我们应该害怕人工智能吗？对我来说，这是个简单的问题，答案甚至更简单，只有两个字：不。但并非所有人都这么认为——许多人，包括已故物理学家斯蒂芬·霍金，曾表达过担忧，认为强大人工智能系统的兴起可能意味着人类的终结。
显然，你是否认为人工智能会接管世界，取决于你是否认为它能够发展出超越人类的智能行为——这被称为“超级智能”。那么，让我们来看看这种情况有多大可能，以及人们为何对人工智能的未来深感忧虑。
人类往往害怕自己不理解的事物。种族主义、恐同和其他形式的歧视常被归咎于恐惧。因此，恐惧也会涉及新技术并不奇怪——新技术往往笼罩着一层神秘色彩。一些技术成就似乎近乎不切实际，显然超出预期，有时甚至超过人类的表现。
机器里没有幽灵
不过，让我们揭开最流行的人工智能技术的神秘面纱，它们统称为“机器学习”。这些技术让机器无需预先编写明确指令，就能学习一项任务。这听起来或许有些诡异，但事实是，这一切不过是一些相当普通的统计学方法。
机器是一个程序，或者更准确地说，是一种算法，其设计目的就是从给定数据中发现关系。我们可以通过许多不同的方法来实现这一点。例如，我们可以逐一向机器展示手写字母（a-z）的图像，让它按顺序说出每次展示的是哪个字母。我们已经提供了所有可能的答案——只能是（a-z）中的一个。起初，机器会随机说出一个字母，我们再给出正确答案来纠正它。我们还对机器进行了编程，让它能够自我调整；这样下次再展示同一个字母时，它就更有可能给出正确答案。结果，机器的表现会随着时间推移而提高，并“学会”识别字母表。
从本质上说，我们对机器进行了编程，让它利用数据中的常见关系来完成特定任务。比如，字母“a”的各种写法在结构上都相似，但与“b”不同，算法可以利用这一点。有趣的是，训练阶段结束后，机器能够将学到的知识应用于新的字母样本，例如由一位其笔迹从未见过的人写下的字母。
不过，人类很擅长阅读。或许一个更有趣的例子是谷歌DeepMind开发的人工智能围棋程序，其棋力已超越所有人类棋手。它的学习方式显然与人类不同——它会与自己对弈大量棋局，这些棋局数量之多，没有人能在一生中下完。它接到的明确指令是赢棋，并被告知自己的行动决定了胜负。它也被告知了游戏规则。通过一次又一次地对弈，它可以在每种局面中找出最佳行动，还能创造出人类从未走过的棋步。
幼儿与机器人
那么，这是否意味着人工智能围棋程序比人类更聪明？当然不是。人工智能非常专门化，只擅长特定类型的任务，不像人类那样具有多方面的能力。人类经过多年才逐渐形成对世界的理解，而人工智能尚未做到这一点，短期内似乎也不太可能做到。
人工智能被称为“智能”，归根结底是因为它能够学习。但即便说到学习，它也远远比不上人类。事实上，幼儿只要看别人解决一次问题，就能学会如何解决。相比之下，人工智能需要海量数据和大量尝试才能成功。然而，人类在生命最初几年里迅速发展出令人惊叹的智能，机器学习背后的关键概念却与一二十年前相比并没有太大变化。
现代人工智能的成功，与其说源于新技术的突破，不如说得益于海量数据和强大的计算能力。不过，值得注意的是，即使有无限的数据，也无法让人工智能获得类似人类的智能——我们需要先在开发人工“通用智能”技术方面取得重大进展。一些实现这一目标的方法包括构建人脑的计算机模型——而我们离实现这一点还差得很远。
归根结底，人工智能能够学习，并不意味着它就会突然学会人类智能的所有方面并胜过我们。人类智能究竟是什么，并没有简单的定义；我们当然也不太清楚它在大脑中究竟如何呈现。但即使我们能够弄清楚这一点，然后创造出一种能够通过学习变得更聪明的人工智能，也不一定意味着它会更成功。
就我个人而言，我更担心人类如何使用人工智能。机器学习算法常被视为黑箱，人们也较少努力查明算法找到的解决方案具体是什么。这是一个重要却常被忽视的方面，因为我们往往沉迷于性能，却较少关注理解这些系统发现的解决方案很重要，因为我们也可以评估这些方案是否正确或值得采用。
例如，如果我们以错误的方式训练系统，最终也可能得到一台学会了普遍并不成立的关系的机器。比如说，我们想设计一台机器，评估潜在工程专业学生的能力。这大概是个糟糕的主意，但为了说明问题，我们还是继续讨论。传统上，工程学是男性占主导的学科，这意味着训练样本很可能来自以往的男学生。比如，如果我们不确保训练数据均衡，机器最终可能得出工程专业学生都是男性的结论，并错误地将这一结论应用于未来的决策。
机器学习和人工智能都是工具。和其他事物一样，它们既可以被正确使用，也可以被错误使用。真正应该让我们担忧的是它们的使用方式，而不是方法本身。与人工智能相比，人类的贪婪和愚昧更让我害怕。
