人工智能的未来：纽约大学专家研讨会五大议题.docVIP

人工智能的未来：纽约大学专家研讨会五大议题

人工智能的未来：纽约大学专家研讨会五大议题

2016年1月11日——12日，纽约大学举办了一场名为「人工智能的未来（TheFutureofArti?cialIntelligence）」的研讨会，来自学术界和产业界的人工智能从业者云集一堂，展开了两天密集讨论。彼时，AlphaGo攻克围棋的消息还未发布，公众对于人工智能发展的认知还不清晰，而在这些从业者看来，人工智能的这次「复兴」有着与以往不同的历史意义，从技术发展到社会影响，与会者展开了颇具前瞻性的讨论。

谷歌CEOEricSchmidt发表了开幕演讲，列出了人工智能领域的最新进展，这些进展让我们有了解决之前无力解决问题的能力。他强调人工智能应该打造一个让「多数人」而不是「少数人」受益的未来。我们面临的挑战中，水净化、合成食品生产、物资分布的管理，能源供应的优化都是一些我们如何利用自然流动的数据流的能力决定了我们怎样来满足社会整体需求的领域。

Schmidt设想了一个研究是「开放的」的世界，这与军事支持的研究相反；军事支持的研究往往高度机密，而且也会源于一些和全人类利益不同的考虑的动机。他谈论了产业界/学术界合作的重要性，比如，通过大规模开放给科学界的真实世界数据集来衡量进步。他强调了对用于科学进步的「平台（platform）」的需求以及在这些平台上建设的系统的需求，以便能够处理各种问题的动态特性，且有足够的创造性从而能在平台的运行的同时同步学习。

FacebookCTOMikeSchroepfer强调了类似的对长远型的「十年问题（10yearproblems）」的支持投入，共享数据和算法，促进开放和同行评议的研究。Facebook积极地通过「在有科学家的地方建实验室」以促进基础研究。

这次研讨会上，科学家们的讨论很有前瞻性，预测了AI的冲击和益处，以及对人类与人工智能的更长远的未来思考。这次讨论涌现出了五个主要问题：

为什么这次热潮和以往不同？人工智能历史中有好几次「繁荣-萧条」的周期，其中的乐观情绪被一些人们认为的显著进步所推动，后面则跟随着因不切实际的期望而带来的失望。我们目前正处在又一次繁荣期。这一次会有所不同吗，为什么？

我们应该怎样控制可能比人类更智能，同时我们又不能完全理解其工作方式的系统？这个问题的一个更为急切的版本是：我们应该怎样控制极其复杂且可能比人类更精确，但却不能直接解释它们自己的行为的系统？

人工智能系统是否应该有一个统一的目标函数（objectivefunction）还是说多样化评估更加合适？

我们会看到我们自己在大部分任务中被机器人取代，还是通过机器智能增强自身呢？这个过程中，人工智能将创造出的工作会比其所消灭的工作更多吗，还是正好相反？

我们现有的用于管理人类的权利和行动的规则框架对机器人来说足够吗？

为什么这次会不一样？现在和过去的一项根本的且可衡量的区别是机器学习已经帮助我们在解决感知问题上取得了长足进步。机器之前不能读、听或看，这些一般需要专门为它们调配的输入。新的系统则可以直接读取视觉、听觉和语言输入。这一进步让机器可以在没有人类的参与下读取来自世界的直接输入，并为更进一步的处理创造它自己的内部表征。

连同强大的工具，大数据是另一个不同，尤其是在机器通过输入-输出对（input–outputpairs）表示的数据进行学习的监督学习（supervisedlearning）领域。很多问题都可适用于这类型的构型（formulation），而且我们已经在几乎每个已有大数据集可用的领域见证了机器学习系统雨后春笋般地涌现。计算机能够比最好的人类更好地完成任务的情况正变得越来越普遍。

然而，对于许多问题而言，并没有纯净的输入-输出对，并且/或者监督学习是不合适的。比如说，我们可能常常关心一些累积的结果，例如整体健康度或收益/成本比而不是直到最终结果之前的每一个决定的好处。这可能适用于不同类型的构型，例如「强化学习」，其中的回报不定期累加，累积的收益要被最大化，评价分配是困难的。

人工智能中最近许多让人兴奋之处都是由强化学习和「深度学习」的进步推动的，这些学习方式受到了类似于大脑的工作方式的启发和影响。有趣的是，这一领域的一些关键进步来自于对现代视频游戏的研究，在这些游戏中，大量可用于学习的数据可以通过模拟的形式创造。老一代玩游戏的程序和新一代玩视频游戏的程序之间的重要差异是：前者由人类教导它尽量玩得足够好，而后者只给予了对游戏的控制和得分，没有其它关于自己所玩的特定游戏的知识，只能靠自己摸索。目前的程序并不获取问题的表征作为输入，而是只获取问题本身的原始输入，再从其中发展出自己的对问题的内部表征。这一进步把系统智能推向「上游」，移除了人类输入和潜在的偏差。

尽管