AI與AI，劃分沒那么簡單

張澤玲

對AI的類別還傻傻分不清？在正式開始探討技術方面的問題之前，看來我們有必要先對AI的類別與界定做—個明確的劃分。

01

大腦發達Vs.小腦發達

對人類而言，視覺、聽覺、嗅覺等感知功能以及語言、學習、記憶、推理等思維活動主要由大腦控制；平衡、姿態、運動等與動作相關的行為則主要受小腦支配。而人工智能，也可以分為“大腦發達”和“小腦發達”兩個類別。

“大腦”很強勢

幾乎已經打遍天下無敵手的AlphaGo，卻在現實中一個棋子也不會擺。因為在人工智能的技術里，計算如伺下贏圍棋和如何控制機械臂運動，幾乎是完全不同的理論和方法。為了從各個角度模擬人類智能，這些處理技術又細分為計算機視覺、語音工程、自然語言處理、決策分析系統等多個方向。而這類人工智能大多具有自主學習進化的能力。

計算機視覺，顧名思義研究如何使機器“看”，即使用攝影機和計算機對目標進行識別、跟蹤和測量。如iPhoneX的“刷臉開機”，道路監控系統里監測到異常任務或事件時自動報警，自動分析病人的各類體檢圖像來診斷病情等。

語音工程技術的應用則包括語音導航、智能語音助手Siri和Amazon Echo、語音輸入法等。其中涉及如何在噪音中正確識別語音、區分不同口音以及如何生成逼真的人類語音等。語音工程常跟自然語言處理技術結合運用，最顯著的突破就是不同語言之間的翻譯，特別是結合語音技術的同聲翻譯。

決策分析系統更多地應用在大數據分析領域，比如在網上商城購物時，頁面會貼心地“猜出”你還想買哪些東西。

“小腦”很給力

大家比較熟悉的波士頓動力公司研發的人形機器人——Atlas，它經過不斷升級，從雙腳直立行走到現在能跑能跳，就像是擁有了人類“小腦”的智能一般。

相比“大腦發達”的理論算法，這類人工智能廣泛應用的是系統控制理論。通過傳感器收集外界的信息數據，然后讓機械系統做出一系列的動作和反應。這個過程中各步驟一般都是人類提前研究設定好的，而非機器“自主”做出決定，為了系統的穩定，大多沒有自主學習進化的能力。當然，現在也有越來越多的機器人系統嘗試使用機器學習的理論和算法。

事實上在現實應用中，“大腦派”和“小腦派”之間并沒有嚴格的界限，比如自動駕駛汽車，就同時應用了計算機視覺、信號處理和系統控制等多個領域的技術。而很多能聽懂人類語音指令的掃地機器人，也同時使用了語音工程、自然語言識別和系統控制。

02

強人工智能Vs.弱人工智能

說起人工智能，我們的第一印象都是科幻作品中那些跟人類一樣聰敏的機器人。受到目前人類科學技術的限制，我們還沒有一款人工智能可以達到人類的智能水平。人工智能想要達到人類的水平首先要通過圖靈測試——如果人類和一個未知的聊天對象談話，過程中參與聊天的人工智能讓人類無法分辨出是機器還是人類，那么這個人工智能就通過了圖靈測試。能夠通過圖靈測試，并且像人類一樣擁有邏輯推理和解決問題能力的，被稱為強人工智能。許多科幻影視作品中，與人類無異甚至能以假亂真的機器人就是典型的強人工智能。

反之，現實生活中那些只具有部分人類智能的，都被稱為弱人工智能。雖然學術界還在爭論強人工智能是否能夠真正實現，但科學家和工程師們從未放棄讓人工智能越來越聰明，越來越接近人類智能的嘗試和努力。

03

擬人派Vs.機器學習派

就像是我們在試圖飛翔時模仿過飛鳥，早期的人工智能理論也大量參考人類智能、意識和情感的形成原理。科學家們曾試圖在機器上用符號重現人類邏輯推理和認知過程，以及模擬人類大腦。但由于當下對人類大腦和神經系統所知甚少，計算機和機器的運行原理結構又與人類大腦相差太大，所以這一理論的實現遇到了很大困難。雖然在很多科幻作品中能見到這類人工智能的身影，但現實中還沒真正出現。不過，科學家們依然在某些領域試圖從心理或神經方面參考人類智能，比如在人工智能和人類交互的領域。

而另一類則是基于數學統計方法和計算機理論的機器學習。“深度學習”“神經網絡”都是這一領域常用的方法和模型。說起“神經網絡”，它的本質其實只是在計算機上運行的數學模型，只是其中運算推理的過程參考了人類神經元的機理。比起傳統的人工智能理論，機器學習理論最大的優勢是賦予了計算機一定的學習能力和自主性，而不需要人類巨細靡遺地提前設定。不過這一派也離構建“強人工智能”的目標有很長的路要走。

不管是自我學習，還是依照指令做出行動，機器的學習進化依賴大量的數據，這些數據需要人力來處理，學習過程也要得到人類監視，學好的模型也需要人類來“調教”。但無論未來人工智能的發展出現怎樣的新方向和派別，我們的研發宗旨自始至終，都是致力于為人類服務。