人们对计算机分析和学习技术进行了研究,并把它们用于了人工智能领域。人工智能代表了人们的雄心壮志:创造能够思考、学习、解决问题的机器。在应用方面,和人类的心智别无二致。

显而易见,人工智能并不是什么新鲜事物。我们每一个人在日常生活中都会用到。我们发送电子邮件、使用信用卡、旅游或是上网时,人工智能系统是我们得以从事这些活动的基础。智能的算法不停地检测信用卡诈骗,关注航班的起降,时刻关注库存。在有的自动化工厂中,人工智能甚至能为人们生产货物。

遗传算法

这些人工智能算法基于机器学习、深度学习、人工神经网络和自然语言处理。人工智能的另一个组成部分就是用于制造他们的算法。遗传算法就是很好的一个例子。遗传算法是一种被用于人工智能以及计算领域的启发式搜索方式,理论基础是达尔文的进化论。基于自然选择和进化生物等理论(如选择、转化、遗传、重组),遗传算法可以被用于优化问题的解决方式。

遗传算法基于这样一种观念:染色体是一连串的基因。R.A. Fisher采用了这种观点,建立了一系列数学公式,测算了某一条基因在某一种群中传播的速率

过去,传统的算法在解决优化问题时(不管有无约束条件),会为每一个循环生成一个单独的数据点,数据点所构成的序列就会成为一种解决方案。恰恰相反的是,遗传算法使用的方法与自然选择理论较为相似。这种算法通过重复修改某一种解决方案的每一个步骤,从现有的所有点中随机选取,并把他们作为“父点”,并基于其产生“子点”。经过了几代之后,人们就能得到一个优化了的“种群”——即解决方案。

尽管过程是随机的,但遗传算法的结果绝不是随机的。恰恰相反,这种算法利用了过去的信息,指导人们的研究,提高算法的性能。遗传算法有效地模拟了人类社会中“适者生存”的原理,通过若干代的“繁殖”,解决我们的问题。每个人都代表研究中的一个点,也就是一种可能的解决方案。种群中的个体会经历进化的过程。

人工智能之所以能够从数据中学习并给出解决方案,是因为人们综合运用了遗传算法、机器学习、深度学习、人工神经网络和自然语言处理,而人工智能的这些功能都是最基本的人类活动。如今,这些方法还被运用于从海量复杂的数据中定位查找可行的方案,解决各类优化问题,不管有无约束条件。这种算法可以被运用于标准数据模型无法解决的问题,比如目标函数不可导、不可微或是高度非线性。算法还可以被运用于组合问题,因为比起传统的搜索方法,这种算法不会“卡”在局部最优的计算上。

人工智能:从弱到强

这些进步使得人们能够利用任何形式的海量数据进行额外的操作。然而,大部分能够完成这些任务的人工智能都是“弱人工智能”。它们的设计只能适用于特定的方面。他们能够执行独立的任务,从计算上来说虽然复杂,但定义却十分明确。这样的人工智能设备有IBM公司的Watson、无人驾驶汽车以及聊天机器人

这些人工智能尽管拥有很高的性能,但却无法应对新出现的问题。他们只是用于实现特定目标的工具(比如赢下象棋比赛,回答顾客的疑问等)。而强人工智能(AGI)则能够实现更为一般的目的——学习新的事物,自我提升,扩展功能,甚至是创造新的事物。很明显,AGI系统能够自动适应新的任务,随着外界环境的变化不断调整自己。他们已经能完成开放式的任务。即使是在AGI系统中使用的语言,也是根据这种理念设计的。Replicode就是一个很好的例子。它与传统的AI语言不同,只有短小的平行程序,并没有明确的“if-then”式的条件语句或是循环。

商业运用

人工智能和强人工智能能够被用于很多领域。去年,Uber收购了刚刚建立的Geometric Intelligence公司,想要在总部研发新的人工智能设备。Uber此次收购与人们的猜想十分吻合,也说明了公司的商业计划会随着科技的不断发展而不断变化。但有一件事是显而易见的:整个行业正处于不断的变动之中,只有适应变化,才能存活。正如Uber首席产品官Jeff Holden所说的那样

“如果你展望未来,人工智能将会带来翻天覆地的变化,改变商业模式和商机。”

然而,进步是一个持续的过程,金融公司们已经用对冲基金来基于数据预测价格变化。他们使用的数据包括价格、数量、新闻、社交媒体,涵盖多种语言,以及其他公司、国家级别的经济和会计数据。诸如弹性、市场结构、价格优化等经济理论都被人工智能所运用、吸收,这种转变不可谓不深远。

我们即将见证人工智能在经济、社会、商业等领域的更为广泛的应用。对人们来说,学习之旅刚刚开始。我们所要面对的,还有人工智能的逐渐渗透以及一个崭新的未来:新技术与现实的结合将会给我们带来巨大的冲击。

作者:Mark Esposito, 剑桥大学贾吉商学院研究员

Kariappa Bheemaiah,剑桥大学贾吉商学院副研究员

Terence Tse,欧洲高等商学院伦敦校区助理金融教授

以上内容仅代表作者个人观点。

本文由与The Conversation联合发表,转载联系作者并注明原文链接

翻译:达沃斯博客翻译小组·彭永康

责编:刘博睿

世界经济论坛·达沃斯博客是一个独立且中立的平台,旨在集合各方观点,讨论全球、区域及行业性重要话题。