2022-08-18 22:28 作者 :小品 围观 : 次
全书名：《人工智能：李开复谈AI如何重塑个人、商业与社会的未来图谱》
作者名：李开复，王咏刚
前言上个世纪90年代，超级电脑“深蓝”战胜了国际象棋棋王卡斯帕罗夫，人工智能逐渐开始进入人们的视野。
2016年，AlphaGo战胜了世界围棋冠军李世石，将人工智能的发展推向高潮。从国际象棋到围棋，这些体现了人类终极智能的领域逐渐被人工智能颠覆。
时至今日，人工智能已在机器人、无人驾驶、电子竞技、医疗、音乐等多个领域展现出了巨大的潜力。可以说，人工智能的诞生为人类探索未知领域提供了无限的想象空间，它的伟大意义一点不亚于蒸汽机、电能、核能、互联网带给人类革命性的进步。
2017年，被称为人工智能“元年”，各大高科技公司纷纷布局人工智能领域，从各个不同的角度不断探索新技术，开发新产品。
人工智能，已经悄悄来到了我们身边，融入了我们的生活。相信，过不了多久，人工智能将成为人们生活中不可或缺的组成部分。
那么，人工智能到底是什么？它涉及哪些创新领域？人类应该如何面对人工智能的挑战，又将如何与它和谐共处？
一、对人工智能的初步认识1.1无处不在在很久之前，我们就从各种科幻影视作品中，看到了各式各样的智能机器人。它们拥有与人相似的外形与体格，可以说话，可以像人类一样思考与活动，甚至拥有人类的感情，以至于，在很多人的固有印象中，人工智能就是这类酷似人类的高度智能的机器人。
然而，人工智能绝非仅仅只是我们在影视作品中看到的那些智能机器人，它拥有很多形态和存在形式，它多隐藏于背后，人们很难察觉。它也并非遥不可及，相反，它离我们每个人都很近，已经悄悄融入了我们的生活，变得无处不在。
我们只要仔细观察，就会发现一些细微的变化。我们每天都要使用搜索引擎，在之前，搜索都是基于内容文本，你输入什么内容，系统就会从数据库中去寻找相匹配的内容进行呈现。
而现在，搜索变得更加智能，它不再简单机械的匹配与展示，而是根据搜索者的偏好和相关背景，给出搜索者可能想要的内容。比如搜索某个名人的年龄，之前会给出含有这些描述的网页或文本，而现在就会直接给出答案，并附上这个人的个人简介以及主要事迹。让人觉得就像是在和一个知识渊博的智者谈话一样。
我们的智能推送软件，无论是新闻还是音乐，都会根据我们平时关注的内容进行分析，从而去“理解”我们的喜好。我们用的越多，它推送的内容就越符合我们的喜好。
然而，人工智能并非仅仅智能分析和推送那么简单，甚至很多内容本身，都是由人工智能所创作，美联社于2014年开始就使用人工智能程序自动撰写新闻和报告，在内容质量上和人类记者没有任何区别，但撰写速度却是人类的很多倍。
我们的打车软件与导航软件，可以智能分析周边的司机和乘客，进行精准的匹配，并计算最合理的行车路线，帮助规避拥堵、限号和突发事故。
现在火热的无人驾驶技术，也是人工智能的一个重要发展方向，它可以通过计算机控制车的运行，分析周边的交通环境，并作出合理的判断和行为，并根据车主的喜好选择行车路线，比如选择用时最少的，景色最美的或者最畅通的。
可以说，人工智能已经入侵了我们生活中的各个领域，已经变得无处不在。
1.2定义一在一部分人眼里，拥有人类的外形和智慧，才能称得上人工智能；另一部分人眼里，计算机的运算速度远超人类，人类再怎么聪明也无法超越计算机的计算速度，这些运算能力超强的计算机就可以被称为人工智能。
这两者可以认为是两个极端，前者把人工智能理解的过于深奥和高端，而后者又把人工智能理解的过于简单。那么到底什么才是人工智能呢？
人工智能的发展经历了多个阶段，其定义也经历了多次转换，直到现在，依然有多种定义被广泛接受。从不同的定义中，我们可以感受到人工智能技术在发展过程中，在不同的环境中，人们对于它的理解和认知。
其中一个定义，认为人工智能就是让人觉得不可思议的计算机程序，它能够做到人们认为机器不能胜任的事。这是一个很主观的判断，随着技术和时代的发展，它的内容也在不断变化。
比如下棋这项运动，象征着人类智慧的结晶，于是，机器与人类下棋，就成了体现机器是否智能的一种标准。在最开始，由于存储容量和技术有限，能够在西洋跳棋上战胜人类的计算机就被称为人工智能。随后，人类觉得能够下西洋跳棋不算什么，能够在国际象棋上战胜人类，才算人工智能。
于是，1997年，IBM公司打造的“深蓝”超级电脑在国际象棋比赛中战胜的世界棋王卡斯帕罗夫，而“深蓝”也毫无疑问地成为了人工智能的代表。之后，人们觉得国际象棋还是不够复杂，而围棋中所体现出的复杂的战略和思考，才称得上是人类最高的智慧。
于是，人们找到了维护人类尊严最后的阵地——围棋，只有在围棋上能够战胜人类，才能算得上人工智能。大家都知道，2016年，AlphaGo以4:1的悬殊比分战胜了世界围棋冠军李世石，人类的最后防线也遭到突破。
那么，之后人类又会找到什么更为复杂的领域来挑战人工智能的极限呢，我们就只能拭目以待了。
1.3定义二第二个定义，认为人工智能就是与人类思考方式相似的计算机程序。这是一种基于仿生学的直观思路，既然叫人工智能，那就意味着模仿人类的思考逻辑和智慧，这是一种最直截了当的方式。但历史经验证明，很多仿生学的经验在科学技术中并不适用。
比如飞机，大家都知道是模仿地球上的鸟类，但如果把飞机的翅膀做成像鸟一样可以上下扇动，怕是飞不起来，因此，机翼最终成为了固定式，而飞行原理也与鸟的飞行原理区别很大。
那么回到人类的思考逻辑上，人类到底是如何思考的？这本就是一个很复杂的技术和哲学的问题，人类大致上通过两条路径在解决这个问题。
一方面，哲学家们试图通过思辨和反省，来发现人类思考的逻辑法则。通过几千年的努力，人们总结出大量的规律性的法则，比如形式逻辑、数理逻辑、语言逻辑，为科学研究提供了方法论层面的指导，并让人工智能遵循基本的逻辑规律去进行计算和推演，从而诞生了一批专家系统。
这些专家系统基于特定的逻辑法则，在特定领域可以帮助人们解答一些特定问题，比如根据物质光谱推断物质结构的智能程序。这些专家系统一度被称为人工智能，但是其局限性显而易见，就是只能解决特定的、狭小的问题，一个专家系统很难扩展到其他领域，更没法扩展到日常生活的应用。
另一方面，生物学家和心理学家，试图通过探索人大脑的构造，以及人思考时所产生的生化反应，按照大脑的工作原理去创造一个“真正”的人工智能程序。这就涉及神经网络，需要搞清楚神经元对于信息的处理和传播方式。
早期的人工智能研究者，就基于神经元模型，打造了计算机系统，通过模仿神经元来让计算机输出信号。但直到2010年，支持深度神经网络的计算机集群才得到广泛应用。
另外，神经网络在多大程度上反应人类大脑的工作方式，还存有争议。人类对于大脑如何学习、记忆、归纳、推理的过程和机理也还缺乏认知，我们到底要在哪一个层面去设计（是大脑各分区层面、细胞层面、还是分子层面），才能制造出人工智能，目前还不得而知。
1.4定义三第三个定义，认为人工智能就是与人类行为相似的计算机程序。这是一个相当实用主义的判断，即不管背后实现的逻辑怎样、原理怎样，只要能够在特定环境中，作出与人类相似的判断和行为，我们就可以认为是人工智能，就像俗语说：“无论白猫黑猫，抓住老鼠就是好猫。”
一个相当经典的例子，就是麻省理工大学在1964年-1966年间开发的“智能”聊天程序ELIZA。这个程序可以无休无止地与精神病人聊天，这些聊天记录很符合人们的表达，就像医生和病人间的对话一样。
但事实上，它只不过是根据病人话中的关键字，在词库中寻找对应的回答进行输出，但它其实并不懂这些话是什么意思。
虽然ELIZA在今天看来并不能被称为人工智能，但这种实用主义的思想却对人工智能的发展起到了很大作用，比如今天的深度学习模型在处理机器翻译、语音识别等问题时，都是将内容拆成单个语素，然后输入到神经网络里进行训练，中间的处理过程可能让人无法明白，但只要能输出让人满意的结果，就达到了我们的目的。
1.5定义四第四个定义，认为人工智能就是会学习的计算机程序。现在，“深度学习”、“机器学习”已经成为人工智能领域最热门的词汇。大家在谈论人工智能时，首先都会谈论机器学习。在数据异常丰富的今天，我们有足够的数据交给计算机，让其进行不断的训练和识别。
比如，我们想让一台计算机认识猫，就给它看几百万张不同猫的照片，它会根据一套学习算法来提炼猫的特征，给它看的照片越多，它识别的准确率就越高。
AlphaGo之所以能战胜人类，也是因为它的数据库中存储了几乎人类历史上所有的棋谱。
这也符合人成长的过程，人要积累经验和学识，也必须依靠不断的学习。但这两者存在差别，人类不需要那么庞大的数据，只需要看一张猫的照片，就可以认出猫，这是因为人的抽象和归纳能力极为强大。
而计算机做不到这一点，只能依靠庞大的数据库，分析和比对，提炼特征，才能进行识别。如果我们能够提高计算机的抽象与归纳能力，相信可以极大的提高机器学习的能力。
二、大数据和深度学习人工智能通过几十年的发展，如今已经变得无处不在，人们对它的理解和认知也在随着技术的不断进步而发生着变化。
现在我们探讨一下，建立在大数据和深度学习基础之上的人工智能的第三个热潮，这对深入理解人工智能有着重要意义。
2.1AI浪潮我们知道，一个技术从诞生到成熟，大约需要经历萌芽期、技术炒作期、泡沫破灭期、技术与商业成熟期四个阶段，人工智能也不例外。从人工智能诞生到目前，大约经历了三次热潮。
第一次热潮的核心是图灵测试。所谓图灵测试，是由图灵在1950年提出的，它描述了这样一个有趣的实验：假如有一个计算机宣称自己会“思考”，那么我们应该如何识别是否是真的呢？一个好的测试方法就是让一个测试者通过键盘和屏幕和计算机聊天。
当然，测试者事先并不知道对方是人还是计算机，如果测试者误以为对方是人，那么我们就认为这台计算机具备了与人相当的智能。
如果在一次测试中，一台计算机骗过了超过30（由图灵建议）的受试者，那么我们就认为这台计算机通过了图灵测试。于是，在那个时代，所有的计算机工程师都在想办法开发一套可以骗过人类的聊天程序。
从技术上讲，主要是对于人类语言的分析、拆解以及与词库的匹配；从设计上讲，当时的程序更加针对与人的交谈，采用具有攻击性的话风，掌握话语主动权，从而让人类没有机会问很深入的问题。而我们目前所用的微软小冰、苹果的siri，可以说都是这些聊天程序的后代。
第二次热潮的核心是语音识别。语音识别需要解决的三个主要问题是：非特定说话者、大词库、连续识别。
很多语言学专家从语言专业的角度出发，模仿人类思维，尝试去创造专家系统。但是，机器“思维”与人类思维有着微妙的差异，这种基于模仿人类思维的专家系统在语音识别方面的表现并不好。
反而是脱离人的思维，通过概率统计模型，加上大型语音数据库，计算机能够得到很优异的结果。然而，即便是采用这种方式，最终的结果也依然达不到商业的需求。
近年来，随着深度学习技术的成熟，语音识别发生了翻天覆地的变化，我们已经可以使用各种语音软件来代替键盘输入，错误率很低，已经可以达到商用的需求。
第三次热潮的核心是大数据与深度学习。机器的语音识别、图像识别在近几年有了突飞猛进的发展，而这正是深度学习的功劳。虽然深度学习并非人工智能唯一的解决方案，但说它在这一次浪潮中引领了人工智能的发展，却一点也不为过。
深度学习，并非突然从石头缝里蹦出来的黑科技，它和其他技术一样，也是站在巨人的肩膀上的集大成者，经历了漫长的技术发展和演化，最终发展而来。
而近年来，计算机性能的大规模提升以及大数据的不断丰富，给深度学习的发展创造了巨大的机会。
深度学习的核心计算机模型为人工神经网络，它基于神经科学家的假说：人类神经节沿着网状结构传递和处理信息。在此基础上，科学家们提出了多层神经网络的机器学习模型，最终发展成为深度学习。
然后结合超强的计算机性能以及高质量的大数据，便将新一代的人工智能推向高潮。
这其中的佼佼者要数谷歌大脑，它是一个庞大的深度学习计算集群，拥有数万台高性能计算机及顶级的图形处理器（GPU），可以完成大规模、多维度的深度学习。我们现在所用到的谷歌搜索、谷歌无人驾驶、谷歌翻译、谷歌地图，都有它的参与。
2.2深度学习人工智能的第三次热潮源于深度学习的崛起，目前人工智能技术的迅猛发展也主要依靠深度学习，那么，究竟什么是深度学习呢？
深度学习，是一种机器学习，顾名思义，就是机器自主学习的方法或模型。既然是学习，我们可以回想一下我们小时候是如何学习的。
记得有一首小诗：“鹅鹅鹅，曲项向天歌，白毛浮绿水，红掌拨清波。”然后在配一副鹅的图片，我们从中提取一些特征：弯曲的脖子，白色的羽毛，红色的脚蹼，可以在水里游泳。
我们的大脑抽象出这些特征，并进行归纳，经过多次的比对，我们就认识了鹅。机器也是一样，我们不停地给它看图片，它从中提取特征，然后形成该物的模型，通过比对来完成对物体的识别。
只不过，机器的抽象与归纳能力没有人那么强，因此需要大量的不同照片来进行训练，才能够达到比较高的准确率。
这是一种机器学习的模型，而所谓的深度学习，就是让机器自己根据学习对象的特征，选择并建立合理的学习模型，来不断完善和提高自身的学习能力。
深度学习遵循了实用主义的思想，我们不需要搞清楚机器到底是怎么学会或理解的，只需要保证输出是正确的就可以了。这是一个非常有意思的现象，作为人类，对于机器的某些结论，我们无法得知它是如何在输入和输出之间建立因果关系的。
这也是让人们觉得担心的主要原因，因为这样的学习方式，让人们觉得机器变得不可控，不知道它会不会悄悄学会我们不知道的技能。不过就目前来看，人类还是安全的。
2.3大数据一般人所理解的大数据，就是简单的指大规模的数据。这种理解并不准确，如果大多数的数据并没有被深度学习算法利用的价值，那么也称不上是大数据。
今天我们嘴上常说的大数据，其实是指在2000年后，因为信息交换、信息存储、信息处理三方面能力大幅提升而产生的数据。
信息交换。自从互联网普及以来，人们越来越倾向于网上交流，无论是网上看新闻、发邮件还是聊天，都是属于信息交换。从1986年到2007年间，每天产生的信息交换数据增长了217倍，比如Twitter，全球每秒新增推文约6000多条，每天约5亿条。
信息存储。是指存储在存储设备中的数据，比如一些文本材料，电影等。像谷歌这样的搜索引擎，几乎存储了全球大部分公开的网页和数据。
信息处理。有了海量的信息交换和信息存储，就需要对这些数据进行加工和处理。很多互联网科技公司都建立了自己的数据处理中心，由成千上万台高性能计算机实时进行数据处理和分析。
这些大数据，很大一部分来自于提供互联网服务时所产生的副产品，但很多时候却比针对性获取的数据更有价值。比如我们所用的手机App，会记录我们的消费记录、地点、饮食偏好、运动健康数据，这些数据孤立起来看没有什么价值，但大规模的综合起来分析，就可以得出很有商业价值的结论。
这些大数据往往可以取代传统意义上的数据抽样。企业不再需要像之前那样专门进行数据抽样调查，只需要在服务器后台，就可以分析出想要的数据。许多数据可以实时获取。
现在的计算机性能以及数据分析工具一般都支持实时处理，有专门的图形化界面去检测数据的实时变化，可以根据数据实时动态来调整企业策略。
大数据往往混合了来自多个维度的数据。用户在网上的社交行为通常伴随着多方面的数据，这些数据之间相互关联，可以对用户进行全方位的分析。
大数据是一种全新的思维方式，只要有足够多的高质量数据，计算机就可以不断的深度学习，最终获得智能。比如AlphaGo，就是阅读了数百万份棋谱，学会了几乎所有的棋型，以此为基础，自己跟自己对弈，最终成为人类无法战胜的对手。
可以说，正是有了大数据，人工智能才有了得以成长的食粮，才获得了超越人类智能的机会。
三、人工智能发展带来的启示随着计算机性能的提高以及大数据的成熟，人工智能有了发展根基，而深度学习算法的完善则给人工智能带来了突飞猛进的发展。
人工智能在经历三次浪潮之后终于达到了商业应用的要求，并在很多领域逐渐超越人类，这给我们人类带来了怎样的启示？
3.1几类人工智能并非所有的计算机程序都能被称为人工智能，也并非所有的人工智能都像科幻电影中那样可以威胁到人类。人工智能也分为几个层级，它们的“聪明”程度大不相同。
弱人工智能，也称为限制领域人工智能或应用型人工智能。从名字中可以看出，这类人工智能是针对某一个领域专门开发，只能从事该领域内的工作。
比如AlphaGo，就是最好的代表。它是专门针对围棋而设计的程序，它脑子里存储着人类所有的棋谱，在围棋领域可以叱咤风云，但也仅限于围棋领域。而且，下棋时，还必须有人类帮助执棋落子。
可见，这类弱人工智能限制性很强，一般被视为人们的工具，只要进行有效的管控，对人类没有什么威胁。
强人工智能，又称通用人工智能或完全人工智能，是指可以胜任人类所有工作的人工智能。人类可以做什么，它就可以做什么。它可以学习、可以规划、可以决策、可以沟通、可以整合。乐观来看，有了强人工智能，人类就不用再干活了，可以坐享其成。
但对于强人工智能而言，是否有需要具备人类的“意识”，是一个关键性的问题。
一些人认为只有拥有意识，才能被称为强人工智能；另一些人认为只需要能胜任人的所有工作，未必需要拥有意识。
一方面，“到底什么是意识”本身还是一个具备争议性的问题，无法给出一个准确的答案；另一方面，一旦人工智能拥有了意识，我们可能就不能再把它当成机器来对待了。
牵涉到意识，会使整个问题变得异常复杂而无法进行合理的讨论，但若人工智能真具备了意识，那么肯定会让人类面临更大的挑战。
超人工智能，假如计算机程序进一步发展，比世界上最聪明、最有天赋的人还聪明，那么我们就可以称为超人工智能。但这个概念目前只存在于科幻作品或人类的想象当中。
首先，我们还不知道强于人类的智慧形式究竟是怎样一种存在，我们自己也没见过；其次，我们没有方法和经验去预测超人工智能是否只是一种幻想，还是科技演化必然会出现的产物。
因此，对于人们而言，更多的关注还是在弱人工智能和强人工智能。
3.2奇点来临？人类科学整体的发展趋势，就像一条指数曲线，速度是越来越快的。人类文明几千年，科技产生突飞猛进的发展不过一两百年，之前的几千年，人类的科技发展几乎是一条水平直线。
自从蒸汽机诞生，开启了人类科技大发展的序幕，之后电能、核能、计算机、互联网，在到现在的人工智能，可以说，人类生产工具的迭代，极大提升了人类科技进步的效率。
在人工智能领域，这个现象依然明显。20世纪90年代，人工智能在国际象棋领域有了突破性进展。在1996年的人机大战中，“深蓝”电脑败给了世界棋王卡斯帕罗夫，但仅仅过了1年，1997年，“深蓝”电脑便战胜了世界棋王。
在接下来的几十年中，人工智能转战难度更大的围棋，可谓举步维艰，直到2012年左右，才达到业余5段水平，这时候，人们认为人工智能要想成为围棋世界冠军，至少还需要20年的时间。然而仅仅过了4年，2016年，AlphaGo便以压倒性的优势战胜了世界围棋冠军李世石。
2015年，一款名为Claudico的德州扑克程序与世界顶级牌手比赛，以73万个筹码的差距告负。但仅仅过了2年，2017年，它的升级版Libratus便以176万个筹码的绝对优势取得胜利。
人工智能的成长速度远远超出了人们的想象。不仅如此，站在围棋的角度来看，AlphaGo的突飞猛进与震撼，并不仅仅体现在棋艺的进步以及战胜了世界冠军，它在“大局观”、在战略思路上的创新更是让人叹为观止。
它的很多招式人们从来没有见过，以至于，它现在成了人类的老师，人们可以从它的棋艺中学到很多新的思想。
人们开始担心，一旦强人工智能到来，可能只需要几个小时，就能进化到超人工智能。因为它可以像人类一样学习各种知识，它的学习速度是普通人的无数倍，它记忆力超群，过目不忘，它可以从互联网中学会一切它想要学习的知识，而这肯定是全世界所有的知识。而且，它7X24小时从不停歇。
这是进化上的一种不对等，机器可以以极快的速度学习并不断重新改造和设计自身，而人类作为生物，进化实在太过于缓慢，从进化论的角度来看，人类终将被淘汰。
从逻辑上讲，一旦出现强人工智能，很快进化到超人工智能，是没有问题的。而超人工智能一旦出现，人类的命运必然面临很大的危机，这就像当年拿着长矛的非洲土著面临手持枪炮的欧洲殖民者一样。
然而，这种科技发展越来越快的逻辑，对于科技整体而言是没有什么问题的，但对于特定的领域，比如人工智能，不一定会奏效。它在经过一段时间的飞速发展后，有可能遇到技术瓶颈而出现停滞。
有关计算机芯片性能的摩尔定律就是一个很好的例子，它是说在价格不变的情况下，集成电路板上的元器件数量每18到24个月翻一倍，性能也增加一倍。
起初的几十年间，这种增长相对稳定。但2013年后，这种增速明显放缓，以至于摩尔定律的提出者高登·摩尔都表示摩尔定律可能会在10年内失效。
而人工智能，在发展过程中依然存在很多未知的技术难题，或许也会如摩尔定律一般，遇到瓶颈。
若果真如此，那么，在短期的未来，或许人类还不需要面对强人工智能甚至超人工智能的挑战。
3.3不能做什么目前，人工智能依然只是人类的工具。虽然弱人工智能已在很多领域发挥出巨大的作用，但它并非无所不能。
跨领域推理。跨领域的联想是人从小就具备的能力。大侦探福尔摩斯想必大家都很熟悉，他可以通过一根头发、鞋子上的泥巴、身上的气味推理出一个人的职业，之前做过什么，或经历过什么事。
这种通过事物的表象，挖掘背后的真实，并跨领域推理得出结论的能力，是计算机不具备的。计算机只能处理某一类领域的具体的问题，而无法进行迁移和联想。
目前有一种叫“迁移学习”的技术受到广泛关注，它的基本思路就是计算机在一个领域学到的东西和经验，通过变换，迁移到另外一个计算机不熟悉的领域。目前还处于初级阶段。
抽象能力。人类的抽象和归纳能力是很强的，我们的数学公式，都是从一组组数据中抽象归纳而出。我们从小认识新事物，都是抽象出事物的特征，然后进行归纳，才由一及万物，比如前面提到的鹅的例子。
而计算机不同，它几乎没有抽象归纳的能力，它要认识一个新事物，需要相当多的数据，经过大量的训练。哪怕是认识一只猫，也要看几百万张甚至更多的图片，而且成功率还达不到100。
情感。人有七情六欲，有快乐、生气、恐惧、悲伤等各种情感，可以说，人之所以为人，正是因为人有情感，会有情绪上的波动，这样人才显得生动。
而目前的计算机不具备任何情感，现在很多投资者都采用机器交易员，除了机器具有强大的数据收集和分析能力，很重要的一点，就是看中了机器交易不受情绪和情感波动的影响，会严格按照策略机械冰冷的执行，不会因为恐惧而不敢买，也不会因为贪婪而不去卖。
自我意识。虽然对于人而言，到底什么是自我意识还没有一个确切的答案。但我们通常还是会拿自我意识，作为人与机器之间最本质的区别。目前，机器还没有自我意识，它无法意识到自我的存在，也就不具备人所谓的自尊、自信，只是按照人们的指示来行动，成为人们手中的工具。
虽然我们的软件已经可以给我们提供建议，可以跟我们聊天，但那都是基于庞大的数据库与深度学习的结果。而未来的机器会不会产生自我意识，我们只能拭目以待了。
四、人工智能发展下的个体人工智能的快速发展，虽然不一定会威胁到人类的生存，但必然会给人类社会带来深刻的变革。我们不用整日杞人忧天，但提前做好准备，迎接未来的挑战，却是我们时刻都需要思考的事。
现在让我们一起来探讨面对人工智能，人类将如何变革。作为个体，又应该如何去应对和谋求自身发展。
4.1文艺复兴回顾历史，科技的发展主导了人类的三次工业革命：
蒸汽机、纺织机的发明开启了第一次工业革命，农名与手工业者进入工厂，成为工人；电气技术、内燃机为代表的第二次工业革命；原子能技术、信息技术等为代表的第三次工业革命。每一次都使人类的生活水平、工作方式、社会结构发生了深刻的变化。而飞速发展的人工智能，极有可能成为下一次工业革命的核心驱动力。
以交通为例，蒸汽机、内燃机、电动机的相继问世，让人们的交通从马车飞跃到了汽车、高铁和飞机，提高了人们出行的效率。而基于人工智能的无人驾驶，再一次彻底改变了人类出行的方式，将人们的出行效率进一步提高。不仅如此，人工智能将颠覆多个领域的固有模式，极大提高人们的生产效率。
然而，我们不能仅仅把人工智能看成技术上的革命。牛津大学全球化与发展教授、著名经济学家伊安·戈尔丁认为，今天这个时代与欧洲中世纪的文艺复兴与启蒙运动非常相似。
科学技术的发展带来了物质生活的丰富和人们生活水平的提高，但世界依然面临贫富悬殊、环境污染、疾病战争的问题。
一方面，是先进的思想（比如科技）引领的时代潮流，另一方面是世界的政治、宗教等发展严重滞后，世界仍然动荡不安。快速发展的思想与科技与长期不稳定的全球状态，存在着矛盾以及变革的需求。
如果我们把欧洲中世纪的文艺复兴与如今的科技革命结合起来看，便会发现二者存在微妙的相似之处。如果我们不局限于科技领域，将眼光拓展到政治、经济、人文、社会等层面，人工智能所带来的深刻变革就像是当年启蒙思想对于人类固有社会结构的冲击。
人工智能可以帮助人类驾驶、可以影响民主选举、可以写作与绘画。可以说，人工智能不仅仅是一次技术上的革命，更是触及政治、经济、文化、艺术等各个层面，极有可能成为下一次文艺复兴的开端。
4.2失业潮？每一次机器战胜人类，就会产生人类会被机器取代的悲观言论。
的确，随着人工智能的日益强大，它可以做的事越来越多，而且比人类做的更快更好，那么，人类真的会被彻底取代吗？
纺织机取代手工制作，导致大批手工业者失业。汽车取代马车，大量的马车夫以及整个链条上的人失业。互联网的普及，导致电报行业基本消失。
看起来，每一次技术革命，都必然会带来大批人的失业。但是，我们仔细想一想。汽车取代马车，导致马车产业链上的人失业，但是却创造了更大的产业链条。
而且，马车是上层社会的身份象征，但汽车经过多年的发展却已经走进千家万户，影响了更多的人，也创造了更多的就业机会。我们所认为的失业，更准确的说，应该是工作转变，转变成了新的形式。
但这里就涉及两个重大的问题：
如果很多工作真的被人工智能取代，那这些被替代的人应该如何调配；我们的教育应该如何变革，才能保证我们的后代能够意识到，哪些工作不会被轻易取代。谈到哪些工作容易被取代，书中给出了一个“五秒钟法则”，即如果人可以在5秒钟内对工作中的思考和决策的问题做出相应的决定，那么，这项工作就有极大的可能被人工智能所取代。
比如，司机在开车时，几乎不需要任何深入思考，只要基于平时的经验和习惯，就可以胜任；再比如，简单的翻译或者编辑工作，只需要按部就班，就可以完成。
像司机、客服、会计、翻译这些不需要缜密的思考，只需要按照固有经验按部就班的工作，在未来有90将被人工智能取代。
相反，那些需要人类大量思考、发挥创意和想象力、抽象与归纳能力以及基于人类情感交流的工作，比如设计师、架构师、艺术家、文学家等，就不容易被人工智能取代。
当然，这些工作的形式也不会一成不变，人工智能将会成为他们优秀的工具和助手，将他们的能力和效率发挥到极致。
4.3个人发展可以预见，在人工智能时代，那些机械的、重复的、依靠记忆和大量练习就可以掌握的知识和技能，是必然会被机器所取代的，学习它们将逐渐变得毫无价值。而且，现代教育体系下所采用的应试的、填鸭式的、“批量生产”的学习方式，也逐渐变得不可取。
那么，作为个体而言，应该学什么，以及应该如何学，才不容易被人工智能所取代，就变得异常重要。
我们在谈论人与机器的区别时，通常会谈到情感、自我意识、想象与创造、抽象与归纳、跨领域推理、综合分析与整合等方面。那么，这些人区别与机器的领域就是我们应该选择并从事的领域。
这些领域多基于人对于复杂系统的综合分析与决策，审美与创造，直觉与常识，沟通与互动，以及人自身的情感。
比如单纯学习一门编程语言就价值有限，而学习人机交互、机器学习，用于指导机器如何去编程，创造性的去设计下一代人工智能就变得非常有意义。
再比如，仅学习简单的机械的翻译，再很大程度上会被机器取代，但如果同时深入钻研语言、文学、历史，在翻译过程中加入更为丰富的文学渲染，让翻译作品更为地道、更有艺术性和历史积淀，那么这种翻译水平机器很难达到。
知道了该学什么还不够，采用固有的学习方式，依然赶不上人工智能的发展速度。人类要想快速突破，就必须采用更为有效的学习方法。
主动挑战极限。就像武侠小说中的练武，平常的训练已无法突破，但在命悬一线、生死较量的那一刻，突然顿悟。人在面临极限的时候，会变得异常专注，可以调动全身的所有细胞和感觉来应对面前的挑战，这种状态能够更有效地激发人的潜能。
从实践中学习。很多人觉得看了很多书，却依然没有长进。从小学的很多知识，到头来全部忘记。最根本的原因是没有学以致用。要想真正学会有价值的知识，就不应该把学和用分开，而是边学边用，甚至以用促学，这样才会有事半功倍的效果。
注重启发，培养创造力和独立解决问题的能力。我们在日常工作中习惯了接受被动的指令，按部就班的完成工作，但这种缺乏思考的过程很容易被替代。
即便是已经轻车熟路的事，我们也应该勤于思考，看能否找到更为快捷、更为有效的方式，甚至自己建立一套工作体系和反思框架，不断去调整和完善，创造性的完成现有的工作。
主动向机器学习。一直以来，人类面对其他物种以及人造物，都是一种高高在上的姿态。但自从人工智能诞生以来，在很多领域，机器已经超越了人类。
比如AlphaGo，已经成为名副其实的围棋大师，它所开创的很多战略思想和招式都是人类不曾见过的，已经有很多围棋高手在虚心向它学习。
如果有一天，我们需要面对一个比我们厉害的人工智能，向它们学习，而不是孤高自傲，应该是更为明智的选择。
不仅要学习人人协作，更要学习人机协作。未来，人工智能将会成为人们强有力的工具和伙伴，它们的协助将大大提高我们的工作效率。
那么，如何与它们进行协作，发挥出最大潜能，就成了一个很重要的技能。这就像我们在《全球风口》中提到的，人的机器智能，我们只有学会更好的了解机器，才能更好的与之协作。
学习要追随兴趣。兴趣，就是遵从内心的好奇，有可能进行深入研究的领域。在人工智能时代，广泛但浮于表面的学习，很容易被取代。
只有遵从人最原始的好奇，进行深层次的研究，融入自己的感情，才有可能超越机器，创造出不可替代的价值。
五、人工智能带来的机遇综上，我们可以发现，人工智能的确来了。而且可以预见，在未来几年内，人工智能将进入高速发展期，将会诞生很多伟大的企业和产品。
那么，面对这样一个风口，无论是创业还是投资，我们应该如何去把握机遇？
5.1时代格局人工智能，并非是全新的商业模式，而是对现有商业模式的重新塑造。它可以极大的提升生产效率，未来10年，绝大部分企业都要经历“人工智能 ”的改造，缺乏人工智能技术的协助，企业将举步维艰，失去竞争力。
人工智能已经成为国家的科技发展战略的核心。2016年5月，国家发改委、科技部、工业和信息化部、中国网信办就联合制定了《“互联网 ”人工智能三年行动实施方案》。
2017年3月，第十二届全国人民代表大会第五次会议政府工作报告更是明确提出，国家将加快人工智能新兴产业的技术研发和转化。
美国政府也不甘落后，2016年10月至12月，美国白宫科技政策办公室连续发布了三份人工智能战略报告。整个2016年，几乎成了人工智能“战略报告年”。几乎所有科技发达的国家都在从战略上去布局人工智能。
同时，人工智能也成为各互联网高科技公司竞相布局的主要战场。
Google在2005年，就开始内部培训机器学习课程，进行技术积累与铺垫。并逐步创建谷歌大脑，之后，公司的机器学习项目如雨后春笋。
Facebook、亚马逊、腾讯、百度等也都在积极布局，收购各类创业公司和人才，进行技术研发和转化。图形处理器（GPU）巨头之一的英伟达，也因为人工智能的火热而变得炙手可热。
科技巨头拥抱人工智能，必然可以为人工智能的发展起到积极的推动作用，但也存在着诸多威胁。
目前，懂得如何创建人工智能系统的人才数量非常有限。巨头们轻易就可以将他们瓜分殆尽，留给其他企业的人才少之又少。其次，人工智能属于新领域，且都是相对复杂的项目，需要极大的资源才能负担，而这些负担是普通企业无法承受的。
此外，人工智能项目对于数据的需求量巨大，而数据通常掌握在巨头手中，这对于创业公司极为不公平。
最终，如果处置不当，人工智能很有可能形成垄断，成为巨头们的盛宴。
5.2把握风口把握时代风口，紧跟时代潮流，是决定创业或投资成败的最为关键的因素。生于1955年的盖茨和乔布斯，如果在20世纪70年代去创办互联网企业，估计连一分钱投资都拿不到，因此，他们选择了桌面电脑。
而生于1964年的贝索斯和生于1968年的杨致远，在1994年创办亚马逊和雅虎，却正好赶上了互联网诞生的萌芽。但凡伟大的企业，一定是把握了时代脉搏，最终发展壮大。
人工智能的时代刚刚开启，目前的时期，就类似于上世纪70年代的PC，90年代的互联网，2005年的移动互联网，处于一个非常早的时期。作为20、30岁的年轻人，人工智能应该是一个充满了机遇与挑战的领域。
人工智能的商业化大致可以分为三个主要阶段：
第一阶段，人工智能会刷线在线上化程度高的行业应用，在数据端、媒体端实现智能自动化。这一阶段主要涉及线上的“虚拟世界”。比如我们现在使用的搜索引擎、智能翻译、智能导航。这些拥有大量数据来源的线上业务将最先完成智能化改造。
第二阶段，随着感知技术、传感器和机器人技术的发展，人工智能会逐渐延伸到实体世界，在各专业领域实现线下业务的智能自动化。比如工业机器人、物流机器人。
第三阶段，当技术进一步成熟，研发和商业成本进一步降低，人工智能会延伸到个人应用场景，全面的人工智能时代来临。届时，我们的家庭、个人以及日常生活中，使用的各种产品都将完成智能化改造，达到一种万物智能与互联的状态。
中国目前在人工智能领域独具优势：
中国政府重视人工智能的发展，并将其上升到国家发展战略的层面，这为人工智能在中国的发展提供了坚实的基础；从人工智能相关论文和引用数量上，中国人占比已经位列全球第一，意味着在全球范围内，中国拥有大量研究人工智能的科研人才；中国拥有全球最大规模的互联网市场，以及网民数量，这对于人工智能所需的数据采集，以及之后的商业化，都有着重大的推动作用。5.3五大基石人工智能创业大致需要具备五个前提：
清晰的领域界限：对于人工智能而言，跨领域的联想和迁移是一件很难达到的事情，因此，将开发领域限定在某一个专业性的领域，会让项目的未来更加明朗和靠谱。
闭环的、自动标注的数据：对于人工智能而言，数据是不可或缺的学习原料，只有在领域内设计一套自动标注的数据采集系统，才可以提炼特征数据集，帮助人工智能学习和反馈，不断进化和提升。
充足的数据量：人工智能基于深度学习，庞大的数据量是保证深度学习质量的前提。如果没有充足的数据量的来源，那么发展人工智能也几乎是一件不可能完成的事。
超大规模计算能力：高性能的计算机集群是人工智能发展的基础，而这些基础设施需要耗费极大的成本去建设，这种计算能力主要是指机器视觉，即GPU性能。一个典型的深度学习任务，至少需要一台或多台安装4块到8块以上高性能GPU的计算机上运行。
顶尖的科学家：人工智能的研发非常依赖算法工程师甚至科学家的经验，没有丰富而先进的经验，很可能遇到技术瓶颈而无法突破，让项目发展停滞甚至流产。
后记作者从概念、发展历程、社会变革、人们的应对方式以及创新机遇等多个方面，非常全面的介绍了人工智能的相关知识。读完之后，相信大家对于人工智能都建立了一个比较全面的认知。
