的光芒以史无前例的幅度扩散到大众视野。当然最近的一次热潮应该是Google 的AlphaGo与李世石的对战，这一次对战使得人工智能热度再增。
人工智能的目的当然不仅是赢得赛事，更重要的目的在于解决社会问题，成为人类的助手。自沃森赢得赛事后，IBM研究团队开始针对不同产业及服务升级沃森功能，包括在医疗保健行业、金融预测、语言学习及客户服务管理系统等。
IBM对沃森发展可能的研究与定位是人工智能在整个社会中可能角色的缩影，就这个缩影放大至社会来说，人工智能首先基于它具备的大容量信息存储、理性推断能力，可以实现的是辅助人类处理繁杂的数据工作，在大量可计算的数据中搜寻关联数据组。比如说，存储海量医学文献的智能系统，可以基于文献中的逻辑实现新药方的匹配，沃森系统就曾协同医生处理大量新旧信息，最大程度排除副作用的前提下作出新治疗方案，最终确实达到了比之前所有人工判断下更好的治疗效果。另外金融信息、天文气象甚至烹饪调配等方面均可利用以上原理获得大容量数据组合对比下更优的组合方案。
再者，基于人工智能将获得听觉、嗅觉、味觉、触觉、视觉数据处理能力，人工智能可实现代替人类预先感知、反应外界的功能；或者更进一步，从零设计人工智能系统，可以实现超越人类感知世界的功能，什么意思呢？举个例子，人类在纳米范围类认为正常或正确的东西往往是不对的，而重新制造一个智能认知系统，集超人类视力、嗅觉、味觉等功能于一身，这个系统便可以帮助我们用更加客观的理解物质形态的存在。
当然最后不可忽视的是，人工智能系统的数据处理能力还可以实现“智慧城市”甚至是“智慧世界”的理想境地，通过智能系统的大数据处理，所有互动个体，无论个人还是物质流动，城市管理者都可以借助人工智能系统协调信息，作出导向有序、健康的决策。
三、
基于以上，人工智能功能如此强大，相信读者会不禁疑惑：人工智能会超越人类、主导人类吗？其实，科学界及技术领军人物中不乏慎思、担忧者，比如Tesla创始者马斯克曾说：对于人工智能的研究，我们必须慎重。因为我们的研究最终或许会招来恶魔；斯蒂芬·霍金曾说过：完美人工智能的开发或许意味着人类的终结。
对于人工智能的未来到底会是天使还是恶魔，让人类永生还是毁灭这个命题，我们暂时是无法完全确定的，但在未来到来之前，了解人工智能是怎样一步步实现的，将让我们更客观地认识AI本身，从而获得从容判断AI未来的理性资本。
20世纪50年代后半期到20世纪60年代，计算机领域以“推理和搜索”为主调解决问题，这主调引起了第一次人工智能的浪潮；80年代，“知识表示”为导入方法使得计算迎来了人工智能的第二次浪潮，然而只是描述的局限性使得人工智能再次陷入寒冬；90年代后半期搜索引擎的诞生使得互联网爆发性普及，大数据时代促进机器学习与深度特征学习，直到现在，我们处在人工智能的第三次浪潮中。
第一次浪潮中，“人工智能”这个术语被学者们定义为“像人类那样思考的机器”，当时以“搜索树”探寻迷宫的思维模式是人工智能的核心，这个核心思维沿用到今，利用搜索树制定人工智能机器，可以对机器人或者其他机器设备进行“规划”，可对比我们所学的“当循环”逻辑，就是说当条件满足时，智能系统就会执行相应的计算公式，如果条件不满足时，则会运行另一条逻辑计算公式或者返回。在象棋博弈中利用的原理，跟我们所学的“直到循环”逻辑是相似的，就是说，系统经过判断这一步棋可以获得“直到循环”运算中的最大/小值时，便会做出判断并选择，而且对于智能系统来说，越是到了棋局最后，越拥有主动权：因为在“直到循环”中，系统要循环的“可能”（即最优选择的可能）会减少，智能系统要经过的流程减少、运行会加速。
相较第一次浪潮中人工智能较为机械的推理搜索能力，第二次浪潮中的人工智能以“知识表示”为核心。什么意思呢？就是说，智能系统可以凭借知识输入功能与人类对话、解答问题。事实上，在1964年时出现的ELIZA人机对话系统是此次浪潮较早的表现形式，ELIZA可以实现的是人机的文本对话，比如在计算机敲击“你吃饭了吗”，可能计算机会回应“还没呢”，它是现在iphone Siri、微软Cortana、百度度秘等的前身。那在以“知识表示”为核心的人工智能浪潮中，智能系统具备化身为各领域专家能力的“Siri”们，基于大量专业信息存储，专业化的Siri”们可以给予我们专家水平的回应——这样的功能无论在病理学还是任何其他领域都是极具现实意义的。
不过第二次浪潮中的知识表示与“专家系统”都面临着包括“翻译、框架、符号接地”甚至是哲学上“本体”概念未能正确实现的问题。
在翻译上，就像现在的有道、google翻译等，实现的依然是“直译”而不能通俗的意译那样，智能系统会将I will be here with you翻译成“我将在这里，和你”而不是“我将和你在这里”；在框架上，智能系统计算人类输入的逻辑公式，但是不能自主考虑设定公式以外的因素，比如说，在面对一个自然环境，如果智能系统设定能够识别晴天雨天以及强风弱风，作出最优外出决策，那么它是不会考虑到框架外比如雾霾等无限关联问题的，当它可以考虑这些无限问题时，系统会陷入长久的“思考”而无法进入下一步，而对于人类来说，这些框架外的因素，却是人们可以凭借毫无压力的识别能力将其加入考虑范畴的；在符号接地上，人工智能暂时无法做到的是将特定的符号“想象”出可能图画的，比如一系列详细描述城堡的特征词，并不能像引起人类想象那样，引起智能系统的接地还原；另外在“本体”上，对于人类极容易解决的“A is B”、“A is part of B”这样“本我”与“所属”的概念，在计算机中是极难描述的。
人工智能在第二次浪潮中尽管实现了一定的产业实用性，它在无限、巧妙的知识面前进行“知识表示”的能力依然让大多数人望而生畏甚至产生质疑与否定。那在第三次浪潮中，人工智能凭借什么再度兴起呢？嗯，是“机器学习”和“深度学习”。
区别于简单预设逻辑进行运算的模式，机器学习可以基于数据出现的频率，作出“是/否”的区分，刚开始出现一个数据时，机器判断可能会作出有波动变化的区分，但是在海量的区分尝试后便会基于频率作出趋近稳定特征的判断，从而获得特定的数据结构组合而成的认知。通俗来说，就类同于我们常识的形成，最初看到阴天，之后有时下雨有时不下雨，所以我们的判断是变化的，但是后来发现多数（频率相对较高）阴天之后，都是下雨，所以我们大多会形成一种常识性判断：阴天与下雨有关；而机器学习呢，比如最初识别到乔布斯的“照片”有时会和“乔布斯”这些文字相连，有时却没有，但后来海量数据显示两者经常一起出现，最后机器就会做出一个稳定的判断，即两者相关。当然，事实上机器学习并没有实现完全的特征对照与识别：有时候我们搜索乔布斯可能出来的也有比尔盖茨的图片。
机器学习这种区分判断模式却依然是基于人为输入的数据决定的，也就是说机器学习所获得的特征识别是被动输入的结果，它有一个很大的难题：不能深度识别进而主动生成重要特征量。
而作为人工智能中的重大突破“深度学习”便有趋势打破这一难关。就好比婴儿期简单抓取相关信息与关键词，大多时候因为未能抓住最核心的内容，可能作出较多误判，而到了青年时期我们就拥有较为深度分析一个区别于其他事物的本质特征的能力，我们会根据多方位的识别、一层层地剥开事物本身从而做出准确率很高的判断，机器学习与深度学习可类比于此，也就是说深度学习可以实现多层架构多级别关键特征的抓取从而定义、识别、判断信息。
深度学习技术之后的发展会如何推动人工智能的发展呢？嗯，就像以上内容提到过的包括识别准确度、语言理解与符号识别的接地气程度、预设问题框架外的主动处理能力、本体与所属问题的区分等等，都会有新的突破。通俗地概括就是基于这种深度学习的技术，人工智能会获得相对高阶的信息判断能力以及转化为类同人们“想象”与“意会”的能力。
三次浪潮中人工智能的核心技术逻辑介绍至此，至于为什么本文要强调技术的核心呢？因为在技术快速变革时代，事实上不仅是研发人员需要关注这样的技术变化，大多数的非研发人员也是需要主动探索并了解，才可以更深切感知并抓住新旧迅速交替时代中科技进步带给我们的机遇。
毕竟在可以预期的技术划分阶级的未来，拥有技术变革感知力的人总不会握不住一张“快上车，来不及解释”的票。
