|
淺談智能機器人
如果流行文化能在某種程度上反映公眾的態度，那么一個顯而易見的事實是：人類非常恐懼智能機器。比如去年以來的一系列涉及到機器人、機器的電影，人類在其中的地位顯得岌岌可危。類似的情況還出現在很多打著“經濟學”名義的暢銷書里，這些圖書不管從什么角度切入，其最后的落腳地往往都是機器取代人類。
然而在 MIT Sloan 與美國眾多企業家的對話中發現，這些企業家對于所謂機器取代人類的倡議（或者未來）并不感冒，對他們而言，企業的發展需要借助人類員工，尤其是知識型員工以及機器的通力合作。但現狀是，各種公共媒體上充滿了機器即將代替人類的不切實際的想象 ，幾乎或者根本沒有媒體圍繞一個當下最急迫解決的問題：究竟哪些領域或職業會在技術的輔助下得到大幅增強。
為了解決這個難題，MIT Sloan 提出了一個簡單的分析框架，將現有的人工智能、認知科學等技術分成兩個維度來思考——找出現有技術可以做和不能做的領域（如下圖所示）。同時為了更便于探索，這個分析框架會把所有的智能技術、機器統稱為“智能機器”，以此來思考機器智能面臨的困境、挑戰以及創新者接下來需要努力的方向。
當我們在談論智能機器時，我們在談論什么？
機器智能的四個階段
總體上看，機器智能的水準正在不斷提升，過去，計算機可能處理高度結構化的數據，而現在，計算機對不同數據類型都有很好的兼容甚至“適應”能力。
階段1：人類支持
數十年來，人類對于計算機智能的追求都建立在一個假設之上：計算機可以輔助人類決策。因為人類在決策方面天然缺乏理性、不穩定。但到目前為止，這個階段還無法完全實現，更多時候，包括 IBM Watson 在內的認知產品，都是為人類工作者提供決策建議，最終由人類完成決策。
階段2：重復性的自動化任務
較上一階段而言，這個階段的機器可以在某些特定場合做出“決策”。機器自動化的決策方式最近幾年發展迅速，并在某些領域，如保險銷售與股票交易方面取得很不錯的成績。但這些領域都有一些共同的特點，比如確定的交易規則或算法，所以人類只需要提前寫好算法，然后監控算法執行就可以了。
階段3：情景感知和學習
目前復雜的認知技術能在某種程度實現對于復雜情景的實時感知。隨著人類社會對于互聯網、物聯網的依賴性增強，數據也在源源不斷地產生，海量數據的實時處理要求變得非常急迫，企業需要從這些數據中發現客戶的潛在需求，比如大量互聯網公司，不僅包括電商，甚至很多內容網站，也會根據用戶的瀏覽習慣來形成推薦機制，為了更精確地推薦內容，還需要包括用戶位置、時間以及用戶其他行為記錄作為輔助信息。
目前認知計算的一個特點就是其擁有學習的能力。這種學習過程絕大多數是利用對實時數據、用戶反饋的持續分析。這種可學習的系統對于類似股票交易的決策非常有幫助，能夠不斷提升決策的準確度。
階段4：自我意識
截止到現在，2016 年年末，擁有自我意識的機器有且僅存在于科幻小說中。如果計算機具有自我意識，計算機需要像人類或超越人類智能水準，才能夠應對紛繁復雜的現實生活環境。即便是最樂觀的專家也認為，出現能夠具有自我意識的機器，至少還需要 30 到 40 年。機器智能會做什么
觀察機器處理任務的智能程度，一定程度上可以根據機器都能處理哪些任務，比如有些任務實際上是由文本、數字或圖片組成，這些要素不過是數字世界的基本要素，而另一些任務則包括數字世界和物理世界的多個要素。
分析數字
事實上，如果要追根溯源，認知技術來自于計算機在處理結構化數據2方面的超強能力。過去很長時間內，計算機都通過對數字的分析來支持人類決策。如今，越來越多的公司將數字分析技術嵌入到公司運營體系或流程中，從而實現重復性自動化決策，這也使得該技術兼具了處理速度和處理規模。尤其是機器學習開始大規模使用后，改變了過去人為設計處理數字模型的方法，機器可以實現自動化生成分析模型。
分析文字和圖片
人類智能中的一個關鍵部分是可以讀懂文字和圖片里信息，同時能思考其背后的含義。但現在，一系列你可能“耳熟能詳”的技術，比如機器學習、自然語言處理、神經網絡、深度學習等等，已經具備了分類、解釋和生成文字的能力，其中的一些技術還可以分析和識別圖片。
早期的智能程序，通過分析文字、圖片以及語音，能夠讓人類和計算機實現淺層次的交流。這些技術發展到今天，已經越來越多地出現在我們的智能手機上，智能手機能夠理解人類語音和文字，還可以識別圖片，盡管在某些方面不太完美，但至少，已經非常廣泛地應用到我們日常生活中。
有三種大規模文字、圖片處理的需求。其一，多種語言的翻譯；其二，像人類一樣回答問題；其三，從大量文本中獲取有效信息或者生產新的文本信息。
圖像識別和分類并非什么新概念。基于對幾何進行匹配的“機器視覺”技術已經使用了很多年。現在，圖像識別延伸到互聯網上海量圖片的分類和識別，尤其是人臉識別。要應對這些需求，現在的公司們則借助機器學習和神經網絡來識別圖片。更重要的一點在于，這些系統能夠通過學習應對海量圖片處理需求，事實上，機器“吃”越多的數據，其決策的準確性越高。
執行數字化任務
認知技術最近幾年發展的一個方向是實現行政工作和決策的自動化過程。為了實現自動化，需要兩個技術能力。首先，你需要能夠按照業務規定來描述完成這些工作需要的邏輯；其次，你需要可以一步一步完成這些工作的技術。過去幾十年內，自動化決策工具的應用場景非常廣泛，從保險政策審批到信息技術運維以及高頻交易等等。
最近，科技公司開始使用“自動控制流程自動化”，這項技術基于工作流和業務規則，通過接入公司里的多個信息渠道來實現，這與普通人類用戶的做法很相似。自動控制流程技術廣泛應用在銀行（比如幫助客戶替換丟失的銀行卡服務，能夠極大地省去人力客服）、保險行業、IT業（如監控系統錯誤信息、修復某些簡單錯誤）和供應鏈管理（比如訂單處理和回應客戶、供應商的日常需求）等領域。
流程自動化的好處顯而易見。2015 年 4 月份 的一個案例中，英國第二大移動運營商 Telefónica O2 發現，在該公司將 160 個業務流程軟件化、自動化之后，其未來三年在這些領域的投資回報率將達到 650%——800%。
處理物理任務
我們一般將能夠處理物理任務的計算機稱之為機器人（Rebot），根據英文韋氏詞典的解釋，所謂 robot：a machine that can do the work of a person and that works automatically or is controlled by a computer.
2014 年，全球范圍內有 22 萬臺機器人上臺，大約三分之一集中在汽車制造行業。不過，機器人短期內還無法真正滿足需求。2011 年的時候，富士康曾信誓旦旦地表示，要在三年之內通過一百萬機器人替代人類工人，但很快富士康就發現，讓機器人代替人類制造手機真不是一件輕松的事情。到了 2015 年，當富士康開始代工新一代 iPhone 的時候，該公司招聘了超過 10 萬人類工人，并配備了 10 萬臺新機器人。
過去很長一段時間內，那些可以替代人類的機器人都是通過編程，從而能夠高效完成大量重復性的工作。同時，出于安全的考慮，機器人工人往往也和人類工人分開工作。但現在，一種新型的機器人，也就是所謂“協作型機器人”正在出現在工作場所，這種機器人可以和人類協同工作。
寫在最后
在看完本季前六集《黑鏡》后我曾這樣感嘆：如何處理人與機器的關系會成為接下來很長一段時間內的重要課題。而第一步則是正確認識機器或者智能機器或者人工智能當下的處境，過去一年，我們聽到太多關于人工智能如何如何的聳人聽聞的報道，但真實的一面往往平淡無奇，正如上文所言，機器在某些層面的確超越了人類，但在絕大多數場景下，尤其是需要情感、意識加入其中的場景中，人類終究還是勝者。
然而不可否認的一個事實，當機器繼續進化的同時，人類進化幾乎已經停止.....
請注意，這里絕不涉及到機器取代人類，而是人類如何被機器增強自身的能力。
所謂結構化數據，就是以行、列來排序的數字，比如 Excel 就是處理結構化數據的一種基本工具。
|
