到底什么是人工智能？

人工智能就在我們身邊，但并不是所有人都能留意到它的存在。深藍和AlphaGo，是我們大多人對人工智能的初步認知。

那么，究竟什么是人工智能？歷史上，人工智能的定義歷經多次轉變，但直到今天，被廣泛接受的定義仍有很多種。具體使用哪一種定義，通常取決于我們討論問題的語境和關注的焦點。

定義三：Al就是與人類行為相似的計算機程序

和仿生學派強調對人腦的研究與模仿不同，實用主義者從不覺得人工智能的實現必須遵循什么規則或理論框架。“黑貓白貓，逮住耗子的就是好貓。”在人工智能的語境下，這句話可以被改成：“簡單程序，復雜程序，聰明管用的就是好程序。”

也就是說，無論計算機以何種方式實現某一功能，只要該功能表現得與人在類似環境下的行為相似，就可以說，這個計算機程序擁有了在該領域內的人工智能。這一定義從近似于人類行為的最終結果出發，忽視達到這一結果的手段。另一種對人工智能的近似定義則更強調人工智能的實用色彩：A1：就是可以解決問題并獲得最大收益的計算機程序。

略懂些編程的人都知道，幾乎所有程序設計語言都提供了類似“if…else…”的分支結構，即，如果程序發現某個條件已滿足，就執行if之后的指令，否則就執行else之后的指令。那么，與“if…else…”相關的一個哲學問題是，程序根據某個條件進行判斷并完成相應操作的時候，這個“判斷”以及隨后的?“決定”是由計算機自己做出的，還是由編程序的人做出的？如果是由計算機自己做出的，那能不能說所有執行了“if…else…”?語句的計算機程序都是人工智能？如果相反，那計算機根據運行時的情況做決策時，人又在哪里呢？

哲學思辨容易陷入這樣的兩難境地，但實用主義者根本不把這當回事一一執行“if…else…”的程序是否有智能，完全要看那個程序是不是做了和人相似的有智能的事。像Dendral這樣的專家系統就是靠大量“if…else…”來模仿人類專家的判定規則，這當然屬于人工智能的范疇，而普通的數值計算程序即便用了“if…else…”也不能被稱作智能。

實用主義者推崇備至的一個例子是麻省理工學院于1964年到1966年開發的“智能”聊天程序ELIZA。這個程序看上去就像一個有無窮耐心的心理醫生，可以和無聊的人或需要談話治療的精神病人你一句我一句永不停歇地聊下去。當年，ELIZA的聊天記錄讓許多人不敢相信自己的眼睛。可事實上，ELIZA所做的，不過是在用戶輸入的句子里，找到一些預先定義好的關鍵詞，然后根據關鍵詞從預定的回答中選擇一句，或者簡單將用戶的輸入做了人稱替換后，再次輸出，就像心理醫生重復病人的話那樣。ELIZA心里只有詞表和映射規則，它才不懂用戶說的話是什么意思呢。

這種實用主義的思想在今天仍有很強的現實意義。比如今天的深度學習模型在處理機器翻譯、語音識別、主題抽取等自然語言相關的問題時，基本上都是將輸入的文句看成由音素、音節、字或詞組成的信號序列，然后將這些信號一股腦塞進深度神經網絡里進行訓練。深度神經網絡內部，每層神經元的輸出信號可能相當復雜，復雜到編程者并不一定清楚這些中間信號在自然語言中的真實含義，但沒有關系，只要整個模型的最終輸出滿足要求，這樣的深度學習算法就可以工作得很好。在研究者看來，深度學習模型是不是真的跟人類大腦神經元理解自然語言的過程類似，這點兒都不重要，重要的是，整個模型可以聰明地工作，最終結果看起來就像人做得一樣。

定義四：AI就是會學習的計算機程序

這一定義幾乎將人工智能與機器學習等同了起來。但這的確是最近這撥人工智能熱潮里，人工智能在許多人眼中的真實模樣。誰讓深度學習一枝獨秀，幾乎壟斷了人工智能領域里所有流行的技術方向呢？

20世紀80年代到90年代，人們還在專家系統和統計模型之間搖擺不定，機器學習固守著自己在數據挖掘領域的牢固陣地遠遠觀望。從2000年到2010年，短短十幾年過去，機器學習開始逐漸爆發出驚人的威力，并最早在計算機視覺領域實現了驚人的突破。2010年至今，使用深度學習模型的圖像算法在lmageNet競賽中顯著降低了對象識別、定位的錯誤率。2015年lmageNet競賽中領先的算法已經達到了比人眼更高的識別準確率。就在同一年，語音識別依靠深度學習獲得了大約49%的性能提升。機器翻譯、機器寫作等領域也在同一時期逐漸被深度學習滲透，并由此獲得了大幅改進。

“無學習，不AI”，這幾乎成了人工智能研究在今天的核心指導思想。許多研究者更愿意將自己稱為機器學習專家，而非泛泛的人工智能專家。谷歌的AlphaGo因為學習了大量專業棋手棋譜，然后又從自我對弈中持續學習和提高，因此才有了戰勝人類世界冠軍的本錢。微軟的小冰因為學習了大量互聯網上的流行語料，才能用既時尚，又活潑的聊天方式與用戶交流。媒體上，被宣傳為人工智能的典型應用大多都擁有深度學習的技術基礎，是計算機從大量數據資料中通過自我學習掌握經驗模型的結果。

這一定義似乎也符合人類認知的特點—沒有哪個人是不需要學習，從小就懂得所有事情的。人的智慧離不開長大成人過程里的不間斷學習。因此，今天最典型的人工智能系統通過學習大量數據訓練經驗模型的方法，其實可以被看成是模擬了人類學習和成長的全過程。如果說人工智能未來可以突破到強人工智能甚至超人工智能的層次，那從邏輯上說，在所有人工智技術中，機器學習最有可能扮演核心推動者的角色。

當然，機器目前的主流學習方法和人類的學習還存在很大的差別。舉個最簡單的例子：目前的計算機視覺系統在看過數百萬張或更多自行車的照片后，很容易辨別出什么是自行車，什么不是自行車，這種需要大量訓練照片的學習方式看上去還比較笨拙。反觀人類，給一個三四歲的小孩子看一輛自行車之后，再見到哪怕外觀完全不同的自行車，小孩子也十有八九能做出那是一輛自行車的判斷。也就是說，人類的學習過程往往不需要大規模的訓練數據。這一差別給人類帶來的優勢是全方位的。面對繁紛復雜的世界，人類可以用自己卓越的抽象能力，僅憑少數個例，就歸納出可以舉一反三的規則、原理，甚至更高層次上的思維模式、哲學內涵等。最近，盡管研究者提出了遷移學習等新的解決方案，但從總體上說，計算機的學習水平還遠遠達不到人類的境界。

如果人工智能是一種會學習的機器，那么需要著重提高的，就是讓機器在學習時的抽象或歸納能力向人類看齊。

定義五－AI就是根據對環境的感知，做出合理的行動，并獲得最大收益的計算機程序

針對人工智能，不同的定義將人們導向不同的研究或認知方向，不同的理解分別適用于不同的人群和語境。如果非要調和所有看上去合理的定義我們得到的也許就只是一個全面但過于籠統、模糊的概念。

維基百科的人工智能詞條采用的是斯圖亞特??羅素?( Stuart Russell)與彼得??諾維格(Peter Norvig )?在《人工智能：一種現代的方法》'一書中的定義，他們認為：

人工智能是有關“智能主體?( Intelligent agent）的研究與設計”的學問，而“智能主體是指一個可以觀察周遭環境并作出行動以達致目標的系統”

基本上，這個定義將前面幾個實用主義的定義都涵蓋了進去，既強調人工智能可以根據環境感知作出主動反應，又強調人工智能所做出的反應必須達致目標，同時，不再強調人工智能對人類思維方式或人類總結的思維法則（邏輯學規律）的模仿。

以上，列舉了五種常見的人工智能的定義。其中，第二種定義（與人類思考方式相似）特別不可取。人們對大腦工作機理的認識尚淺，而計算機走的幾乎完全不同的技術道路。正如深度學習“三巨頭”之一的揚.勒丘恩（Yann LeCun）所說，對深度神經網絡，“我最不喜歡的描述是‘它像大腦一樣工作’，我不喜歡人們這樣說的原因是，雖然深度學習從生命的生物機理中獲得靈感，但它與大腦的實際工作原理差別非常巨大。將它與大腦進行類比給它賦予了一些神奇的光環，這種描述是危險的。這將導致天花亂墜的宣傳，大家在要求一些不切實際的事情。人工智能之前經歷了幾次寒冬就是因為人們要求了一些人工智能無法給予的東西”。國內著名機器學習專家、南京大學教授周志華則說：現在有很多媒體，常說深度學習是模擬人腦，其實這個說法不太對。我們可以說從最早的神經網絡受到一點點啟發，但完全不能說是‘模擬人腦’之類的。

第一種定義（讓人覺得不可思議）揭示的是大眾看待人工智能的視角，直觀易懂，但主觀性太強，不利于科學討論。第三種定義（與人類行為相似）是計算機科學界的主流觀點，也是一種從實用主義出發，簡潔、明了的定義，但缺乏周密的邏輯。第四種定義（會學習）反映的是機器學習特別是深度學習流行后，人工智能世界的技術趨勢，雖失之狹隘，但最有時代精神。第五種定義（維基百科使用的綜合定義）是學術界的教科書式定義，全面均衡，偏重實證。

本文選自《人工智能》作者李開復 王詠剛

四川弘和集團，成立于2005年，主要經營業務包括人工智能產品研發、生產、銷售， 大數據應用服務、定制軟件開發、互聯網和移動互聯網、電信增值業務等。

通過ISO9001（國際標準質量體系）、CMMI5軟件成熟度認證，具有系統集成、安防、建筑智能化、B類電信增值業務、信息安全、SP、ISP等專業資質。參與人工智能圖像識別標準制定，在人工智能算法研究和應用領域處于行業領先地位。

企業定位為人工智能應用服務提供商，依托人臉識別、計算機視覺、語義識別和大數據核心技術，結合物聯網、無人機、機器人、4G/5G通信和區塊鏈技術，整物聯網和移動互聯網商業模式，全面打造人工智能2B和2C端應用產品，成為專業的人工智能技術產品創新型和應用服務型企業。

編輯：黃飛