很不幸以当前的趋势来看，来到我们身边的机器人更可能是《黑客帝国》里的章鱼，而不是《超能陆战队》里的大白。但由于人工智能根本没完成自己技术上从0到1的过程，所以确实这问题的结果仍然是开放式的。为理解这有点矛盾的状况我们先梳理下人工智能的发展状态。

　　过去和未来那些可能的里程碑

　　《超级智能：路线图、危险性与应对策略》这书里提到一件有意思的事情：

　　20世纪50年代后期的一些专家认为：如果能造出成功的下棋机器，那么就一定能够找到人类智能的本质所在。但结果通常是：这种机器一旦被造出来之后，人们就不称其为人工智能了。随后作者列出了人工智能发展史上一些里程碑性的事情(有删节)。

　　西洋跳棋

　　超越人类

　　1952年，阿瑟?塞缪尔写过一个跳棋程序，并在1955年吸收了机器学习技术，从而改良了该程序。这是第一个玩起游戏来比程序编写者都好的程序。1994年，跳棋程序“奇努克”(CHINOOK)打败了人类卫冕冠军，这是机器程序第一次在竞技游戏中赢得官方世界冠军。2002年乔纳森?谢弗和他的小组“解决号”跳棋程序总是计算出最好的棋步，最终打了个平局。

　　黑白棋

　　超越人类

　　1997年，Logistello程序跟当时的世界冠军村上健的对战结果是6战6胜。

　　国际象棋

　　超越人类

　　1997年，深蓝计算机打败了当时的国际象棋世界冠军加里?卡斯帕罗夫。卡斯帕罗夫承认见识到了人工智能在某些棋步上具备真正的智能以及创造力。从那时起，国际象棋程序就一直不断进步。

　　桥牌

　　高手水平

　　2005年，订约桥牌软件就已经能够同最好的桥牌高手对弈。

　　《危险边缘》益智问答

　　超越人类

　　2010年IBM的沃森超级计算机在《危险边缘》游戏中击败了了肯?詹宁斯和布莱德?拉特这两名擂主冠军。《危险边缘》是以提问有关历史、文学、运动、地理、流行音乐、流行文化、科学以及其他领域细节问题而著称的电视益智节目。《危险边缘》游戏的题目一般都需要猜字谜的方式来发现线索。

　　扑克

　　发挥不稳

　　电脑玩家在玩德州扑克时还没能超越人类玩家，但是在一些类似的扑克游戏中却超越了人类水平。

　　围棋

　　很高的业余水平

　　2012年，Zen系列围棋程序能够达到6段水平，这个程序主要运用了蒙特卡洛树搜索法和机器学习技术。围棋程序此后每年提升一段的速度向前发展。照这个速度看，围棋程序可能在未来10年内击败人类世界冠军。

　　这意味着从游戏的视角看，除了围棋人工智能基本已经超越或者达到了人类的水平。这里更有意思的事情是，如果把这张表延伸到未来，领域也不局限在游戏，那究竟那些事情值得记录在上面。按照我的推断这种里程牌会是下面这个样子：

　　1.自动驾驶 -- 彻底的自动驾驶很可能在10年左右的时间里实现。根据报道到2015年为止，Google的自动驾驶汽车已经安全行驶了百万英里。各方预测在这样的基础上，再有5~10年自动驾驶应该可以获得普遍应用，我们采用保守的数值。自动驾驶之所以必须被放到里程碑里是因为从智能的角度看人类日常的工作生活中比驾驶更复杂的事情其实不多，如果可以搞定驾驶，那理论上第一产业、第二产业甚至第三产业中的简单工作都是可以通过人工智能搞定的。第三产业中的简单工作是说类似餐饮、运输行业中的各种工作。在那个时间点上，我们就可以更清楚的看到第一产业、第二产业中几乎没人的景象，虽然即使是今天这在局部也已经逐渐成为现实。

　　2.沃森类系统在医疗行业全面展开 -- IBM已经在做这件事情，所以这里的关键点不在于采用不采用，而在于什么时间点沃森这样的系统可以成为医疗中必须的一个环节。这个点之所以有意义在于，沃森的全面展开意味着医院里所有和数据相关的工作被人工智能接管。这个时间点之所以有意义在于它意味着人工智能成为真正的专家系统，随后(或者同时)它就可以扩展到法律、管理、财务等领域。从沃森获得危险边缘冠军这事来看，这件事的瓶颈很可能不在于技术，而在于接受程度。如果拿数据库被接受的速度做类比，那这产品也可能在5~10年内走到各家医院里去。

　　3.人+人工智能成为所有金融公司的标准工具 -- 这点可以更形象点的表述成类似Palantir的服务渗透到所有金融公司。这意味着非行业的可数据化的各种工作已经可以在人与人工智能的配合下完成。只要能搞定金融，那就可以搞定几乎所有其它企业。这事情已经有很多公司再做，并且已经有很大的规模，所以也可能在5~10年内达成。

　　4.类人机器人出现 -- 很像电影《我，机器人里面》描述的那种正常的机器人，这种机器人没有自我意识，但有足够的智能和行动力可以完成所有所有人类需要完成的工作，甚至可以包括战争。如果说1~3主要消灭的是低端的以及和数据深度相关的工作，那这类机器人几乎可以消灭所有的工作。人类到此理论上可以得到解脱。这个项目上差的比较远，如果认为前几项可以在10年内实现，那这项应该会在它们后面。至于后面多久确实难以推断，但这种机器人是一定可以实现的，虽然我们不太确定是20年后，还是30年后，但它的技术脉络与前三者一脉相承，所以说是一定可以实现的。

　　人工智能上的从0到1

　　很多人可能难以相信，但上面那些看着已经波澜壮阔的里程碑其实只是人工智能从0到1过程中的产物。

　　很多技术的发展都要经历从0到1，再从1到100的过程。比如说福特造出第一辆T型车可以认为是汽车从0到1的过程，此后100年直到现在可以认为是汽车从1到100的过程。此后的汽车虽然也有发动机、传动系统和四个轮子，但其精密程度要远高于当年的版本。计算机一样有这过程，如前所述，其理论奠基于图灵，图灵之后冯?诺依曼真的设计了一套体系结构把这东西做出来了，到冯?诺依曼为止可以认为计算机走完了自己从0到1的过程。此后才有从电子管计算机到晶体管计算机，再到大规模集成电路使用后的计算机，其形态也就由比房子还打到现在手机那么大，但几乎无所不能。

　　如果拿人工智能与上述两者相类比，我们可以发现人工智能根本还没走完从0到1的过程。人工智能既没有清楚的理论基础，大家也不知道智能究竟是什么，所以才有先达到某个目标，比如在下棋上战胜人类，接下来就认为这也不算什么智能的情形出现。人工智能的内在发展思路也多次发生变迁，比如最开始人们认为这种智能依赖于一种物理符号系统，这种系统要通过处理符号组成的数据结构来起作用。人类似乎是这样，但这显然只是一种现象，在这层面上并不能产生真的智能。接下来也考虑过遗传算法，这是按照生物进化的过程来做程序，让程序有某种随机变化，并用一个选择过程(生物的优胜劣汰)来保持似乎有用的变化，但限于各种“如果怎样，否则怎样”的这种组合太多，在当时这也没产生什么有价值结果。

　　再后来至少一部分人开始转向神经网络，这方向出现的很早在20世纪60年代就出现了，但那时是非主流，直到20世纪80年代才收到重视，Jeff Hawkings认为这和人工智能节节败退有关。神经网络研究者尝试在连接中查找智能，因为大脑由神经元组成，这是显然的事实。近来极其火热的深度学习就在这方向上，但这方向也还没完成从0到1的过程。只是在特定的领域取得了极为令人瞩目的成绩比如语音识别、图像识别。这领域的大牛Yann LeCun在发表演讲的时候曾经专门提到了深度学习的几个关键限制，具体来讲这包括：

　　1.缺乏理论基础。没这个深度学习方法只能常常被视为黑盒，大多数的结论确认都由经验而非理论来确定。

　　2.缺乏推理能力。深度学习技术缺乏表达因果关系的手段，缺乏进行逻辑推理的方法。

　　3.缺乏短时记忆能力。与深度学习相比人类的大脑有着惊人的记忆功能。

　　4.缺乏执行无监督学习的能力。无监督学习在人类和动物的学习中占据主导地位，我们通过观察能够发现世界的内在结构，而不是被告知每一个客观事物的名称。

　　这是2015年6月演讲中提到的内容，InfoQ对此进行了比较完整的报道。从这种现实来看，我们确实很难讲人工智能完成了从0到1的过程，而只能说还处在一种盲人摸象的状态，虽然摸到的面积越来越大。

　　但与汽车或计算机不同的是，一般大家认为人工智能从1到100的过程会发生的非常快，而不像汽车陆陆续续发展了100年，计算机发展了半个多世纪。如果我们真能搞定某些基础问题，那人工智能的从1到100的过程确实可能在几年，甚至几天内实现。互联网为此准备了充分的素材和基础设施。

　　如果人通用型的强人工智能得以实现，那就会面临下一个从0到1的过程，由无意识到有意识的过程。

　　大白到底会不会来?

　　所谓的人工智能从正常人的视角来看其实有两个明显不同的分支，这会导致两种完全不同的大白：

　　一个分支更像黑客帝国路线，有一个万能的矩阵，所有章鱼都是是这个矩阵的载体。我们经常提到的人工智能由于是数据驱动的所以基本都是这个方向，比如IBM的Watson。

　　一个分支则是大白的路线，每个机器人有自己的个性，虽然它可以从庞大的云端数据库里获得信息，但它是独立的个体，有自己的个性和温度。

　　后者更贴近人类的状态，从本能上我们不太会喜欢前者，因为这样一个东西如果有足够的智能那会是一种完全超出我们理解的东西(经常说的超级智能就是指这个)，虽然科学家可能喜欢。

　　理论上讲，这两者都是有可能的，毕竟人从懵懂无知到学富五车其实并不需要太多的数据，但很不幸的是如果按照当前的研究方向发展下去，那种有个性的大白是不太会来到现实里来的。现在各种机遇机器学习的人工智能都需要庞大的数据量做支撑，这样一来即使做一个本地的版本放到机器人里去，那也更像是黑客帝国里的章鱼而不是有个性有温度的大白。

　　当然人工智能本身也还在不停的变动中，所以也许有一天，当前这条路碰到瓶颈，科学家们会转而追求另一种形式，那样的话，大白才有可能真的来到我们身边。

　　要想认清这点有必要考察一下实现人工智能的实现方式以及人脑的基本运作方式。

　　现在实现各种人工智能的方法简单的可以概括成建立可以进行学习的多层网络，接下来用数据来训练这网络，数据越多这网络处理图像识别等的效果就越好。效果和数据量成正比。

　　但人脑却并不是这样，一般认为大脑皮层是人类智慧的来源，每一层有大概2毫米厚，一共有六层，和叠加的六层扑克牌厚度相类似。有一种观点认为大脑各个区域实际上能起的作用是一致的，之所以会不同的区域能复杂不同的事情是因为不同区域使用的计算方法不同。这和电脑类似，虽然看着电脑能做的事情五花八门，但底层都是0和1的运算，但接下来就不一样了。大脑里面的轴突建立各种输入模式，于是我们看到了五光十色的世界。认知过程中和计算机很不同的是大脑似乎是记忆身边这世界的本质特征，接下来看到新东西的时候先从记忆中提取这种本质特征，再加上些处理来应付各种各样的情形。

　　这样一比较我们就知道实现这大白和章鱼背后所牵涉的东西不同。要实现大白，那其实需要有感知并且及时的对这种感知进行理解、记忆、学习，个体的独立和发展非常重要。这和当前的主流发展路线很不一样，所以按照数据驱动的思路，更可能的产品只会是黑客帝国里的章鱼。

　　小结

　　人工智能实在是比较奇妙的技术，即使仍然处在从0到1的过程，其背后的波澜壮阔已经隐约可见。它当然会带给我们近乎等距的天堂地狱，但最终这智能什么样，人类仍然还有选择权。