作者：周晓垣
出版社：台海出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
人工智能：开启颠覆性智能时代试读：
前 言
2017年7月，中华人民共和国国务院印发了《新一代人工智能发展规划》，对我国的人工智能发展作出了具体部署。这也标志着，人工智能已经上升到了国家战略的高度。
什么是人工智能？现实中有在家中“自由自在”活动的扫地机器人，“打遍天下无敌手”的AlphaGo；科幻电影中有如我们一般拥有喜怒哀乐的机器人，甚至还有与人类为敌的“天网”……这些都是人工智能的产物。
回想当初，蒸汽机带来了第一次工业革命，电和内燃机带来了第二次工业革命，原子能、电脑则带来了第三次工业革命。三次工业革命，让世界产生了翻天覆地的变化：机器生产取代了手工生产，汽车、轮船和飞机取代了马车，手机和网络让人们足不出户就能了解世界格局。昨天，我们还在感慨PC和智能手机对人们的生活的改变；今天，人工智能即将让整个社会再一次焕发新的生机。新的革命即将开始，新的时代即将来临。
如今，社会依旧存在着许许多多的问题。环境污染、贫富差距过大……这些问题随着几次工业革命的开展，也日渐威胁到了人类的生存和发展。几次工业革命，虽然解决了无数的问题，让生产效率以前人根本无法想象的速度而提高；而在提高的背后，却也有着无数的新问题不断产生。人工智能的诞生，为这些问题提供了新的解决方案。
机遇和挑战往往是并存的。人工智能能够代替人们生产，代替人们工作，甚至能代替人们进行设计和创作……人类，又该做些什么，才能不被机器人所取代，才能不像第一次工业革命时那样流离失所？
狄更斯说：“这是最好的时代，也是最坏的时代。”人工智能，带来的不仅是新的工业革命，更是一个新的时代。在这个时代，小到个人的生活方式，大到社会的经济文化，都要主动作出改革，主动去适应这个新的时代。无法适应的人、无法适应的企业、无法适应的国家和民族，都必将被时代所抛弃。
我们该如何面对这个崭新的时代？新的时代，必然会带来新的问题，而我们又该如何解决？
如果你也是在新时代的浪潮中迷失了方向的人，就请读一读这本书吧。相信这本书会让你找到前进的方向，让你更好地拥抱新时代的到来。第一章人工智能进化史2017年，AlphaGo的胜利震惊了世界。而人工智能的大规模商品化、产品化应用，更是让2017年成为人工智能的“元年”。但在这之前，人工智能已经经历了数十年的发展。第一节什么是人工智能
2016年，人工智能领域风起云涌：AlphaGo击败李世石，百度推出无人车，IBM、微软、Facebook都推出了人工智能平台。种种迹象都在向公众传达一个信息，人工智能时代确实到来了。
人们在不同的场合，开始频繁地谈到“人工智能”这个词语。然而，不同群体不同语境下，“人工智能”代表的意思也不同，我们很难用一个确切的概念，来定义什么是“人工智能”。一、人工智能是一门科学
人工智能（Artificial Intelligence），英文缩写为AI。对于人工智能的基础研究者来说，它是一门新的技术科学，是研究、开发用于模拟、延伸和扩展人的智能的应用系统。人工智能是计算机科学的一个分支，它试图了解智能的实质，并生产出一种智能机器，这种机器能以人类智能相似的方式作出反应。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能这门科学由不同的领域组成，而这也对研究者的个人素质提出了更高的要求。从事人工智能研究的科学家，不仅要了解计算机知识，更要了解心理学乃至哲学等与人类相关的知识。总而言之，人工智能研究的主要内容，就是使机器能够胜任一些通常需要人类智能才能完成的工作。
对于人工智能的具体定义，有许多位研究者都提出了自己的见解。美国斯坦福大学人工智能研究中心的尼尔逊教授是这样定义人工智能的：“人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的科学。”美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”“人工智能之父”马文·明斯基则认为：“人工智能就是研究‘让机器来完成那些如果由人来做则需要智能的事情’的科学。”
可以看到，虽然在一些细节上，研究者们有着不同的看法，但对于人工智能的基本思想和基本内容，大家的看法是一致的：人工智能是研究人类智能活动的规律、构造，具有一定智能的人工系统，研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。简单来说，人工智能作为一门科学，它就是一个自我感知和反应的人造系统。
不过对于人工智能的研究方向，学界有着两种反差较大的观点：一种倾向于强人工智能，即研制出和人类一样聪明，甚至比人类更聪明的机器，就像科幻电影和小说中的那样；另一种则主张研究弱人工智能，就是研制出来的机器人没有人聪明，让机器向人类进行学习。目前，弱人工智能是学界研究的主要方向。二、人工智能是一个时代
科学家们提出并定义了人工智能，但在仔细品读后，我们发现，他们所提出的“人工智能”似乎和我们印象中的人工智能有着一些差别。究其原因，还是在于科学家将目光着眼于技术层面，而我们所关心的，则是人工智能所带来的新时代和新趋势。
人工智能诞生于二十世纪四十年代，在其发展过程中，经历了兴盛和沉迷的高峰和低谷。2017年被称为人工智能元年，是人工智能发展史上的又一个高峰，人工智能因此进入了一个全新的时代。
在新的人工智能时代，人工智能是一场改变人类社会的新技术革命。这场革命已经上升到国家战略层面，无论是发达国家还是发展中国家，都对人工智能充满了憧憬与渴望。人们坚信，作为互联网诞生以来第二次技术社会形态在全球的萌芽，人工智能将为人们带来一个全新的世界。
为了抢先拥抱这个全新的世界，敏锐的各国政府纷纷将人工智能调整为未来的战略主导，并出台相关发展规划，从国家层面整体推进人工智能的发展，迎接一个全新的人工智能社会的到来。这次的新技术革命不仅仅限于实验室研究，而是将人工智能产品化和服务化，通过学术研究和商业化的同时推进，让公众真实感受到人工智能的存在。目前，图像识别、语音识别、自然语言处理等基于深度学习算法应用的领域正在迅速产业化。
在新时代中，企业永远是行动最快的，因为谁能抓住机会，谁就能够实现发展。在过去几年中，科技巨头们纷纷成立人工智能实验室，投入资源抢占人工智能市场，甚至整体转型为由人工智能技术驱动的公司，紧锣密鼓地筹谋人工智能的未来。
比如扎克伯格当前的人工智能项目，就打造了一个智能家庭自动化助手。就像电影《钢铁侠》中的“管家”Jarvis，这个智能助手可以帮助扎克伯格打理他的生活和工作。扎克伯格曾通过Facebook描述了这个项目的情况：“我打算从研究已经出现的相关技术开始。然后，我就开始教它理解我的声音，以控制我家里的一切——音乐、电灯、温度等等。我还将教它识别好友面部，以便好友在按门铃的时候，它就能够放好友进来。我还要教它让我知道——当我不在女儿麦克斯身边时，我是否需要通过一些手段对她房间的一切情况进行检查。从工作的角度来看，人工智能能够帮助我设想虚拟现实中的数据，从而进一步帮助我打造更好的服务，并帮助我更加有效地引领我的组织。”此外，扎克伯格已经着手将人工智能引入我们的生活，例如聊天机器人Chatbots，就能够帮助用户通过智能助手来获取新闻或订购鲜花。
以人工智能为基础的文化的发展，更是比技术发展的速度还要快。在AlphaGo打败李世石和柯洁之前，很多人就已经通过电影等作品，对人工智能产生了初步了解。几十年来，《人工智能》《黑客帝国》《她》《超能陆战队》等一系列电影，描述了人类对人工智能的憧憬与恐惧。
腾讯研究院曾在2017年做了一项调查，了解公众对人工智能的理解情况。他们通过腾讯问卷平台对不同群体投放了问卷，最终收到了各界人士近3000份的回复。针对问卷中“提到人工智能你首先想到什么”这个问题，超过一半的受访者提到了“AlphaGo”“机器人”，此外还有“自动驾驶”“大数据”“终结者”等词语热度较高。在公众眼中，“人工智能”好像是解决所有难题的万能钥匙，也是造成大规模失业的定时炸弹。
2017年12月3日的第四届世界互联网大会上，在库克、马云等几位大佬的发言中，“人工智能”一词都频繁出现。而且，他们的观点都十分一致，总结语都表达了同样的意思：人工智能只能推动社会的发展，它只能为人类服务，只能让我们的生活越来越美好！
到底谁的观点才是最正确的？谁才能真正定义人工智能？目前，我们无法知晓。也许，只有时间才能给出最终的答案。第二节人工智能发展史
人工智能经历了漫长的发展历程，从诞生到现在已经历经了半个多世纪。随着诸多关键技术的成熟和发展，它终于从最初的研发阶段走到如今的巅峰期。人工智能在发展过程中，经历过黄金时代也曾遭遇过低谷——就像蒸汽机、电气、内燃机、原子能等曾经为人类带来新时代的技术那样。一、麦肯锡首次提出“人工智能”概念
人工智能的起源，可以追溯到20世纪40年代。当时以维纳、罗素等为代表发展起来的数理逻辑，和以丘奇、图灵等人为先驱提出的计算思维，促进了智能计算方法的萌生。
1950年，许多科学家开始将目光投到围绕人工智能的讨论上来。数学家、哲学家诺伯特·维纳被称为早期人工智能理论的奠基人，他认为所有的智能行为都是反馈控制的结果，最简单的反馈控制的例子就是自动调温器，它能将收集到的房间温度与希望的温度比较，并作出反应将加热器开大或关小，从而控制环境温度。诺伯特·维纳从理论上证明，人类的所有逻辑思维活动都是反馈控制的结果，而反馈控制可以用计算机模拟。
诺伯特·维纳关于人工智能的想法，几乎适用于所有人类活动。后来，计算机科学家艾伦·纽维尔和赫伯特·西蒙一起设计了首个人工智能程序“逻辑理论家”，其灵感来源就是诺伯特·维纳的反馈控制论。
1956年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会，这次会议被认为是人工智能诞生的标志。
在研讨会上，麦卡锡首次提出“人工智能”概念，艾伦·纽维尔和赫伯特·西蒙展示了他们编写的“逻辑理论家”，马文·明斯基则提出了他对智能机器的看法：智能机器能够创建周围环境的抽象模型，如果遇到问题，能够从抽象模型中寻找解决方法。马文·明斯基的这个定义，影响了以后30年智能机器人的研究方向。
在达特茅斯的项目取得成功之后，人工智能的问题引起了社会的关注。为了破译“人工智能”的密码，麻省理工学院、哈佛大学等名校都成立了研究中心，一些优秀的程序员和设计师纷纷参与其中，开始进行相关的研究。
在此后的十多年时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。很多研究学者因此看到了机器向人工智能发展的信心。当时甚至有学者认为：“二十年内，机器将能完成人能做到的一切。”二、智能机器人的出现
1958年，美国科学家约瑟夫·英格伯格成立了世界上第一家机器人制造厂——Unimation公司。1959年，约瑟夫·英格伯格和乔治·德沃尔联手制造出世界上第一台工业机器人。在技术还不够强大的时代，第一代机器人可谓是名副其实的“机器”，它们通过计算机的控制，反复重复人类教授的动作，不能对外界环境产生任何感知。
1965年，约翰·霍普金斯大学应用物理实验室研制出Beast机器人。在声呐系统、光电管等装置的控制下，Beast能根据环境校正自己的位置。在这之后，科学家们又开始研究“有感觉”的机器人，这意味着人工智能的研发又向前迈进了一步。
1966年，美国麻省理工学院的魏泽鲍姆发布了世界上第一个聊天机器人ELIZA。ELIZA能通过脚本理解简单的自然语言，并能产生类似人类的互动。
1966年到1972年间，美国斯坦福国际研究所研制出机器人Shakey，它是首台采用人工智能的移动机器人，带有视觉传感器，能根据人的指令发现并抓取积木。虽然控制它的计算机足足装满了一个房间，但这在当时已经是一个足够优秀的、能够感知并理解外部信息而作出简单回应的机器人了。三、人工智能的低谷
进入20世纪70年代以后，人工智能开始了一段艰难岁月。因为在研究过程中，科研人员对项目难度预估不足，导致了和美国国防高级研究计划署的合作计划以失败告终。人们觉得人工智能的前景一片灰暗，社会舆论的压力也随之而来，很多研究经费被转移到了其他项目上。
特别是在1969年，“人工智能之父”马文·明斯基和西摩尔·帕普特在一部著作中描述了简单神经网络的局限性后，投资神经网络的资金便开始逐步减少。他们在1988年的扩充版中也说：“我们认为研究已经停滞，因为基本理论缺失……20世纪60年代对感知器进行了大量实验，但没有人能弄清它的工作原理。”而1973年，詹姆斯·莱特希尔在给英国科学研究委员会所作的报告中更是称：“迄今为止，人工智能的研究没有带来任何重要影响。”这直接导致英国政府大幅度削减了对AI研究的资金支持。
虽然在这一阶段，日本早稻田大学和美国斯坦福大学都制造出了一些对后来具有启发意义的人工智能机器，但整体来说，20世纪70年代的人工智能研究已经处于衰退状态。1984年，在年度AAAI会议上，罗杰·单克和马文·明斯基警告“AI之冬”即将到来。预测AI泡沫的破灭，投资资金也将如70年代中期那样减少。
当时人工智能研究面临的技术难题主要有三个方面：一是计算机性能不足，在人工智能领域，很多程序无法得到使用；二是早期人工智能程序主要是解决特定的问题，一旦问题上升维度，程序就不堪重负了；三是数据量严重缺失，这就导致了机器无法读取足够量的数据进行智能化。四、人工智能的再次崛起
20世纪90年代，人工智能的话题又被人们重新提起。随着技术的发展终于达到了人们的要求，人们开始开发机器学习和算法，这些算法可以在非常基础的水平上进行自学。研究人员和科技巨头突破界限开始联手研发，人工智能再次成为人们关注的焦点。
1995年，理查德·华莱士研发出聊天机器人Alice，在其中加入了自然语言，并抽取了数千个数据点，创造出了类似人工智能的机器。Alice表现出简单的初期生命特征，模型看起来特别精美。
两年后，计算机“深蓝”在比赛中击败了国际象棋冠军加里·卡斯帕罗夫。这在人工智能发展史上，具有划时代的意义。
2000年，本田制造了“ASIMO（阿西莫）”机器人，它拥有基本的智能水平，能表现出和人类相似的某些功能，它是最早出现的模仿人类互动的技术之一。
2005年，美国国防部高级研究计划局发起了一项全球性挑战，创造出一种可以在沙漠中行驶200多公里的自动机器人。这为人工智能的研究打了一针强心剂，越来越多的人开始对人工智能相关的技术感兴趣。
此后，越来越多的IT（信息技术）巨头也开始加入人工智能的战局之中，其中最著名的当属谷歌研究的无人驾驶汽车和AlphaGo了。目前，已经有许多人工智能产品投入到实际生产应用中。第三节深度学习和大数据——让人工智能更“智能”一、深度学习
深度学习是实现机器学习的一种方法，深度学习的概念源于人工神经网络的研究。
机器学习是一种实现人工智能的方法，机器学习最基本的做法，就是使用算法来解析数据、从中学习，然后对现实世界中的事件作出决策和预测。机器学习与传统的为解决特定任务而编写的软件程序不同，机器学习是利用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
比如，1959年美国的塞缪尔设计了一个下棋程序，这个程序具有学习能力，它能在不断的对弈中提高自己的棋艺。四年后，这个程序的棋艺战胜了设计者塞缪尔。又过了三年，这个程序战胜了美国一个保持了八年连胜不败的冠军。这个程序就向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
机器学习来源于早期的人工智能领域，传统算法包括决策树学习、推导逻辑规划、聚类、强化学习以及人工神经网络等等。
在早期机器学习中，人工神经网络是一个重要的算法。人工神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。在我们大脑中，一个神经元可以连接一定距离内的任意神经元。与此不同的是，人工神经网络具有离散的层、连接和数据传播的方向。比如，我们可以把一幅图像切分成图像块，输入神经网络的第一层。第一层的每一个神经元都把数据传递到第二层，第二层的神经元完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
其实，人工神经网络在人工智能出现的早期就已经存在了。但是在那时，神经网络对人工智能几乎没有什么贡献。主要问题是，即使是最基本的神经网络，也需要大量的运算，但是神经网络算法的运算需求难以得到满足。
后来，在以多伦多大学的杰弗里·欣顿（Geoffrey Hinton）为代表的研究团的努力下，实现了以超算为目标的并行算法的运行与概念证明。不过直到GPU（Graphics Processing Unit，图形处理器）得到广泛应用以后，这些努力才见到成效。
我们可以把深度学习理解为，它是多层结构的人工神经网络，这里的“深度”就是说神经网络中众多的层。
尼古拉斯·帕拉吉奥斯（Nicholas Paragios）在文章《计算机视觉研究：大萧条》中曾写道：在高度复杂以及很大程度由图片的自由度决定的问题上，深度学习一旦被赋予大量被标记的数据以及不可想象的计算能力，就能解决所有的计算机视觉问题。如果是这样的话，那么深度学习占领业界，计算机视觉研究成为边缘学科并走上计算机图形的老路（学术研究的活跃度和数量）将只是时间问题。
在人工智能迅速发展的今天，深度学习不仅是具备多层架构的感知器，而是一系列能够用来构建可组合可微分的体系结构的技术和方法。深度学习使机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般实现了各种任务，使得所有的机器辅助功能好像都变为可能。无人驾驶汽车、预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。二、大数据“大数据”是一个体量特别大、数据类别特别大的数据集，并且这样的数据集，无法用传统数据库工具对其内容进行抓取、管理和处理。大数据科学家约翰·劳萨（John Rauser）对大数据进行了简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。
大数据具有4个基本特征：一是数据体量巨大。百度资料表明，其新首页导航每天需要提供的数据超过1.5PB（1PB=1024TB）。如果将这些数据打印出来，将要用5000多亿张A4纸。有资料证实，到目前为止，人类生产的所有印刷材料的数据量仅为200PB。二是数据类型多样。现在的数据类型除了文本形式，更多的是图片、视频、音频等多类型的数据。三是处理速度快。数据处理遵循“1秒定律”，可从各种类型的数据中快速获得高价值的信息。四是价值密度低。比如一小时的视频，在不间断的监控过程中，可能有用的数据仅仅只有一两秒。
大数据重要的不是数据本身，而是数据分析。有大量的数据固然好，但是如果没有分析，就不能体现数据的价值。只有通过分析才能获取有价值的信息。越来越多的应用涉及大数据，而大数据的数量、速度、多样性等属性，都呈现了大数据不断增长的复杂性。所以，在大数据领域，大数据的分析方法显得尤为重要，可是说它是决定最终信息是否有价值的决定性因素。
大数据分析的方法主要有5个：一是可视化分析。无论是大数据专家还是大数据普通用户，他们对于大数据分析最基本的要求就是可视化分析。因为可视化分析能够直观地呈现大数据特点，就如同看图说话一样简单明了。二是数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式，才能科学地呈现出数据的特点。也正是因为这些被统计学家所公认的各种统计方法，才能深入数据内部挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法，才能更快速地处理大数据。三是预测性分析。预测性分析是大数据分析最重要的应用领域之一，从大数据中挖掘出特点，通过科学地建立模型，然后便可以通过模型带入新的数据，从而预测未来的数据。四是语义引擎。非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统地去分析、提炼数据。语义引擎需要设计到有足够的人工智能，才足以从数据中主动地提取信息。五是数据质量和数据管理。大数据分析离不开数据质量和数据管理，无论是在学术研究还是在商业应用领域，高质量的数据和有效的数据管理，都能够保证分析结果的真实性和价值性。三、基于大数据的深度学习
人工智能时代，深度学习和大数据可谓相辅相成密不可分。深度学习可以从大数据中挖掘出有价值的数据、知识或规律。可以说，只要有足够的数据作为深度学习的输入，计算机就能学会之前只有人类才能理解的概念或知识，然后再将这些概念或知识应用到新数据上。
基于大数据的深度学习，在现实生活中发挥着巨大的作用。比如计算机可以通过预先学习海量的人脸图片，掌握认识和分辨人脸的基本规律。然后，计算机可以记住全国所有通缉犯的长相，而在现实生活中，没有一个警察可以做到这一点。这样一来，只要通缉犯在公共场合一露面，计算机就可以通过监控摄像头采集的图像将通缉犯辨认出来。大数据和深度学习一起，可以完成之前也许需要数万名警察才能完成的任务。
任何拥有大数据的领域，深度学习几乎都可以一展身手，做出高质量的人工智能应用。任何有大数据的领域，都有创业的机会。比如金融行业有大量客户的交易数据，基于这些数据的深度学习模型可以让金融行业更好地对客户进行风险防控，或针对特定客户进行精准营销；电子商务企业有大量商家的产品数据和客户的交易数据，基于这些数据的人工智能系统可以让商家更好地预测销售情况，并提前做好准备；教育机构拥有海量的课程设计、课程教学数据，针对这些数据训练出来的人工智能模型可以更好地帮助老师发现教学中的不足……
不过，大数据和人工智能的结合也有一定的潜在威胁性，会影响信息流通和社会公平。在2016年的美国总统大选中，有一家基于人工智能技术的公司Cambridge Analytica推出了一项广告宣传活动，就用一整套分析和引导舆论的软件系统来影响选情。软件针对个人选民的不同心理推送不同的广告。这种影响人们情绪的活动，就是基于高复杂度、高精确度的大数据和机器学习。根据不同的人对选举声明不同的接受程度，该公司向其投放不同的消息，比如偏执的人会接收到令人恐惧的广告，保守的人则会接收到传统消息。而大数据的来源，就是选民在社交网络上的行为和消费习惯，他们在互联网上留下的足迹将会形成他们的行为和心理特征。美国科学家乔纳森·奥尔布赖说：“这简直就是台宣传机器。它一个个地拉拢公众，使他们拥护某个立场。如此程度的社会工程，我还是头一次见……”
另外，在大数据发挥作用的同时，大数据的应用必然会带来个人隐私保护方面的挑战。为了给你推送精准的广告信息，就要收集你的购买习惯、个人喜好等数据，这些数据中往往包含了许多个人隐私；为了获得以人类基因为基础的医疗大数据来改进疾病的诊疗，就要通过某种渠道收集基因样本，而这些数据如果管理出现问题，就可能为提供基因样本的个人带来风险；为了建立智能城市，就要监控和收集每个人、每辆车的出行信息，而这些信息一旦泄露，说不定就会成为案犯最好的情报来源……
有效合法地利用大数据，是人工智能时代的基本要求，这样既能保证大规模信息的正常流动、存储和处理，又能避免个人隐私被滥用或被泄露。第四节让人工智能理解你——语音识别一、语音识别发展史
每一个研究人工智能的人，都希望人工智能能够直接听懂自己所说的每一句话，而不必再通过鼠标键盘才能与人工智能交流。而这，就需要语音识别技术的帮助了。
关于自动语音识别的设想，在计算机发明之前就被提上了议事日程。早期的声码器可以被看作是语音识别的雏形。
1920年生产的“Radio Rex”玩具狗，应该算是最早的语音识别器。当人们叫这只玩具狗名字的时候，它能会从底座上弹出来。基于电子计算机的语音识别系统，最早是由AT&T贝尔实验室开发的Audrey语音识别系统，它能够识别10个英文数字。Audrey语音识别系统，是跟踪语音中的共振峰进行识别。该系统的识别达到98%的正确率。
20世纪50年代末，伦敦学院的Denes语音识别系统中，已经加入了语法概率。
20世纪80年代，实验室语音识别研究取得了巨大的突破。卡耐基梅隆大学的Sphinx系统，它是第一个高性能的非特定人、大词汇量连续语音识别系统。大词汇量、连续语音和非特定人这三个因素，一直是语音识别最大的障碍，Sphinx系统第一次把这三个特性都集成在一个系统中。
在这一时期，语音识别研究得到了进一步的发展。这段时期语音识别系统最显著的特征，就是成功运用了HMM模型（Hidden Markov Model，隐马尔可夫模型）和人工神经元网络。HMM模型的广泛应用，应该归功于AT&T贝尔实验室拉比纳（Rabiner）等科学家的努力，他们把晦涩的HMM纯数学模型工程化，被更多的研究者了解和认识，从而使统计方法成为语音识别技术的主流。
20世纪90年代前期，许多著名的大公司都不惜斥巨资对语音识别系统的实用化进行研究。语音识别的准确率，是语音识别技术的评估机制。20世纪90年代，在实验室研究中，这项评估指标得到了不断提高。比较有代表性的系统有：IBM公司推出的ViaVoice和DragonSystem公司的NaturallySpeaking，Nuance公司的NuanceVoice Platform语音平台等。二、语音识别是人机交互的入口
在PC时代，人们通过键盘和鼠标，和机器进行交流。人要想和机器交流，就需要学会打字和按键操作。进入移动互联网时代，人们通过触摸屏幕和智能手机进行交流，手指轻轻一滑，就可以完成任务需求。在未来智能时代，机器可能会像我们人类的一员，人和机器的交互，更趋同人与人之间的交互。而机器要做到像“人”一样和我们交流，它就必须具有语音识别技术。所以，语音识别将是未来人机交互的入口，如果没有这个入口，我们就会觉得这台机器不够智能。
语音识别技术的研究，对人工智能的发展产生了重大的意义。比如，AlaphaGo最初使用的深度学习技术就是先在语音识别领域取得成功之后，才在图像识别和其他领域取得成功；语音识别中的关键模型——HMM模型也对后来机器学习的很多分支提供了很大帮助。三、语音识别的应用
提到语音识别的应用，人们最容易想起苹果“不会讲笑话”的Siri。像Siri这类智能语音助手，是科技巨头们竞相争夺的领域。Google有Assistant，亚马逊有Alexa，微软有Cortana，Facebook有Jarvis，在它们当中，已经与应用场景深度结合的智能语音识别系统，当属亚马逊配备智能助理Alexa的Echo音响。
亚马逊Echo有一项比较突出的优势，就是远场语音识别。远场语音识别就是指解决远距离语音识别的问题，以保证真实场景下的语音识别率。如今，像Siri这样的大多数的语音识别都是近场识别，远场识别的错误率是近场识别错误率的两倍左右，所以在很多情况下，语音识别系统还不能满足人们的需求。
亚马逊Echo解决远场语音识别问题，采用了麦克风阵列的方法。麦克风阵列是由一组按一定几何结构摆放的麦克风组成的，在采集不同空间方向的声音信号时，进行空时处理，实现噪声抑制、混响去除、人声干扰抑制、声源测向、声源跟踪等功能。在提高了语音信号处理质量的情况下，提高了真实环境下的语音识别率。
亚马逊的麦克风阵列，是由七个麦克风和一个音频信号过滤系统构成的。七个麦克风组成的列阵能让Echo捕捉到环境中的细微声音，音频信号过滤系统过滤掉环境噪音，从而辨别出人声。因为有了这套系统装置，用户可以在家里的任何位置发出命令唤醒Echo，甚至在5米之外，用户也可以唤醒Echo 。
除了智能家居领域外，未来语音智能识别技术，在很多应用场景都有很好的机会。比如在智能车载场景中，用语音代替手势来控制汽车中的GPS 导航、信息收发、电话接打、社交网络更新等功能。智能语音识别的应用，将可避免司机过度分散注意力，从而保证行车安全。在教育领域，语音识别辅助英语教学和中英文同声翻译，我们只需要对着智能手机，说出我们要翻译的句子，就可以得到中英文双重语音播读结果和可视的文本结果。四、语音识别发展的瓶颈
和5年前比起来，今天的语音识别技术，虽然准确率已经提高了20%以上，但仍然有一些亟待解决的技术难题：一是噪音环境下的语音识别。在安静环境、近距离麦克风的应用场景下，语音识别的识别率已越过了实用的门槛。但是在噪音环境，尤其是有人声干扰的情况下，识别率并不是很高。二是方言问题。在中文语音识别中，各地方言问题一直是中文语音识别中的特色难题，因为各地方言差异比较大，并且很多方言使用群体数量偏小，能够提供给机器学习的数据量过少，这将导致机器很难通过人工智能来识别这些方言。三是理解难题。理解人们话语的意义，与判断一个人语音中的细微差别，是截然不同的两件事情。比如当我们说中文“好”的时候，计算机就很难辨别出我们表达的语气是肯定的“好”，还是疑问的“好”。五、语音识别技术的趋势
人工智能科学家和研究者，为了解决语音识别发展中的难题，他们尝试用各种技术手段来攻克这些难题。一是迁移学习。这一方式就是把在A领域已经建立好的模型或者经验，迁移到B领域，这个方法适用于解决方言问题，可以让机器把从学习普通话中得到的知识迁移到学习方言过程中，实现比较准确的语音识别。二是快速自适应方法。这是指机器快速的、不需要人工干预的自适应方法。就好像第一次和方言口音很重的人说话，我们可能听不懂，但他们说两三句话后，我们就可以听懂了，这是一种快速并且能够保证良好性能的机器学习方法。三是预测学习法。就是指在下面的内容还没有产生之前，机器可以通过预测的方法把内容补充完整。比如有时与人沟通的时候，我们会预测对方下一句会说什么内容。科学研究者可以把这些现象建在机器学习的模型中，从而提高语音识别的性能。第五节展望未来，人工智能会如何成长《失控》的作者凯文·凯利，对人工智能的发展曾作出一系列大胆预测。在他看来，未来10年到20年，给世界带来颠覆性变化的就是人工智能。生活中的一切都将变得智能化。
在一篇写给大学毕业生的寄语中，比尔·盖茨把当今时代称为“一个非常好的时代”。比尔·盖茨庆幸自己有机会参与到那场改变世界的数字革命的同时，他还直言：在今天，如果寻找和当年那场数字革命一样能够对世界带来巨大影响的机会，我第一个考虑的就是人工智能。正如比尔·盖茨说的那样，人工智能是继数字革命后，又一个能改变世界的机会。
与此同时，关于人工智能，另外一种声音也在蔓延：来自未知的力量也让人们有些无所适从，担忧、不安甚至惶恐的情绪，也让人们深受困扰。人们不知道人工智能究竟像潘多拉的盒子那样装满了灾难，还是像一部电梯，带着人们通向更高级的人类文明。但是可以确定的是，盒子已经打开，电梯的按钮也已经按下，没有人能让人工智能的发展停下来。
当然，如今人工智能的发展趋势也并不是无迹可寻。在很多科学家和研究者看来，人工智能在接下来的几年中，将呈现出如下四个主要发展趋势：一、人工智能技术被大规模地商业化和产品化
在智能手机方面，华为作为中国通信巨头，已经发布了自主研发的人工智能芯片，并且将这些人工智能芯片应用在旗下智能手机产品中。苹果公司推出的iPhone X，脸部识别等功能也采用了人工智能技术。三星最新发布的语音助手Bixby，在软件层面对语音助手进行了升级，改变了语音系统长期停留于“你问我答”的模式。基于智能手机的人工智能，已经与人们的生活越来越密切。
在人形机器人市场，从2015年6月开始，日本软银公司开始把研发的人形情感机器人Pepper面向普通消费者发售，1000台机器人很快就被抢购一空。国内创业者也因为人工智能机器人背后隐藏着的巨大商业机会，而陷入了同样的狂热中，目前国内人工智能机器人团队已经超过100家。图灵机器人CEO俞志晨预言：“人们将会像挑选智能手机一样挑选机器人。”
在科学家和学者看来，售价并不是人工智能机器人难以打开消费市场的关键，因为随着产业和技术日趋成熟，成本下降是必然趋势。与此同时，市场竞争因素也将进一步拉低人工智能机器人产品的售价。人工智能机器人打开市场的关键，是吸引更多开发者，丰富产品功能和使用场景。人工智能机器人正在引起商业巨头的兴趣，这对人工智能机器人的发展，是一个很大促进。
在商业领域，人工智能机器人也进入了快速发展期。零售巨头沃尔玛已经开始与机器人公司Five Elements合作，将购物车升级为具备导购和自动跟随功能的机器人。中国的零售企业苏宁也与一家机器人公司合作，门店的接待和导购也升级为机器人。餐饮巨头肯德基也曾与百度合作，在餐厅引入机器人来实现智能点餐。软银集团也引入了情感机器人Pepper，软银集团负责人称：人工智能机器人在商业服务领域的全面应用，正为人工智能的大规模商用打开一条新的出路。在很多人看来，人工智能机器人在商场等公共场合的应用，会比在私人领域的应用来得更早一些。二、人工智能的认知能力将达到人类专家顾问级别
依赖于机器的深度学习能力的提升和大数据的积累，“认知专家顾问”在高德纳（Gartner，全球极具权威的IT研究与顾问咨询公司）的报告中被列为未来2-5年被主流采用的新兴技术。
其实，在金融投资领域，人类专家顾问已经有被人工智能取代的趋势。在美国，从事智能投顾的不仅仅是Betterment、Wealthfront这样的科技公司，老牌金融机构也意识到人工智能对行业带来的影响。高盛和贝莱德分别收购了Honest Dollar与FutureAdvisor，苏格兰皇家银行也曾宣布，用智能投顾取代500名传统理财师的工作。
目前，国内一家创业团队正将人工智能技术介入保险业。他们对保险产品数据库进行分析，搭建知识图谱、收集保险语料，为人工智能问答系统做数据储备。最终，把用户和保险产品连接起来。这对目前的中国保险市场而言，显然是个颠覆性的消息，因为它很可能造成大规模的销售人员失业。
关于人工智能的学习能力，凯文·凯利曾说：“使用人工智能的人越多，它就越聪明。人工智能越聪明，使用它的人就越多。”就像人类专家顾问的水平，很大程度上取决于自身的经验一样，人工智能的经验就是数据以及处理数据的经历。使用人工智能专家顾问的人越来越多，人工智能的认知能力将得到进一步提高，在未来2-5年，人工智能有望达到人类专家顾问的水平。三、人工智能实用主义倾向明显
人工智能机器人尤金首次通过图灵测试，AlphaGo接连战胜了我们人类的围棋冠军，这些史无前例的事件，让我们感觉到，人工智能已经发展到了一个很高的水平。
其实，我们谈到人工智能的时候，更关注的问题应该是：“它究竟能够用在什么地方？”“它能给人类解决哪些问题？”在人工智能技术的应用方面，国内的互联网企业，好像更加注重实用主义的发展。比如百度，它几乎把人工智能技术应用到旗下所有产品的服务中，还有阿里巴巴，也致力于将技术推向“实用化”。
凯文·凯利此前曾经作过预判：“未来我们可能会向亚马逊或是中国的公司购买智能服务。”人工智能与不同产业的结合，这让人工智能逐渐发展成为一种可以购买的商品。美籍华人吴恩达博士，他是人工智能和机器学习领域国际上最权威的学者之一，他曾把人工智能比作未来的电能。在将来，人工智能将像电一样，被我们买回家中，为我们做饭、洗衣服。在未来，我们可以用购买的人工智能来打造一个智能的家居系统。
不同产业对人工智能技术的应用，也加剧了人工智能的实用主义倾向。比如特斯拉公司就是通过人工智能技术来提升自动驾驶技术，再比如用人工智能技术为用户规划出行路线的地图导航软件。
越来越多的医疗机构用人工智能诊断疾病，更多的汽车制造公司开始利用人工智能技术研发无人驾驶汽车，也有越来越多普通人在投资、保险等决策的时候，开始使用人工智能。这一切都意味着，人工智能将进入真正的实用阶段。四、人工智能技术将改变全球经济生态
一方面，人工智能的发展在如火如荼地进行着，另一方面，关于人工智能对人类的威胁论，也从来没有停止过。包括比尔·盖茨、埃隆·马斯克、斯蒂芬·霍金等人，都曾对人工智能发展作出警告。从目前来看，尽管人工智能对人类造成威胁的担忧好像为时过早，但是，在有些行业，人工智能正在抢劳动者的饭碗，这是不争的事实。
马云在一场大数据峰会上说：“如果我们继续以前的教学方法，我可以保证，三十年后我们的孩子们将找不到工作。”刘强东则信誓旦旦地表示：“五年后，给你送货的都将是机器人。”
硅谷一家新兴的机器人保安公司，已经和包括中国在内的16个国家签约使用其公司生产的K5监控机器人。每小时租金约为7美元的K5，将主要用于商场、停车场等公共场所，可以自动巡逻并能够识别人脸和车牌。这意味着人工智能机器人，将抢走原本属于人类保安的酬劳。
在未来，人工智能导致的大规模失业，将率先从劳动密集型产业开始。如制造业，在主要依赖劳动力的阶段，其商业模式本质上是赚取劳动力的剩余价值。所以当技术成本低于雇佣劳动力的成本时，劳动力就会被无情淘汰，制造企业的商业模式也将随之发生改变。
再比如物流行业，目前很多企业已经实现了无人仓库管理和机器人自动分拣货物。在不久的未来，无人配送车、无人机也很有可能取代一部分物流配送人员的工作。
目前的中国，正处于从劳动密集型产业向技术密集型产业过渡阶段，我们无法避免地要受到人工智能技术的冲击。相对来说，经济相对落后的东南亚国家和地区，受人工智能技术冲击要小一些。
世界经济论坛2016年的调研数据预测：2020年，机器人与人工智能的崛起，将导致全球15个主要的工业化国家510万个就业岗位的流失。
人工智能终将改变世界，而由其导致的大规模失业和全球经济结构的调整，显然也属于改变世界的一部分。第二章AI挑战人类，谁会赢AlphaGo给人们带来的，不仅是“人工智能可以战胜人类”的事实，还有它无限大的潜能。到底人工智能能做到什么？电影《终结者》中试图毁灭人类的“天网”，真的会诞生吗？第一节人类冠军对阵人工智能
从前，人们认为：AI的能力根本就下不了棋，棋类游戏将永远是人类的天下。但随着一个又一个世界冠军被打败，人们开始惊叹：AI竟然如此神通广大。人们不禁担忧：AI还能做到什么？再这么发展下去，人类会不会被取代？
俄罗斯国际象棋世界冠军弗拉基米尔·克拉姆尼就曾这样说：“相信我，败给电脑的痛苦感觉，相当于败给同行的两倍。”对于曾经为自己的棋艺而骄傲的棋手来说，被一台电脑所超越的挫败，远胜于被人类对手击败。
然而，很多人更认同谷歌董事长施密特曾说过的一句话：“输赢都是人类的胜利！因为正是人类的努力才让人工智能有了现在的突破。”一、计算机战胜人类象棋之王
机器和人类下棋的故事，可以追溯到1949年的纽约。那时计算机问世还不到4年。计算机技术的先驱者阿瑟·塞缪尔（Arthur Samuel），在IBM第一批商用计算机IBM701上，编写出世界上第一款走国际跳棋的程序。
当时这款智能程序下棋水平并不怎样高明，但是它一经公布，IBM的股票一夜之间就暴涨了15个点。这个程序被认为能够“学习”，人们因此首次接触了“人工智能”的概念。
从那以后，塞缪尔带领着很多优秀的程序员来改进程序，经过不断的努力，这款程序终于在1962年击败了人类玩家。当时新闻记者们刊出的头条大标题是“机器在下跳棋上已经超越了人类”。1994年8月，加拿大乔纳森·谢弗（Jonathan Schaeffer）教授率团队编写的跳棋程序“Chinook”，真正战胜了人类职业棋手。
相比塞缪尔仅提出的冲击性概念，Chinook挑战职业棋手的道路则给人们带来了实实在在的刺激。1990年8月，Chinook的第一个版本赢得了美国全国锦标赛的资格。没多久，Chinook又获得了世界第二的好成绩。
不过，在1992年，Chinook第一次挑战冠军以失败告终。因为Chinook的对手，是人称“恐怖选手”的数学家马里昂·廷斯利（Marion Tinsley），他在40年职业生涯中只有9负。廷斯利战胜了Chinook，意味着人类赢了机器。在比赛过程中，Chinook出现了失误，而廷斯利倒是表现得更像保守的程序。这似乎印证了廷斯利赛前自豪的宣言：“Chinook是由人的手编写，我却由上帝之手编写。”
然而，第二年美国和英国的国际跳棋协会，迫于舆论伦理的压力，决定不批准Chinook再参加比赛。但廷斯利却决意还要和机器一决胜负，在计算机协会的组织下，他以个人身份再次接受Chinook的挑战。
谢弗教授团队也铆足了劲，升级Chinook的硬件并进行更多的输入训练。在后来的比赛中，Chinook和廷斯利的比赛以平局告终，这似乎没有造成什么波澜。但廷斯利教授安度晚年离世后，紧接着Chinook保持了类似廷斯利的不败战绩。
从1962到1994年，在短短30多年的时间里，让一个程序成长为职业跳棋高手的高级武器就是摩尔定律。摩尔定律是戈登·摩尔提出来的：当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。也就是说，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。摩尔定律揭示了信息技术进步的速度。
在塞缪尔诞生的年代，连微型计算机都尚未发明，但到了1994年，第四代计算机已经相对普及。更快更多的运算硬件，允许更先进的编程算法。
所以，在Chinook称霸跳棋后，其他棋类程序也不甘落后。比如，迈克尔·布罗（Michael Buro）编写的黑白棋程序Logistello，在1997年以6∶0击败了人类世界冠军村上健。
1997年，许峰雄和合作伙伴开发的“深蓝”，战胜了国际象棋冠军卡斯帕罗夫。许峰雄博士从卡耐基梅隆大学开启该项目，组建Deep Thought团队，1989年毕业后受雇于IBM继续研究。
事实上，“深蓝”和Chinook战胜人类的情况很相似，都是先输了好几次约战，在最终的改进版才略胜一筹。接下来的一年，许峰雄和同事们将“深蓝”再加改造，把它变成速度更快、棋力更高、性能更强的超级“深蓝”。许峰雄和同事们提升了机器的运算能力，使它能在每秒分析2亿步棋。此外，在许峰雄的建议下，IBM还邀请了四位国际象棋特级大师做“深蓝”的“师傅”，陪“深蓝”练棋，“深蓝”的棋路缺陷得到了不断的修改和完善。终于，许峰雄和脱胎换骨后的“深蓝”迎来了“人机世纪大战”的胜利。
尽管有很多人认为，“深蓝”和卡斯帕罗夫那场人机对战并不公平，比赛中有疲劳和人为干预的因素，但计算机选手的强大已经成了不争的事实。二、终于轮到围棋了
Chinook诞生的时候，有很多人表现出了轻视的态度。因为在不少人看来，国际跳棋的变化不多，规则也不复杂，人类高手在对战时会经常打成平局。
但即便如此，要想在这个竞技项目获取胜利，也需要选手拥有准确的判断和直觉。10*10的棋盘大小，需用超过40步以上的准确落子来获取胜利。而对计算机来说，它的计算量也得到达棋盘上千亿个可能的位置。所以1992年的Chinook只能够运算出每一步之后的17个动作变化。
国际象棋和跳棋比起来，复杂度要高出不少，棋子的特点和规则增加了其需要运算的局面。所以1997年的“深蓝”拥有30个并行处理器，共同处理数据，同时还存有70万份大师对战的棋局数据。
但是，无论哪一种棋类，至今都无法超越围棋的运算量。
那么，运算量和下棋有什么关系呢？简单来说，程序员给计算机编程下棋并非因为已经理解了人类大脑如何下棋，他们可以纯粹依靠计算机的运算速度演算局面情况，这个方法被称为“博弈树”。“博弈树”算法，就是想象在棋盘上下棋，每落下一子，它就代表了下一个决策的分叉点，就像一棵正在生长的树木那样，会派生出许多可能的局面。计算机会对任何一点的未来变化作出运算，在理论上，只要计算机的运算能力足够强，就可以按照规则运算所有的局面，排除不合法的局面，并选择最高分的决策。
然而，19*19的围棋棋盘和落子规则，却能衍生出无穷无尽的变化。理论上，排除不合法的落子位置，每一步的行动可能局面是3361种，是个171位的数，而人类有记载的棋谱总数至今不过8位数。机器运算很难达到这样的复杂度。所以，人们普遍认为机器不可能在围棋上胜过人类。
不过，人类竞技的精神就在于挑战。早在人机大战刚兴起的20世纪90年代，中山大学的陈志行教授就已开发出“手谈”软件进行人机对弈。早期的围棋软件根据其他棋类程序的思路，通过棋盘的运算和数据库里的棋谱数据输入积累，来提高机器程序的运算能力。
直到蒙特卡洛算法的普及，才优化了“博弈树”的运算效率。这个统计学方法通过随机重复的模拟动作，来获得该动作产生的效果概率分布。
在2005年，斯坦福大学发起了通用棋类游戏项目，目的是建立一个人工智能平台，让游戏AI具有通用性，而不只针对单一项目。此后，这个项目的成果被美国人工智能协会纳入，成为一年一度的计算机大赛。比赛使用一个统一的服务器，服务器用游戏描述语言来制定规则，参赛AI之间相互比拼。自举办以来，蒙特卡洛算法配合其他各类算法，几乎是获得冠军的秘诀。
近几年，随着一度沉寂的神经网络算法开始复兴。谷歌的DeepMind团队把神经网络算法附加在“博弈树”上，就像棋手进行复盘一样，反复加强之后可以对落子的位置形成一定的优先级筛选。经过了3000万局的训练，最终达到了极高的职业水准。
当机器进行反复的训练后，它们对某些情况下的落子位置概率会变得很低。也就说，它们可以跳过这些位置的运算，而不是全部再计算一通。这些算法的进步其实符合人类思考和学习方式，我们并不是掌握了全部的信息和预测之后才能做出决策的，我们只能在自己能力范围之内，追求“满意”的答案，而不是一定要找到最优答案，这就是赫伯特·西蒙（Herbert Simon）提出的有限理性理论。
对于一位棋手来说也是如此，无论他棋术多么高超，也不能算计到所有的局面。所以他作出的决策，也只是他力所能及范围内最满意的那个答案。如果机器真的能模拟人类智能，那么它也不需要做到所有的运算，只需要模仿人类尽可能地优化自身。但是和人类相比，计算机的学习却可以反复训练而“不知疲倦”。
所以，即便借助计算机，我们也可能无法穷尽围棋的答案，但借助人工智能，我们永远可以挑战自己。三、人机结合才能所向披靡？
人类的棋王虽然敌不过人工智能，不过我们应该想到，他不是输给了机器，而依然是输给了人，输给了那些机器的缔造者，输给了机器背后的智慧结晶。
1997年，当“深蓝”多次击败顶级象棋棋手之后，人们都以为，机器和人关于象棋的对决已经盖棺定论。然而，在那场比赛之后，卡斯帕罗夫率先提出了“人加机器”的概念，即让人工智能加入到国际象棋比赛中来，以提高棋手的水平，而不是让机器和人相互对抗。此后，这种比赛被称为自由式国际象棋赛，选手们可以使用任何技巧对弈：独自参赛，或者带一台人工智能照着它的路子下棋，也可以偶尔否决人工智能的选择。
在2014年的自由式国际象棋对抗锦标赛上，纯粹使用人工智能的选手赢得了42场比赛，而人机一起参加的选手赢得了53场。Intagrand是当今世界上最优秀的国际象棋选手队伍，这个队伍就是由人类和人工智能机器一起组成的。
出乎人们意料的是，人工智能并没有减少象棋这项游戏的魅力，与卡斯帕罗夫时期相比，拥有国际象棋大师排名的人数至少翻了一倍。而目前排名第一的马格努斯·卡尔森（Magnus Carlsen），还是有史以来评分最高的象棋大师，他取得的成绩，和他曾经经过机器训练是分不开的。人机对决有赢有输，而人机结合，却能所向披靡。
我们不妨这样思考，既然人工智能能帮助人类成为更优秀的选手，那么在其他领域，它也能帮助我们成为更优秀的职业人士。
凯文·凯利说：“在机器人和计算机智能的协助下，我们得以完成150年前完全无法想象的事情，这是机器人介入人类生活后最令人赞叹的一点。”
人类用智慧让机器越来越聪明，机器也能帮助我们人类越来越优秀。“深蓝”战胜了卡斯帕罗夫，但那又怎样？人工智能只是赢了棋，人类却赢得了未来！第二节AI现在还不能做什么
2017年10月，谷歌人工智能团队DeepMind在期刊上发表论文宣布，一款新版的AlphaGo Zero计算机程序可以在不需要任何人类输入的条件下，迅速自学围棋，并以100比0的战绩击败上一代AlphaGo。这在人工智能历史上，又是一个里程碑式的重大消息。这标志着，已经做到“震惊世界”的AlphaGo，还将有着无限的成长空间。
随着人工智能的迅速发展，人类社会形态必然会因此而发生巨大的改变。可以说，只要一切能用到人的行业，未来即使不被人工智能取代，很大程度上也会因为人工智能发生变革。
不过，目前的人工智能，还远称不上“无所不能”。虽然人类已经因人工智能而变得更方便快捷，但人性中的爱与美却至今无法让人工智能“识别”出来。因此，有些工作，AI仍然是无法取代人类的。一、基于思维意识的工作
目前，人工智能还处于人工增强阶段，机器需要大量的数据进行学习，从而根据学习结果进行预测，大数据越多，预测结果就相对更准确。但是在当前，机器还不能基于自己的思维意识去做一些事情，而且研究者也不希望人工智能的发展超出自己的控制。
比如Facebook让两个人工智能聊天机器人进行聊天对话，学习谈判的技巧。结果研究人员发现，它们竟然开始用人类无法理解的自创语言沟通。其中的一台计算机在没有人干预下，竟然敲了几个代码。机器人的这种行为，让它们的设计者都惊叹不已，因为思维和语言是人类独有的技能。为了避免这种情况再度发生，研究人员随后不得不停止了实验，关闭了人工智能系统并调整模型。
要实现真正的人工智能，首选要解决的就是安全性问题，当机器产生意识开始独立思考后，研发者首先要考虑是否会对人类社会产生危害以及如何避免这些危害。
所以，一切需要情感意识的工作，都是人工智能无法也不能替代的，比如医生、企业家，以及法官。机器可以做手术，医患关系则需要人为去协调；机器可以根据大数据预测经济走势，但机器无法创立一家企业，因为创立企业需要企业家的主观能动性；机器读取法律条文并依据条文作出判定很容易，但是当人情遇到法理时，就不是冰冷的机器能解决的问题了。二、艺术相关工作
现在机器可以写诗，写散文，可以创作和画画。但是我们可以发现，它离我们的感情与意识还有很远的距离。如2016年，上海玻森
试读结束[说明：试读内容隐藏了图片]