人工智能VS人类大脑？究竟谁能最后取胜？
（节选自英国金融时报，作者理查德•沃特斯，译者/裴伴）
自从人工智能打败围棋冠军后，使人们产生了一种技术已经势不可挡的感觉。但随着问题的不断深入，距离AI解决实际问题还要经历很长一段时间。
目前，人工智能还不能取代你的生活，仍然有很多问题需要解决，尤其在技术还不成熟以及数据量还不够的前提下，要想解决实际问题，人工智能仍然有很长的路要走。
文章意在阐述人工智能解决实际问题所遇到的障碍，通过技术的不成熟和数据的不充足这两个事实，来说明了AI解决实际问题的能力还相差甚远。
文章意在阐述人工智能解决实际问题所遇到的障碍，通过技术的不成熟和数据的不充足这两个事实，来说明了AI解决实际问题的能力还相差甚远。
以下为精选阅读：
你的计算机不会很快抢走你的工作。但是，在挑战它玩棋盘游戏之前，你应该三思——即使是它以前没有玩过的。看到最顶级的人类玩家输给机器不是新鲜事。谷歌(Google)的DeepMind最近更进一步：它利用自己的通用游戏算法从零开始自学，在几个小时内就成为三种不同游戏的冠军，胜过最好的定制类人工智能系统。
乍看之下，这听起来像是机器与人类智能之间的鸿沟很快就会被跨过。自人工智能出现以来，人类就梦想着能够创造一个像人类头脑那样善于解决任何问题的广义智能。
许多专家为DeepMind的适应性游戏大脑欢呼，艾伦人工智能研究所(Allen Institute for Artificial Intelligence)所长奥伦•埃齐奥尼(Oren Etzioni)就是其中之一，他将其称为“令人印象深刻的技术成就”。然而，在谈到其应用领域有限时，他套用了《哈姆雷特》(Hamlet)中的台词：“天地之间的事情比DeepMind哲学中梦想的更多。”换言之，这家谷歌子公司通过在棋盘游戏中击败人类而声名鹊起，但有必要正确看待它的成就。
最近几年关于人工智能在棋盘上获胜的头条新闻，让人们有种技术进步势不可挡的感觉。摩尔定律(Moore’s law)准确描述芯片行业的发展速度已有半个多世纪，它让科技行业的客户习惯于相信技术会不断进步。为什么人工智能会有不同？
有很多证据可以助长这一观点。过去五年里，图像和语音识别技术的进步引人注目，这些领域的指数级进步很可能会带动其他领域。但是，随着问题性质的改变，我们将需要全新的方法。限制表现在两个主要方面。机器学习系统往往被吹嘘为原始算法，可以适应任何任务——取决于用什么数据来训练它们。但在现实中，它们必须根据特定目的适应和“调整”，相当于人工智能的管道胶带。
正如DeepMind的研究人员所描述的那样，最好的下棋系统是“手工制作的”，依靠“复杂的领域适应”，即改进表现的变通方法。
可以自学成为顶级象棋或围棋棋手的适应性算法当然是一种成就。但这并不意味着它已经准备好冲出人造的游戏世界，这种世界的规则不可改变，玩家总是对局面有完全了解 （即便不一定了解对手的心思）。
另一个重大限制源于如下事实，即机器学习系统依赖大量数据，其中很大一部分数据由人类精心标记。这非常昂贵，而且随着数据量的增加，回报会逐渐递减。
DeepMind所采用的强化学习方法尤其渴求数据。它涉及进行大量测试，系统可从中学习。每个动作的结果被计算权重，然后存储在机器的记忆中，以便它试图改善自己在所有情况下的响应。这在一个自成一体的游戏世界里可能有效，但纷繁复杂的现实更难建模。使用模拟器让人们无数次重复基本上相同的情景，从而缓解这种限制。
无人驾驶汽车用更长时间的模拟为真实世界的行驶经验提供补充。深度学习先驱吴恩达(Andrew Ng)表示，这种方法也在机器人技术领域产生了成果。他表示，如果一个机器人能够成功建模，那就有可能“在模拟中得到基本上无限的经验”。
解决真实世界的问题将更为困难。它意味着不仅要预测一系列场景，而且还要处理各种程度的不确定性。教会机器一些它不懂的事情只是开始。DeepMind的下一个重大挑战将是《星际争霸》(StarCraft)，这是一种有关外星物种之间斗争的科幻战略游戏。玩家信息有限，必须规划、执行和调整战略。在这种未知领域里，机器不一定能学到取胜所需的特质。
这并不会削弱如下事实，即机器学习是自互联网发明以来最重要的通用技术之一。但它突显出今天的人工智能还得走很长一段路，才能达到与炒作相称的水平。
许多专家为DeepMind的适应性游戏大脑欢呼，艾伦人工智能研究所(Allen Institute for Artificial Intelligence)所长奥伦•埃齐奥尼(Oren Etzioni)就是其中之一，他将其称为“令人印象深刻的技术成就”。然而，在谈到其应用领域有限时，他套用了《哈姆雷特》(Hamlet)中的台词：“天地之间的事情比DeepMind哲学中梦想的更多。”换言之，这家谷歌子公司通过在棋盘游戏中击败人类而声名鹊起，但有必要正确看待它的成就。
最近几年关于人工智能在棋盘上获胜的头条新闻，让人们有种技术进步势不可挡的感觉。摩尔定律(Moore’s law)准确描述芯片行业的发展速度已有半个多世纪，它让科技行业的客户习惯于相信技术会不断进步。为什么人工智能会有不同？
有很多证据可以助长这一观点。过去五年里，图像和语音识别技术的进步引人注目，这些领域的指数级进步很可能会带动其他领域。但是，随着问题性质的改变，我们将需要全新的方法。限制表现在两个主要方面。机器学习系统往往被吹嘘为原始算法，可以适应任何任务——取决于用什么数据来训练它们。但在现实中，它们必须根据特定目的适应和“调整”，相当于人工智能的管道胶带。
正如DeepMind的研究人员所描述的那样，最好的下棋系统是“手工制作的”，依靠“复杂的领域适应”，即改进表现的变通方法。
可以自学成为顶级象棋或围棋棋手的适应性算法当然是一种成就。但这并不意味着它已经准备好冲出人造的游戏世界，这种世界的规则不可改变，玩家总是对局面有完全了解 （即便不一定了解对手的心思）。
另一个重大限制源于如下事实，即机器学习系统依赖大量数据，其中很大一部分数据由人类精心标记。这非常昂贵，而且随着数据量的增加，回报会逐渐递减。
DeepMind所采用的强化学习方法尤其渴求数据。它涉及进行大量测试，系统可从中学习。每个动作的结果被计算权重，然后存储在机器的记忆中，以便它试图改善自己在所有情况下的响应。这在一个自成一体的游戏世界里可能有效，但纷繁复杂的现实更难建模。使用模拟器让人们无数次重复基本上相同的情景，从而缓解这种限制。
无人驾驶汽车用更长时间的模拟为真实世界的行驶经验提供补充。深度学习先驱吴恩达(Andrew Ng)表示，这种方法也在机器人技术领域产生了成果。他表示，如果一个机器人能够成功建模，那就有可能“在模拟中得到基本上无限的经验”。
解决真实世界的问题将更为困难。它意味着不仅要预测一系列场景，而且还要处理各种程度的不确定性。教会机器一些它不懂的事情只是开始。DeepMind的下一个重大挑战将是《星际争霸》(StarCraft)，这是一种有关外星物种之间斗争的科幻战略游戏。玩家信息有限，必须规划、执行和调整战略。在这种未知领域里，机器不一定能学到取胜所需的特质。
这并不会削弱如下事实，即机器学习是自互联网发明以来最重要的通用技术之一。但它突显出今天的人工智能还得走很长一段路，才能达到与炒作相称的水平。