如今，关于人工智能危险性的严厉警告可谓不绝于耳。
现代预言家，如物理学家斯蒂芬·霍金和投资者埃隆·马斯克，预言人类即将衰落。随着通用人工智能和能够自行设计的智能程序问世，更新、更智能的人工智能将会出现，迅速创造出越来越聪明的机器，最终超越我们。
当我们抵达所谓的人工智能奇点时，我们的思想和身体将变得过时。人类或许会与机器融合，并以半机械人的形态继续进化。
这真的是我们未来将要面对的局面吗？
人工智能曲折的发展历程
其实并非如此。
人工智能是一门植根于计算机科学、数学、心理学和神经科学的学科，旨在创造能够模拟人类认知功能（如学习和解决问题）的机器。
自20世纪50年代以来，人工智能一直激发着公众的想象。但从历史角度看，人工智能取得的成功之后往往伴随着失望，这在很大程度上是技术预言家夸大预测所致。
20世纪60年代，人工智能领域的奠基者之一赫伯特·西蒙预测：“在二十年内，机器将能够完成任何人类可以完成的工作。”（他没有提到女性。）
神经网络先驱马文·明斯基的说法更加直截了当：“在一代人的时间内，”他说，“……创造‘人工智能’的问题将基本得到解决。”
然而事实证明，20世纪初的丹麦物理学家尼尔斯·玻尔说得没错。据称，他曾打趣道：“预测很难，尤其是对未来的预测。”
如今，人工智能的能力包括语音识别、在国际象棋和围棋等策略游戏中表现出色、自动驾驶汽车，以及揭示复杂数据中隐藏的规律。
这些本领远不足以让人类变得无关紧要。
神经元带来的新一轮狂热
然而，人工智能正在进步。最近一轮人工智能热潮始于2009年，当时深度神经网络的学习速度大幅提升。
人工智能由大量相互连接的计算单元组成，这些单元称为人工神经元，与我们大脑中的神经元有些相似。为了训练这个网络“思考”，科学家会向它提供许多某一问题的已解案例。
假设我们有一组医学组织图像，每张图像都附有癌症或无癌症的诊断结果。我们会将每张图像输入网络，让相互连接的“神经元”计算患癌的概率。
接着，我们将网络的响应与正确答案进行比较；每当匹配失败，就调整“神经元”之间的连接。我们不断重复这一过程，持续微调，直到大多数响应都与正确答案相符。
最终，这个神经网络就能像病理学家通常所做的那样，检查组织图像并预测癌症。
这与孩子学习演奏乐器的过程并无二致：她反复练习一段曲子，直到演奏完美。知识存储在神经网络中，但其运作机制并不容易解释。
具有多层“神经元”的网络（因此称为“深度”神经网络），直到研究人员开始使用图形处理芯片上的多个并行处理器进行训练后，才变得实用。
深度学习成功的另一个条件，是拥有大量已解案例。研究人员从互联网、社交网络和维基百科中挖掘数据，创建了大量图像和文本集合，使机器能够为图像分类、识别语音和翻译语言。
如今，深度神经网络执行这些任务的表现已几乎与人类不相上下。
人工智能不会笑
但它们的出色表现仅限于某些任务。
科学家尚未发现人工智能理解图像和文本实际含义的能力有所提升。如果给经过训练的深度网络看一幅史努比漫画，它可以识别形状和物体——这里是一只狗，那里是一个男孩——却无法理解其中的意义（也看不出幽默之处）。
我们还会用神经网络为孩子提供更好的写作建议。我们的工具能够相当准确地指出格式、拼写和语法方面的改进之处，但面对逻辑结构、推理和思路连贯性时却无能为力。
当前的模型甚至无法理解11岁学童写的简单作文。
人工智能的表现也受可用数据量限制。以我自己的人工智能研究为例，我将深度神经网络用于医学诊断，有时确实能比过去稍微提高诊断准确率，但提升并不显著。
部分原因是，我们没有大量患者数据可供机器使用。但医院目前收集的数据无法捕捉导致冠心病、偏头痛或癌症等疾病的复杂身心交互作用。
机器人抢走你的工作
所以，人类不必担心。抛开关于人工智能奇点的狂热预测，我们眼下并没有立即变得无关紧要的危险。
人工智能的能力催生了科幻小说和电影，也引发了有趣的哲学辩论，但我们至今还没有造出一个能够自我改进的程序，使其具备通用人工智能；也没有迹象表明智能可能是无限的。
不过，深度神经网络无疑将会让许多工作实现自动化。人工智能将夺走我们的工作，使体力劳动者、医学诊断人员，或许有一天还有计算机科学教授（这让我遗憾），面临失业。
机器人已经在征服华尔街。研究显示，到2025年，“人工智能代理”可能导致约23万个金融业岗位消失。
人工智能落入不法之徒手中，也可能造成严重危险。新型计算机病毒能够识别尚未决定投票意向的选民，并向他们推送量身定制的新闻，以左右选举结果。
美国、中国和俄罗斯已经在投资研发用于无人机、战斗车辆和作战机器人的人工智能自主武器，导致一场危险的军备竞赛。
这才是我们或许应该感到担忧的事情。
