正文共：5557字-11图
预计阅读时间：14分钟
人工智能在20世纪后期经历了几个阶段：50－60年代的繁荣期，70年代的寒冬期，80年代的短暂复兴期以及后续的缓慢发展期。但与此同时，以人机交互为特征的智能增强却出现了大繁荣，到了20世纪末期，当“深蓝”战胜国际象棋冠军之后，一场以互联网为中心的资本市场泡沫开始崛起，而后者的破灭也成了新千年的第一个重要的社会经济事件。
智能的新发展
泡沫破灭虽然给互联网行业带来了一丝寒意，却也让这个行业开始走得更为稳健和成熟，最终，21世纪头10年成了互联网一统天下的10年，就是在这10年之间，几乎所有的事物都被互联网化了。大批徒有其表的公司在21世纪初倒闭，但是像亚马逊、谷歌以及苹果这样的企业却走过了冬季，逐步成了新时代的企业霸主。2004年，哈佛的计算机系学生马克·扎克伯格创办了社交网站Facebook，没用几年，这个出自校园的公司变成了全世界最为重要的社交平台之一。门户、搜索、社交·····互联网将全世界连接了起来，到2006年，全球的网站超过了1亿个。2007年，苹果公司推出的iPhone将我们带入了一个智能的移动新时代。与之前那些以能否砸烂核桃、待机时间长短作为评价标准的功能机相比，这些新的机器有了一个新名字－智能手机。微软依然是全球PC操作系统的霸主，在2008年时，全球90%的操作系统是Windows;但搜索已经成了谷歌的天下，而且还推出了手机操作系统安卓（Android)，后者逐渐崛起，成了移动时代的手机操作系统霸主。万物互联的时代，数据开始爆发。谷歌和百度的搜索是人们最为常用的工具，而到了2012年，Facebook一个月的点击量超过了70亿次。
这些每天都在更新存储的海量数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素，而人们对于海量数据的挖掘和运用，则预示着新一波生产率增长和消费者盈余浪潮的到来。2012年的全球达沃斯会议宣告，数据和货币或黄金一样，已经成为一种新的经济资产类别。人类进入了大数据的时代。在计算机运算速度大幅提升以及大数据爆发性增长的同时，人工智能的算法也在取得突破。2006年，深度学习（deep learning)的代表人物杰弗里·辛顿和其他两位作者发表了《一种深度置信网络的快速学习算法》，将深度学习推向了一个新的时代。深度学习其实是机器学习（machine learning)的一种算法。那么，什么又是机器学习呢？简单点说，机器学习就是让电脑在没有明确编程的情况下具备自己学习的能力。机器学习的这个定义最初来自阿瑟·萨缪尔。1952年，阿瑟·萨缪尔在IBM公司研制了一个西洋跳棋程序，这个程序具有自学习能力，通过自己与自己的大量对弈，这个程序逐渐开始理解什么棋是好棋，什么是臭棋，它也知道了占据何种位置才能有更大的赢棋概率。没过多久，这个跳棋程序的水平就超过了萨缪尔。在萨缪尔之前，人们认为计算机是一种没有得到人的指令便无法行事的机器，但是这个程序证明，机器人可以通过自我学习（而不需要人教），超过人类。
传统上，如果我们想让计算机工作，我们会给它一串指令，然后它遵照这个指令一步步执行下去。但机器学习不是这样，机器学习接受的不是你输入的指令，而是你输入的数据。机器学习就是利用数据训练出模型，然后再使用这个模型进行预测。如果说大数据是新的石油，那么提炼石油就是一门新的有利可图的生意，而既然机器学习能够分析数据、建立模型，然后进行预测，那么我们没有理由不认为，它就是提炼新石油的最好工具之一。也正是因此，机器学习很快就得到了那些拥有大数据的大型商业公司的青睐：如果它真的能根据用户行为数据有效预测未来，那么，它显然就是提升公司利润和保持公司竞争力的利器。用户多，数据就多；数据多，机器学习做出的预测模型就可能更准确，而这也就可以吸引更多的用户。这样的一种正反馈，无疑成为大型公司投入巨资拥抱机器学习的根本动力。机器学习可以应用于广泛的领域。一支球队可以通过分析历史数据，找到战胜对手的法门（有一部美国电影《点球成金》就讲述了这个故事）；亚马逊可以通过对用户行为数据的分析，为其更好地推荐图书或商品。
机器学习的应用领域可谓无处不在：它和数据库结合，就是数据挖掘；和图像处理结合，就是计算机视觉；和语音处理结合，就是语音识别；和文本处理结合，就是自然语言处理。机器学习的算法也非常多，支持向量机、回归以及深度学习所使用的神经网络，都是机器学习算法大家庭中的一员。当下最为火爆的当然是深度学习。要想把深度学习说清楚，我们也不得不花点时间回到从前，梳理一下我们没有提及的人工智能发展史。我们在之前提到过，即便是在1956年的达特茅斯会议上，与会者也没有就何为人工智能形成明确的共识，不过，后来者将前人对人工智能的观点做了分类，虽然这些分类也不尽相同，但总体上有两个派别是比较清楚的：符号派和连接派。其中，符号派是比较传统的派别，强调的是推理、规划和知识表示等问题，在这一派的眼中，既然智能是一个黑箱子，那就不要关心这个黑箱内部的构造，而只要关注输入和输出。而连接派则从人的大脑神经元结构中得到启发，他们相信，既然人类的智力缘于大脑，而大脑正是由万亿个神经元细胞错综复杂连接而成，那么模仿人脑建立起一个人工的神经网络，才是实现人工智能的最好形式。这种观点提出得很早，但是一直没有受到足够重视，直到20世纪80年代辛顿等人提出将反向传播算法用于神经网络，才为神经网络的复兴奠定了基础。人工智能的再一次大发展，则正是在2006年辛顿等人发表了他们的论文之后。2009年，辛顿将这种方法应用于语音识别领域，结果令错误率大幅下降了25%。
在此之后，深度学习发展的标志性事件，多数都体现在了那些掌握大数据并且看重机器学习未来的商业化巨头身上：2012年，《纽约时报》披露了谷歌大脑（Google Brain)项目，这个项目由吴恩达和Map——Reduce 发明人杰夫·迪恩共同主导，他们借助 YouTube上的上千万张图片，用16000个CPU Core的并行计算平台训练一种称为“深层神经网络”的机器学习模型，并在图像识别等领域获得了巨大的成功。2012年11月，微软在中国天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译，以及中文语音合成，效果非常流畅，其中关键的支撑技术是深度学习。2013年1月，在百度年会上，创始人兼CEO李彦宏高调宣布要成立百度研究院，其中第一个重点方向就是深度学习，并为此成立深度学习研究院（IDL)。深度学习的这种大发展开始逐步得到业界和学术界认可。2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术之首。同一年，辛顿离开了学术界，加盟了拥有强大数据资源和计算能力的谷歌；另外一位以卷积神经网络闻名的杨立昆（Yann LeCun)则在同一年加盟了Facebook，创办了人工智能研究实验室。3年之后，谷歌的AlphaGo利用“深度学习＋增强学习”的人工智能，打败了世界围棋冠军李世石。一场人工智能的新热潮，也由此变成了一种人人谈论的新话题和新景象。
被加速替代的人类
进入21世纪的第二个10年，机器学习的威力也逐渐发挥出来，在几个重要领域都取得了非常大的成果。首先是图像识别。从2010年开始，来自全世界研究机构和技术公司的人工智能高手，每年都会聚集在一起，参加一个由ImageNet项目组织的大规模视觉识别挑战赛－也就是一起比赛一下，谁的技术能够更好地通过图片或者视频来识别出物体。这个比赛从建立之初就成为图像识别的推动者。在最初，机器算法对物体进行识别的准确率只有71。8%，但到了2017年，这一比率就上升到了97。3%，而且从2015年开始，机器对图像的识别错误率就已经开始低于人类。也就是说，在图像识别方面，机器已经开始超过人的眼睛了。如今，图像识别已经应用到了各种各样的领域。举个最简单的例子，如今的各种美图软件都已经能够清晰地识别人的面部，并且有针对性地进行图片优化或者给人像配上各种各样的可爱表情。商业上的应用也开始不断出现。例如滴滴和优步都开始用面部识别来对司机进行验证，这种验证可以更好地保证司机身份的真实性。在共享出行大行其道之后，交通出行的安全就成为一个热点话题，许多司机犯罪案件使得这些公司承受了巨大的压力，利用图像识别，这些公司就可以更好地掌握司机的数据，也给出行安全加上了一道新的屏障。
在金融领域，图像识别的应用也已经非常普遍。例如，很多的银行或者小额信贷公司利用图像识别来验证用户的信息，对于这些金融机构来说，“刷脸”可以让他们掌握更多的用户信息，提高对风险的把控能力，而对于用户来说，图像识别则让生活更加方便：原来很多要跑到银行去拍照办理的业务，如今只要在家里就可以完成。2017年，苹果推出了新款手机iPhone X，这款手机取消了先前的指纹识别，取而代之的是人脸解锁功能－使用者只要盯住手机屏幕，就可以轻松打开手机界面。其次是自动驾驶汽车的发展。早在20世纪70年代，人工智能的先驱就开始研究能行走的机器人，我们在前面提到的Shaky就是其中的一个不那么成功的尝试——几十年前，无论是计算机的运算能力还是数据量以及算法，都无法支撑这样的一个野心。因此，关于机器人的梦想，我们最初只能在《变形金刚》这样的动画片里实现。不过，借助于机器学习等技术，这个梦想在进入21世纪后逐步变成现实。原斯坦福大学教授塞巴斯蒂安·特伦（Sebastian Thrun)在斯坦福大学期间率团队开发了Stanley机器人汽车。2005年，这个能在沙漠中自己行驶132英里（约212千米）的机器人，在DARPA(美国国防部高级研究计划局）机器车挑战赛中获胜，并赢得了200万美元的奖金。2009年，在特伦的领导下，谷歌启动了自动驾驶汽车项目，自动驾驶由此开始进入大发展时期。到2010年，谷歌自动驾驶汽车测试里程超过14万千米（约23万千米）。到2016年，谷歌测试车辆在美国4个城市的测试里程更是达到了200万英里（约322万千米）之巨，不仅如此，这些自动驾驶车辆还学会了鸣笛，并且可以分辨出骑车人和行人。
除了谷歌，其他的科技公司和传统的汽车厂商也开始进人到这一领域。在中国，百度的掌门人李彦宏为了推销自己公司研发的无人驾驶汽车，亲自在北京的道路上进行了试验。优步、特斯拉、宝马、福特等公司也陆续加入到自动驾驶的阵营之中。按照乐观的估计，大约在2030年之后，由人工智能操控的无人驾驶汽车将陆续批量投入到市场之中，届时，或许满街都将是没有驾驶员的自动驾驶汽车。深度学习也带动了语音识别的发展。如今，语音识别已经可以较为轻。松地将语音转换为文字，而且其错误率也一直在降低。苹果早在多年前就推出了可以和人对话的Siri，而今，几乎所有大公司的应用都支持语音输人。智能音箱已经进入了很多家庭，它既是一个玩具，也是一个简单的生活助手，同时也是最好的语音数据收集器。与此前相比，由机器学习尤其是深度学习所引发的这一波人工智能热潮，得到了风险投资和各大商业公司的共同追捧。业界的普遍共识是，尽管人工智能没有我们想象得那么好，但是它的确也在改变我们的生活，颠覆此前的商业模式。人工智能如此迅速地商业化，对普通人带来了严峻的挑战，就像几百年前的工业革命让机器取代了手工业者，如今的专家和有识之士也开始担心机器对人的替代：很显然，自动驾驶的崛起，必然会冲击司机的就业，而图像识别则有可能让很多保安或者高速公路收费员失去工作，语音识别及自然语言处理要消灭的则是速记员甚至还有翻译。
创新工场的李开复曾经不止一次说，人工智能的兴起将使得90%的现有工作被取代。许多人认为这是一种不可能发生的事情，但实际上这种情况已经在身边发生。在北京或者其他稍具规模的城市，停车场的收费员逐渐成为一个被消灭的岗位，越来越多的停车场变成无人车库：进出都是由机器扫描车牌，而收费则转移到线上完成。还有人认为，即便机器可以替代人类，那也只是替代其中的一些简单的重复性体力劳动，例如上文中的停车场收费员，他们的工作就属于这一性质。但这样的看法也有失偏颇。我们纵观智能的发展历史就知道，那些更需要智力，尤其是逻辑性推理的活动，实际上是机器更为拿手的活动。例如，在20世纪60年代人工智能概念提出的早期，人工智能最先攻破的是证明数学定理这样高深的活动，相反，倒是一些连三岁小孩都掌握的行为，例如推门关门等，机器人则要过很多年之后才能掌握。在当下，脑力劳动从业者也受到了严峻的冲击。一个典型的例子就是网络编辑。在过去的10年，网络编辑从无到有，他们的主要工作就是判断文章是否会受到读者的喜爱，并且根据这种判断决定哪些新闻放在头条。但时至今日，在诸多大型互联网资讯公司里，传统网络编辑所从事的工作被更多地交给了机器和算法。虽然2018年4月，有关部分下发指令，“为依法规范传播秩序，各互联网应用商店暂停今日头条、凤凰新闻、网易新闻和天天快报四款移动应用程序的下载服务”，但随着算法的快速发展，以及相关公司的规范化运营，机器和算法依然可能会大面积取代网络编辑的工作。由此可见，无论是体力劳动者还是脑力劳动者，都将面临新一轮人工智能大潮的洗礼，而如果我们将个人投资行为视为一种脑力劳动的话，显然，个人的投资也将受到人工智能的进一步冲击。而事实上，这也是如今正在上演的故事。
参考资料：
《麻省理工学院技术评论》
《一种深度置信网络的快速学习算法》
来源 | 趣观财经
版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。
