Peter Norvig

我們用來描述機器的詞語，包括是否使用“思考”一詞，更多地取決于我們看待自己的方式而非機器實際所擁有的能力。

人工智能技術每天都要在我們的生活中多次出現，每年為經濟作出幾千億美元的貢獻，并且正在不斷取得穩(wěn)步進展。同時，人工智能界也認識到了幾件令人吃驚的事情。

我們曾經以為很困難的事情實際上要簡單得多。早期的人工智能研究專注于完成看似困難的智力任務。但人們發(fā)現，這些邏輯思維的例子其實對于計算機來說復制起來并不難，所需的僅僅是幾條定義明確的規(guī)則和強大的計算能力。相反，那些很簡單的任務實際上卻很難。一名幼兒只需看一眼就能夠區(qū)分幾百個對象（球、毯子、母親等），但事實證明，建立一個能夠達到這種水平的計算機視覺系統是十分困難的。

處理不確定因素其實比進行嚴密的邏輯思維更為重要。我們針對一個問題想出一個聰明的論證或解決方法，包含一系列無可辯駁的邏輯步驟，并且在有人想出這樣一個次序之后感到震動。但是，這正是計算機也能做得很好的事情。困難的地方在于處理不確定性，以及在眾多可能性中選擇一個正確答案。

學習實際上比了解更重要。在20世紀60、70年代，很多人工智能程序被稱為“專家系統”，意思是它們都是通過采訪各領域的專家而建立并將他們的知識編碼成計算機可以理解的邏輯規(guī)則。這種方法被證明并不可靠，原因有以下幾點。首先，專家的來源十分稀少，并且采訪他們極為耗時。其次，有時候專家的專業(yè)技能十分嫻熟，但對于如何實現卻并不一定能夠解釋清楚。最后，通過這種方法建立的系統經常無法處理超出采訪中專家預料范圍的情況。

當前的系統更多是根據例證而非邏輯規(guī)則來建立的。不要告訴計算機專家是如何解決問題的。相反，給它大量實例展示以前出現的問題：給出能夠描述初始狀況的特征、所使用解決方法的描述以及評價這種方法的得分。據此，計算機算法就能認識到在相似情況下該如何運作。

研究重點從取代人類轉換為提升人類的水平?！皩＜蚁到y”的另一層暗示就是它要用一個計算機系統來代替專家。那種方法在上世紀70年代還算可行，那個時候計算機還很稀少并且昂貴，對于計算機技術的投資僅集中在有限的幾種高回報應用領域。但今天計算機隨處可見，這時思考如何讓計算機協助人類工作而不是取代人類變得更有意義。這就意味著，人類與計算機可以各自專注于自己擅長的領域。

人類與機器合作起來比任何一方單獨工作都更為強大。正如Werner von Braun在回答應該選用什么樣的計算機執(zhí)行未來空間任務時所說的：“人就是我們能夠給航天器裝備的最好的計算機，也是唯一通過非技術性活動就能大批量生產的?！睕]有必要讓機器取代人類；相反，我們應該想想什么工具能夠幫助人類更加富有成效。

我們當前的這個時代是人工智能發(fā)展的極佳時期，因為近期計算機硬件的發(fā)展使人們可以處理許多以前由于價格昂貴而不敢問津的問題。此外，無線網絡與蜂窩數據網絡高速發(fā)展，這意味著這些令人激動的全新應用程序將不再只禁錮于研究實驗室，它們可以成為網絡上為所有人享用的服務。

現在，您可以使用手機實時進行翻譯，進行過去不可能實現的人機對話。今后，將有越來越多更強大且更智能的計算機為公眾服務。

所有這些將朝什么樣的方向發(fā)展？計算機能真正的思考嗎？

很多計算機科學家會說這個問題提得并不恰當，因此任何答案都不會有太大意義。計算機的能力將會不斷增強，而我們會找到同它們相處的方式：作為工具、顧問、工人、寵物、伴侶抑或其他角色。但是，我們用來描述機器的詞語，包括是否使用“思考”一詞，卻更多地取決于我們看待自己的方式而非機器實際所擁有的能力。

（本文作者系Google研發(fā)總監(jiān)）