現在每個人都在談論“人工智慧”。但是，不管你是在看Siri、Alexa，還是僅僅看智慧**鍵盤上的自動更正功能，我們並不是在創造通用的人工智慧。我們正在建立可以執行特定、狹義任務的程式。

電腦不能“思考”

每當一家公司說它將推出一個新的“人工智慧”功能時，通常意味著該公司正在使用機器學習來構建一個神經網路。“機器學習”是一種讓機器“學習”如何更好地執行特定任務的技術。

我們不是在攻擊機器學習！機器學習是一種奇妙的技術，有很多強大的用途。但它不是通用的人工智慧，瞭解機器學習的侷限性有助於你理解為什麼我們目前的人工智慧技術如此有限。

科幻夢中的“人工智慧”是一種計算機化或機器人化的大腦，它像人類一樣思考和理解事物。這種人工智慧將是一種人工通用智慧（AGI），這意味著它可以思考多種不同的事情，並將這種智慧應用於多種不同的領域。一個相關的概念是“強人工智慧”，它將是一臺能夠體驗人類意識的機器。

我們還沒有那種人工智慧。我們離它不遠。像Siri、Alexa或Cortana這樣的計算機實體並不像我們人類那樣理解和思考。它根本不能真正“理解”事物。

假設人類能夠提供資料幫助他們學習，那麼我們所擁有的人工智慧就能夠很好地完成特定的任務。他們學著做某事，但還是不懂。

計算機無法理解

Gmail有一個新的“智慧回覆”功能，建議回覆電子郵件。智慧回覆功能將“從我的iPhone傳送”確定為常見的回覆。它還想建議“我愛你”作為對許多不同型別電子郵件的迴應，包括工作電子郵件。

那是因為電腦不明白這些反應是什麼意思。據瞭解，很多人都是透過電子郵件傳送這些短語的。它不知道你是否想對你的老闆說“我愛你”。

另一個例子是，Google Photos把一張我們家地毯上的意外照片拼貼在一起。隨後，谷歌將這幅拼貼畫確定為谷歌Home Hub最近的一個亮點。谷歌照片知道這些照片很相似，但不明白它們有多不重要。

機器經常學習遊戲系統

機器學習就是分配任務，讓計算機決定最有效的方法。因為他們不明白，所以很容易以一臺電腦“學習”如何解決與你想要的不同的問題而告終。

下面是一個有趣的例子列表，其中“人工智慧”是為了玩遊戲而建立的，併為剛學會的遊戲系統分配了目標。這些例子都來自這個優秀的電子表格：

• “為追求速度而繁殖的生物長得很高，透過摔倒產生高速。”
• “代理在一級結束時**，以避免在二級失敗。”
• “經紀人無限期暫停比賽以避免輸球。”
• 在一個人工生命模擬中，一個物種的生存需要能量，但分娩不需要消耗能量，它進化出一種久坐的生活方式，主要是交配以產生新的可以吃的孩子（或作為配偶產生更多可吃的孩子）
• 由於人工授精者在輸掉一場比賽後更有可能被“殺死”，因此能夠使比賽崩潰是遺傳選擇過程的一個優勢。因此，一些人工智慧開發出了使遊戲崩潰的方法。”
• “進化出的對食用菌和有毒蘑菇進行分類的神經網路利用了以交替順序呈現的資料，實際上並沒有學習到輸入影象的任何特徵。”

其中一些解決方案聽起來可能很聰明，但這些神經網路都不明白它們在做什麼。他們被分配了一個目標，並學會了實現它的方法。如果目標是避免在電腦遊戲中輸，按暫停按鈕是他們能找到的最簡單、最快的解決方案。

機器學習與神經網路

有了機器學習，計算機不會被程式設計來執行特定的任務。取而代之的是，它被輸入資料，並根據其在任務中的表現進行評估。

機器學習的一個基本例子是影象識別。假設我們想訓練一個計算機程式來識別照片中有狗。我們可以給一臺電腦數百萬張圖片，其中一些裡面有狗，而另一些沒有。不管圖片裡有沒有狗，都會貼上標籤。計算機程式“訓練”自己根據資料集識別狗的長相。

機器學習過程用於訓練神經網路，神經網路是一個具有多層結構的計算機程式，每個資料輸入經過多層結構，在最終確定之前，每一層對它們分配不同的權重和概率。它是以我們認為大腦可能的工作方式為模型的，不同層次的神經元參與對一項任務的思考。“深度學習”一般是指在輸入和輸出之間有許多層次的神經網路。

因為我們知道資料集中哪些照片包含狗，哪些不包含狗，所以我們可以透過神經網路執行這些照片，看看它們是否得出正確的答案。例如，如果網路決定某張照片沒有狗，那麼就有一種機制告訴網路它錯了，調整一些事情，然後再試一次。電腦越來越善於識別照片中是否有狗。

這一切都是自動發生的。有了正確的軟體和大量結構化資料供計算機訓練，計算機就可以調整神經網路來識別照片中的狗。我們稱之為“人工智慧”

但是，歸根結底，你還沒有一個智慧的電腦程式來理解什麼是狗。你有一臺電腦，它學會了判斷照片中是否有狗。這仍然令人印象深刻，但它只能做到這一點。

而且，根據你給它的輸入，神經網路可能沒有它看起來那麼聰明。例如，如果你的資料集中沒有任何貓的照片，神經網路可能看不到貓和狗之間的區別，當你在人們的真實照片上釋放它時，可能會將所有貓標記為狗。

什麼是機器學習用於(machine learning used for)？

機器學習用於各種任務，包括語音識別。像Google、Alexa和Siri這樣的語音助手非常善於理解人聲，因為機器學習技術訓練他們理解人類的語音。他們對大量的人類語音樣本進行了訓練，並且越來越善於理解哪些聲音對應哪些單詞。

自動駕駛汽車使用機器學習技術，訓練計算機識別道路上的物體，以及如何正確響應它們。googlephotos有很多功能，比如使用機器學習自動識別照片中的人和動物的實時相簿。

Alphabet的DeepMind使用機器學習建立了AlphaGo，這是一個計算機程式，可以玩複雜的棋盤遊戲Go，打敗世界上最好的人類。機器學習也被用來創造擅長玩其他遊戲的電腦，從國際象棋到dota2。

在最新的iphone上，機器學習甚至被用於人臉識別。你的iPhone構建了一個學習識別你的臉的神經網路，而蘋果則包含了一個專用的“神經引擎”晶片，它可以執行所有的數字運算和其他機器學習任務。

機器學習可以用於許多其他不同的事情，從識別信用卡欺詐到購物網站上的個性化產品推薦。

但是，機器學習產生的神經網路並不能真正理解任何東西。它們是有益的專案，可以完成他們接受培訓的狹隘任務，僅此而已。

圖片來源：豐拉邁攝/Shutterstock.com網站，塔蒂亞娜·謝佩列娃/Shutterstock.com網站、各種攝影/Shutterstock.com網站.