有“智”者事竟成

人工智能，英文缩写为AI。它是对人的意识、思维的信息过程的模拟。它是一门研究、开发用于模拟、延伸和扩展人的智能的理论及应用系统的技术科学，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。

1950年，艾伦·图灵来到英国曼彻斯特大学任教，同时还担任该大学自动计算机项目的负责人。就在这一年的十月，他在哲学杂志Mind上发表一篇划时代的文章，题为《机器能思考吗？》，这篇文章的核心命题就是“机器能不能思维”的问题。图灵提出了现代计算机的理论模型，并用有限状态机来描述一个可以自我学习的机器，他把哲学中最古老的“思维与意识”这一概念阐述得更加明确。在《机器能思考吗？》中，图灵定义了被后人称为“图灵测试”的概念，即如何判定一个装置是否具有智能，也正是这篇划时代之作，为图灵赢得了一顶桂冠——“人工智能之父”。这就是AI（人工智能）的起源。

到了1956年夏天，全球顶级的计算机科学家相聚在美国达特茅斯学院，举行了为期两个月的学术讨论会，从不同学科的角度探讨人类各种学习和其他职能特征的基础，并探讨用机器模拟人类智能等问题，这些人工智能的先驱们就梦想着用当时刚刚出现的计算机技术来构造复杂的、拥有与人类智慧同样本质特性的机器。在这次会议上，美国斯坦福大学人工智能实验室主任约翰·麦卡锡提出了一个“人工智能”的概念并被与会者所接受。后来这次会议被看作是“人工智能”正式诞生的标志。约翰·麦卡锡是一位备受尊敬的计算机科学家、认知科学家，他因创造了“人工智能”这一术语而享有盛誉，因此，1971年，麦卡锡成为计算机界人人梦寐以求的最高奖项——图灵奖的获得者。

事实上，从1939年阿兰·图灵带领一大批数学家、电气工程师、德语专家、军事专家和哲学家，甚至还有国际象棋冠军和方格字谜填写高手，在英国伦敦郊区的布莱奇雷庄园，研制出一台用于破解德军“恩尼格玛”密码的机械，也是世界上第一台计算机的时间算起，“人工智能”就已经诞生了。他在1950年就预言了创造出具有真正智能的计算机的可能性，而AlphaGo则标志着人类开始进入“人工智能”的时代。

至今，“人工智能”已经走过60年的历程。过去几年，尤其是2015年以来，GPU的广泛应用以及无限拓展的存储能力和迅猛的数据洪流，使得图像数据、文本数据、交易数据、映射数据全面海量爆发，人工智能开始走进人们的生活。

人工智能有“强人工智能”和“弱人工智能”之分。“强人工智能”是指无所不能的机器，它有着人类所有的感知（甚至比人类的智慧更多）、人类所有的理性，可以像人类一样进行思考。我们所熟悉的《终结者》是1984年上映的一部美国科幻动作片，由詹姆斯·卡梅隆执导，阿诺德·施瓦辛格、迈克尔·比恩和琳达·汉密尔顿主演。影片主要讲述了21世纪的一次核战争后，地球被机器人所统治，幸存的人类集聚到一起，反抗机器人的残暴统治。为除掉人类反机器统治斗争的领袖，机器人统治者派出了一个杀手——这个杀手是个半机械半血肉的生物，但在外貌上却与人类无异。施瓦辛格扮演一个被称为“终结者”的赛博格（赛博格是英文Cyborg的音译，也就是义体人类，义体在日本相当于假肢，概括说，就是人和人造物组成的结合紧密的统一功能体）杀手，从2029年返回1984年试图杀死由汉密尔顿扮演的莎拉·康纳。影片中的“终结者”就是一个具有“强人工智能”特征的机器人。现阶段，由于我们的技术还达不到这个水平，所以，“强人工智能”还只存在于电影和科幻小说中。目前，我们能实现的，一般被称为“弱人工智能”。“弱人工智能”是能够与人一样，甚至比人更好地执行特定任务的技术。这些技术实现的是人类智能的一些具体的局部。

人工智能就是为机器赋予人的智能。人工智能是最早出现的，其次是机器学习，在此基础上发展到“深度学习”，它是当今人工智能大爆炸的核心驱动。

机器学习是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。它用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。而“深度学习”则是一种实现机器学习的技术。

“深度学习”是一种特定形式的机器学习，训练多层神经网络。包括AlphaGo打败围棋世界冠军，还有人脸识别、图像分类、语音识别都是“深度学习”。“深度学习”实际上是在模仿人的大脑，用数学模拟人脑结构。这里的“深度”就是说神经网络中众多的层，人脑有接近3000亿量级的神经元，没有任何的计算机设备存储和数据处理能力可以到达这样的量级。

目前，人类的信息技术水平，主要局限在硬件层面和计算机的计算速度，随着数据多个维度的拓展，人类将会实现人工智能的突破。现阶段的人工智能只是用机器、算法去模拟人脑某一项的特有功能，比如人脸识别、语音识别、图像分类和理解等。而AlphaGo就是通过机器分析大量围棋棋谱以后，在围棋这类非常复杂，需要战略思维，甚至需要有人的直觉的高智商游戏上击败人类的。“深度学习”使机器在单项应用上有超过人类的能力，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。人工智能通过模拟、延伸和扩展人类智能，产生具有人类智能的计算系统，不仅能帮助人类提高工作效率，而且能够提升人类生活的品质。

迈向人工智能，关键在于大数据应用。如何把人的智能传授给机器，这就需要在时间、经验、程序和方法的众多数据中运用“大数据”思维和“大数据”的技术进行设置。计算机之所以能战胜人类，是因为机器获得智能的方式和人类不同，它不是靠逻辑推理，而是靠大数据和智能算法。在数据方面，Google使用了几十万盘围棋高手之间对弈的数据来训练AlphaGo，这是它获得所谓的“智能”的原因。在计算方面，Google采用了上万台服务器来训练AlphaGo下棋的模型，并且让不同版本的AlphaGo相互对弈了上千万盘。就现在的算法而言，“喂养”它们学习成长的是数据。在这个世界里，所有知识，无论是过去的、现在的、还是未来的，都有可能通过学习算法从数据中获得。

在国家治理和社会治理过程中，如果有了大数据基础之上的人工智能，有了行政管理中的“阿尔法狗”，就可以通过人工智能和人之间的制约、制衡来保证决策正确和及时纠错。

虽然，人的大脑是人类进化的伟大奇迹，但是，有时人们的记忆是非常不可靠的，它只是记忆自己所关心的事情，尽管每天大脑接受海量的信息轰炸，可是，大脑只能提取一小部分，它决定人的记忆。因此，记忆比我们想象的更加复杂，有时，还会出现错误记忆。由于我们的短期记忆只能同时记住4到7个细节信息，一旦超出这个范围，记忆就会出现偏差，甚至出现混乱。如果我们在行政执法（不论是税务，还是公安等行政执法部门）过程中，设计一个“人工智能审案”的算法，也就是设立一个“虚拟执法者”，我们可以像给“阿尔法狗”“喂棋谱”那样把浩如烟海的法律文本（包括所有的立法解释、司法解释等）“喂”给它学习，同时，把本系统的执法案例“喂”给它，使其达到法律与案例的贯通，从而准确掌握案例判罚，这将大大地提高执法的准确性、公平性和效率。尽管它不是最终的裁决，但会为执法实体提供一个决策的参考。

2015年“阿尔法狗”对阵三次获得欧洲围棋冠军的樊麾时，“吃过”的棋谱是3000万个，但到了挑战李世石的时候，嚼进肚子里的棋谱已经达到1个亿。而社会治理领域的“阿尔法狗”，也为解决国家治理结构的“制衡”提供了技术上的可能。有了大数据基础之上的人工智能，“虚拟执法者”的“阿尔法狗”，就可以用人工智能与人之间的制约、制衡来保证执法正确和及时纠错。

美国伊利诺伊理工学院和南得克萨斯法学院的研究人员设计的一种机器学习算法能准确预测出70％以上的最高法院判决结果。他们将美国最高法院数据库中保存的自1791年以来的法庭案件数据信息“喂”给这个“虚拟执法者”，该算法对1816年到2015年的2.8万个判决结果和24万张法官投票进行了预测，准确率分别为70.2％和71.9％。尽管70％的准确率离“公正”断案差距甚远，但它比人类专家预测最高法院判决结果时66％的准确率更胜一筹。

今天，人工智能已经开始替代人的智力，去完成很多过去不可能完成的任务，比如：医疗诊断，阅读和处理文件，自动回答问题，撰写新闻稿，驾驶汽车，等等。现在，美国很多媒体的各类新闻编写早就采用了人工智能的方法，美联社90％的文章都是用机器来写的。另外，一些公司财务报表的分析和评述也是由计算机产生的。比如IBM公司发布了2015年四季度的财务报表和分析，计算机会先“读”一遍该公司财务状况的内容，然后对主要的财务指标进行评价，比如该季度的收入、利润、税收，以及与华尔街预期的对比，还有公司人员情况和市场份额及市场发展的预测，等等；然后，再经过人工的一些润色处理，一篇关于IBM财务指标执行情况的报告就完成了。人工智能的写作本质上是一种“数据库写作”，2016年里约奥运期间，腾讯奥运资讯中，近6％的内容（约3000篇报道）出自机器人写手。由此可以预测，几乎所有思考模式可以被理性推算的工作岗位，在有足够数据支撑的时候，都会被取代。甚至以后我们一般的讲话稿都不用准备，智能化的助理将为我们提供理性思维的帮助。

2016年是人工智能的元年，随着信息社会的到来，新一代信息技术融合应用不仅为“大数据时代”的到来创造了条件，而且，也使得大数据成为新一代信息技术融合应用的结点，创造了智能社会。

今天，谁拥有了最好的学习算法和数据谁就能在智能社会竞争中占据先机。