早在20世紀初期，人們就已經開始思考機器人能否像人一樣開始思考。在各類文學作品和科幻電影中，我們看到的“能夠思考的機器人”，其實就是人工智能的起源。直到20世紀50年代，人工智能的概念正式被提出。

英國科學家圖靈在1950年的時候，提出一個問題，“如果人能夠結合現有數據進行邏輯推理來解決現實問題，那么機器人為什么不可以?”

到目前為止，很多人都是覺得是可以的。

于是政府、企業機構、院校等投入大量的資金、財力以及人力，希望能夠正面回答這個問題。但是從目前來看，還是很遺憾，這樣大的投入卻收效甚微。盡管目前人工智能技術取得了很多進展和突破，但是距離真正的實際運用還有很長的一段距離。

人工智能是在21世紀才得以繁榮發展，得益于深度學習算法的突破、計算機計算能力的飛躍以及信息數據的大爆炸，這三者缺一不可。不斷涌現的人工智能成果向研究者和投資者證明，人工智能的確能夠提高生產效率和改變人類日常生活。

人工智能在最近10年已經從實驗室走向了商業應用，滲透到我們日常生活中很多細節。購物網站能夠根據用戶瀏覽、購買信息為用戶推薦個性化商品。智能手機能夠根據我們日程安排，推薦最佳線路和酒店推薦。如今，部分汽車、公交已經實現了“自動駕駛”。

目前人工智能正以高速增長的態勢持續發展，以數據為主的谷歌、亞馬遜、阿里巴巴、騰訊、百度等科技巨頭成為了人工智能發展的主要推動者。可以肯定的是，目前人工智能還不能真正像人一樣思考。

有人說，人工智能學習系統所需要的數據、計算能力都遠遠超過人類大腦的承受范圍。即使目前很先進的圖像識別算法能夠超過人類識別圖片水平，但是也不能理解圖片中的貓是什么。

那是不是現在的人工智能發展方向有問題?

百度CEO李彥宏曾對人工智能做出一種解釋，“人工智能不應該長得像人，而是應該讓機器能夠實現人的價值。”從這個角度上來說，目前人工智能發展實現了人能夠實現的聽說讀寫，其發展方向并沒有什么大問題。但是從人工智能是否能夠走向人類智慧這個角度來說，目前還沒有定論判斷是否方向有問題。

那么，如今的人工智能發展如何?發展過程中又存在哪些問題?未來，人工智能將以何種形式發展，才能實現像人一樣的思考?

人工智能的發展現狀

人工智能發展到現在的高度，技術上較大的功臣，應該就屬于深度學習算法(Deep Learing)。深度學習算法也就是利用多層神經網絡，從極大的數據中學習，從而實現對未來的預測，并使人工智能系統越來越智能。

傳統的人工神經網絡算法是由一個輸入層和一個輸出層組成的淺層神經網絡。在神經網絡中，隨機分配給每個連接之間的權重數值，然后通過訓練實現誤差最小化。但是，之前的神經網絡不能訓練太多神經網絡參數，因此也不能識別太復雜的模式。

深度學習網絡

深度學習，顧名思義，是指神經網絡中層數比較多，含有多個隱含層。多個隱含層讓神經網絡能夠以分層的方式學習數據的特征，因為簡單特征可以逐層疊加，形成更加復雜的特征。一旦算法框架構建后，通過更多的“訓練”實現誤差最小化。

總而言之，深度(多層神經網絡算法)和學習(大數據訓練)是深度學習必不可少的環節。

其他重要的人工智能技術的發展都得益于深度學習的技術支撐。除了深度學習，強化學習(Reinforcement Learning)也是機器學習領域的熱門技術。強化學習能夠在沒有計算機的明確指示下，像人一樣實現自主學習。當達到一定的學習量之后，強化學習系統就能夠預測出正確的結果。

強化學習的基本思想是，學習在不同環境和不同狀態下，哪種行為能夠使得預期利益最大化。強化學習的學習過程不需要數據標注，而是由獎勵函數進行主導。如同嬰兒學走路，根據產生的結果好壞來調整行為動作。

深度學習與強化學習融合，衍生出了深度強化學習(Deep Reinforcement Learning)。2016年，谷歌的圍棋程序(AlphaGo)就是利用這種深度強化學習，擊敗了世界頂級圍棋選手，成為人工智能領域的又一里程碑。

AlphaGo

即使在圍棋、游戲比賽中大放光彩的強化學習，目前真正落地的運用并不多，其商業價值也是無法與深度學習項媲美的。原因在于，目前還沒有平臺能夠提供強化學習所需要的巨大數據，無法窮舉現實中可能遇到的種種復雜情況。這種數據“饑渴”在很多現實領域中都是無法實現的。

深度學習和強化學習結合的時候，對現實情況的枚舉就變成，首先對現實情況進行模式識別，然后進行有限模式的枚舉，從而減少了計算的壓力，但是所需的數據將比其他機器學習算法要大得多。

無論是深度學習，還是強化學習，都非常依賴大量的數據進行訓練，而且這個計算過程更傾向于蠻力計算。對抗神經網絡(Generative Adversarial Networks，簡稱GAN)，是近幾年最有潛力能夠解決這一瓶頸的機器學習模型。

對抗神經網絡則是通過兩個人工智能系統相互對抗產生超級真實的原創圖片和聲音。對抗神經網絡賦予了機器創造和想象的能力，也讓機器學習減少了對數據的依賴，這是人工智能領域的又一重大突破。

對抗神經網絡

2018年，發表在Arxiv網站上的論文《StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks》表明，利用對抗性神經網絡，只需給系統輸入簡單的文字，系統就會生成圖片。

可是由于目前對于對抗神經網絡的研究只有短短四五年的時間，其研究也基本處于舉證階段。但是這種賦予機器“創造力”的GAN，解決了一直困擾著人工智能的數據來源問題，可以說實現了真正不依賴人類的無監督學習。

關于神來之筆的對抗神經網絡，其真正技術爆發和商業應用需要的只是更多時間。

人工智能系統很具突破性的應用

如今，隨著人工智能技術的不斷突破，其商業應用也是遍地開花。《麻省理工科技》認為很具突破性的運用是，基于人工智能的自動駕駛、圖像識別以及語音識別。

自動駕駛

Tesla的自動駕駛儀及自動駕駛貨車分別在2016年和2017年入選《麻省理工科技評論》十大突破性技術。過去幾年，自動駕駛技術的突飛猛進主要依賴于深度學習和強化學習的重大突破。

但是盡管目前取得了很多突破性進展，但是目前普遍認為，自動駕駛還沒有達到完全代替人的程度，只能被看做是輔助駕駛員的半自動駕駛。特別是面對天氣、意外障礙、復雜城市交通等情況，自動駕駛的傳感器和軟件很容易出錯，因此目前還無法離開人力操作。

自動駕駛

目前，很多人相信，基于車對車通訊(Vehicle-toVehicle，V2V)的車聯網技術能夠有效解決自動駕駛面臨的關鍵問題。車對車的通訊可以把汽車的位置、速度、制動情況等車輛數據傳輸給百米范圍內的車輛，使得自動駕駛汽車能夠眼觀六路、耳聽八方，從而有效避免車輛發生碰撞。

在自動駕駛還不夠成熟的情況下，用無線通信技術似乎能夠有效減少道路交通意外。但是這種車輛通信涉及的通信技術要求比較高，而且因為信息安全和隱私保護問題，使得V2V還處于商業試用階段，近幾年的發展速度也遠不如自動駕駛發展迅猛。

圖像識別、語音識別

現在很多人出門都是不需要帶錢包，拿著手機就可以隨意在商場內進行支付。移動支付已經取代現金和銀行卡，成為不少人的主要支付方式。

2015年，蘋果支付被評為全球十大突破性技術。早期的蘋果支付是結合NFC近場通訊和指紋識別(屬于圖像識別)，極大改善了移動支付的用戶體驗。蘋果支付不同于Google錢包、微信、支付寶、Paypal，不需要進入應用程序、點擊付款、輸入金額或者掃二維碼等。

當手機靠近收銀端時，蘋果支付就會自動激活，通過指紋驗證即可完成支付。而且蘋果支付在安全性上也是比較領先，與支付寶、微信支付不同，蘋果支付的手機不保存真實的卡號，商家也不會看到，更不需要將卡號存儲在數據庫中。每次支付交易過程中生產一個唯一的代碼，而且這代碼也只能使用一次。

不僅僅如此，蘋果憑借基于人工智能的精確圖像識別技術，讓刷臉支付成為可能。刷臉支付已經成為2017年最具突破性技術之一，但是最先有商業應用刷臉支付的是中國。2015年，阿里馬云在德國漢諾威消費電子博覽會的開幕式上，成功刷臉支付購買一枚1948年漢諾威工業博覽會的紀念郵票。

馬云的刷臉支付

從目前來看，刷臉支付還處于發展早期。刷臉支付會遭受用戶對安全性的質疑，而且刷臉支付的便捷性也并不比原有的密碼支付或者指紋支付提升很多。若想大范圍推廣刷臉支付，不僅僅要改善現有軟硬件，還需要大力宣傳使得用戶接受刷臉支付。

語音識別也類似于圖像識別，本質區別在于語音數據是一維數據，圖像數據是二維數據。谷歌溝巴別魚耳塞的出現，使得耳朵里的實時翻譯成為現實，也因此被評為2018年全球突破性技術之一。但是市場對于這種耳塞的評價很一般，主要集中在不是真正的實時性翻譯，加之需要手機、耳機、翻譯軟件，使得抱著“巴別魚真人版”期望的用戶多少有點失望。

但是這一切，背后都是都是基于人工智能技術的商業運用。同時，也正是因為這些商業運用，使得大眾真正看到了人工智能技術的魅力。

未來，人工智能將以何種方式發展?

盡管，目前人工智能以及出現了這樣多的進展，但是并不是所有人都認為深度學習是人工智能走向人類智慧的法寶。原因在于，深度學習就像是一個黑盒子，無處得知其中發生了什么，呈現出“經驗過多、理論不足”的態勢。

并且，由于深度學習過于依賴計算能力和大數據，使得深度學習更趨向于蠻力計算。如何在小樣本數據下訓練處良好的神經網絡，也是目前研究的重要方向。

被譽為深度學習始祖的Hinton表示，我們需要將自己曾經提出的突破性模型都推翻才能徹底改變現有深度學習存在的問題。Hinton認為，我們研究機器視覺的方式是錯誤的。即使這種方式在目前看來很有用，但是并不意味這是使得人工智能具備像人一樣思考的正確道路。

Hinton教授

2010年，Hinton發表關于“膠囊網絡”(Capsule Networks)的研究成果。膠囊網絡旨在彌補深度學習系統過于依賴數據的缺陷，從而提高對于新場景、新知識的泛化能力。例如，教計算機識別不同角度、不同顏色的貓，可能需要成千上萬張不同角度的相片，但是小孩卻能夠通過少量對貓識別的訓練，就能掌握認識其他沒有見過的各種角度、各種品種的貓。

目前來看，膠囊網絡并沒有大量數據和案例來證明其優越性，但是這的確是人工智能領域又一次認知的革新。

今天，我們處于一個相信數據能夠解決所有問題的時代，這種以數據為中心的思想的確給我們的日常生活帶來很多全新體驗。但是數據并不是萬能的，數據可以告訴你服用藥的病人比不服用藥的病人康復得快，但是并不能告訴你原因。

人工智能系統中，無論是深度學習、強化學習還是對抗神經網絡，都只能告訴你輸入輸出之間的相關性，也就是概率論里面的概率。目前沒有一個人工智能系統能夠百分之百告訴你這張圖片中動物肯定是貓，只能告訴你這個動物有95%甚至100%的概率是貓。

人工智能系統識別為概率且不穩定，容易被干擾

人類認識事物的時候，一般都是通過數據進行因果推理和判斷，才得出相應的解決方案。而目前的人工智能系統卻并不能實現這種因果推導，進一步推斷，似乎目前的人工智能系統離這種人類智能思考越來越遠。

關于深度學習的未來，Hinton也承認，自己也不知道人工智能革命接下來會將我們帶向何處。他說：“在這個領域，很難預測五年以后的事情，畢竟事情往往并不會像你期待的那樣如期而至。”

未來，深度學習或許繼續發展，或者被推翻。而這種因果推理智能的研究雖然是非主流，但是未來會怎么樣，不得而知。圖靈獎得主珀爾教授一生致力于因果關系科學及其在人工智能方面領域的應用，也在不斷探索未來人工智能的發展。

目前，無法回答人工智能能否像人一樣思考。不過可以確定的是，這僅僅只是開始。

你們怎么覺得人工智能會像人一樣思考嗎?