AI下棋已經無敵了，卻還會把烏龜錯認成步槍，如今的人工智慧已經能做什麼？還不能做什麼？

每天都面對人工智慧的各類新聞，人工智慧又能幹什麼？現在已經幹了什麼？

一、人工智慧能幹什麼事？

（1）語音識別：

語音識別要達到完美，還有一大段距離，但數百萬人正在使用它，例如Siri、Alexa和Google Assistant。你正在看的這篇文章，是先向計算機口述，然後以足夠的正確程度轉成文字，速度比打字要快。

（2）圖像識別：

機器視覺的識別，是機器人走向高端的必經之路，如果機器人能夠看到的就立刻明白是什麼，那麼機器人的處理能力將會有非常強大的提升。並且機器人的自動學習的能力會大幅度增強。

一個名為ImageNet的大型資料庫，擁有數百萬張常見、模糊，或是十分詭異的圖片，辨識圖像的最佳系統，辨識那個資料庫里圖片的錯誤率，從2010年的高於30％，降為2016年的4％左右

（3）認知和解決問題：

機器已經在撲克牌和圍棋方面，擊敗最優秀的人類高手，專家本來預測至少還要再十年才會達到這樣的成就。Google的DeepMind團隊使用機器學習系統，改善數據中心的冷卻效率達15％以上，即使人類專家之前已經將它們優化了。網路安全公司深度本能（Deep Instinct）使用智能代理（intelligent agent），偵測惡意軟體。

（4）現在我們能看到多的知名的人工智慧。

阿里巴巴的人工智慧平面設計：魯班AI。百度的自動駕駛技術：APOLLO。

微軟的智能語音設備：微軟小冰，siri（蘋果）

面部識別（目前很多媒體歸類為人工智慧）：包括人臉識別。像蘋果的faceid 就屬於弱人工智慧。

（5）專項性解決人類工作的智能處理系統。

比如說下棋，下棋計算過程很複雜，但目標很簡單，就是贏了對方，但是人類碰到的事不是那麼簡單。還有開車、開飛機、開船等等，甚至根據設計製造產品，甚至成體系地設計產品，只有規定的目標就行。在全面自動化的情況下，無人的工廠內，激勵機制自然也就消失了。

另一方面，當做與人有關的工作的時候，它可以是非常好的助理，它可以是非常好的助教、助理研究院員、金融分析師、醫生助理、律師助理、軍事參謀。為什麼都是助理？因為它沒有辦法代替人。

最近在美國做了個實驗，讓機器人去經濟學做助教，在不見面的前提下，一個學期過去之後，學生分不出來哪個是真人哪個是機器。但是它必須是助教不能是教授，因為有大量的重要地信息這個機器它沒有辦法知道。

二、那麼，人工智慧和機器學習不能做什麼事？

我們有時會聽到有人說：「人工智慧永遠不會擅長評估情緒化、詭計多端、狡猾、前後不一的人類：它太過一板一眼、不帶人性色彩，沒辦法做那種事。」我們不同意這種說法。像Affectiva的機器學習系統，在根據音調或臉部表情，以察覺人的情緒狀態方面，表現已達到或超越人類的水平。其他系統能推斷，即使是世界上最佳的撲克牌好手，什麼時候在虛張聲勢，而能在極複雜的一對一無限注德州撲克（Heads-up No-Limit Texas Hold"em）競賽上擊敗他們。正確看出一個人的情緒，是細緻微妙的工作，但不是魔法。它需要感知和認知，這正是機器學習目前很強的領域，而且持續變得更強。

若要討論人工智慧的極限，一個很好的起始點，就是畢加索（Pablo Picasso）對計算機的觀察：「但它們一無用處。只能給你答案。」從機器學習最近的勝利來看，它們絕對不是一無用處，但畢加索的觀察仍帶來深入的見解。計算機是回答問題的裝置，不是用來提出問題。這表示我們仍然會很需要某些人，他們能夠看出接下來要處理什麼問題或機會，或是要探索什麼新領域，像是創業家、創新者、科學家、創造者等等。

雖然人工智慧的這些風險都很嚴重，但合適的比較標準並不是以「完美」為標準，而是可能得到的最佳替代方案。同樣地，消極地評估某個人的心理狀態或士氣，和積極地設法改變它，這兩者有很大的不同。機器學習系統變得相當擅長前者，但在後者仍遠遠落後我們。人類是強烈的社會性物種；最擅長運用社會性驅力（social drive）如同情、自豪、團結、羞恥等，以說服、激勵和鼓舞人的是其他人類，不是機器。2014年，TED大會和XPrize基金會宣布設立一個獎項，頒給「在這座講台發表引人入勝的演說，贏得聽眾起立鼓掌的第一個人工智慧」。我們懷疑這個獎很快就會頒出。

我們認為，在這個超級強大機器學習的新時代中，人類智慧最大和最重要的機會，在於兩個領域的交會處：分析接下來要處理什麼問題，以及說服許多人去處理那些問題，提出解決方案。這是領導力的合適定義，而這在第二次機器時代，變得遠比從前重要。

人類和機器之間目前的分工情況，正在非常快速地崩解。堅持原來見解的公司會發現：相較於願意且能夠將機器學習應用在所有合適地方的對手，以及能分析如何有效整合它的能力與人類能力的公司，堅持原來見解的公司日益落居競爭劣勢。

由於技術進步，商業世界已經開始經歷地殼變動般的根本改變。和蒸汽動力與電力的情況一樣，區分贏家和輸家的因素，不在於能不能取得新技術，甚至不在於是否能聘用到最佳的技術人員。相反地，贏家將會是態度夠開放的創新者，他們的眼光能夠超越現狀，設想出非常不同的方法；他們也夠聰明，能夠運用那些方法。機器學習留給我們最大的成果之一，可能是創造新一代的企業領導人。

我們認為，人工智慧，尤其是機器學習，是我們這個時代最重要的通用技術。這些創新對企業和經濟的衝擊，將不只反映在它們的直接貢獻上，也反映在它們能夠促成和啟發互補性的創新。

機器學習帶來很多能力，像是更好的視覺系統、語音識別、智能問題解決等等，有了這些能力，就可能出現新的產品和流程。

有些專家更進一步。豐田研究所（Toyota Institute）現任領導人吉爾．普拉特（Gil Pratt），把目前這一波的人工智慧技術，比喻成五億年前的寒武紀大爆發，那時孕育出不計其數的生命形式。那時候和現在一樣，一個關鍵新能力是視覺。當動物首次得到這種能力，便能遠比從前更有效探索環境；這催化了物種的數量大幅增加，包括獵物和掠食者，而且，被填滿的生態棲位（ecological niche）範圍也大大增加。今天的情況也類似，我們預期會見到各種新產品、服務、流程和組織形式，同時也會有大量的滅絕。在出乎意料的成功之外，必然也會有一些可怕的失敗。

雖然很難確切預測哪些公司將主導新的環境，但有個通則很清楚：最靈活和順應力最強的公司與高階主管，會繁榮發展。在由人工智慧賦予能力的領域裡，能迅速察覺和響應機會的組織，將會掌握優勢。所以，成功的策略是願意做實驗，以及快速學習。如果經理人不在機器學習的領域加強實驗，就沒有善盡職責。接下來十年，人工智慧不會取代經理人，但使用人工智慧的經理人，會取代那些不使用人工智慧的經理人。

當看到姚晨、王力宏這些娛樂明星也在微博上評論李世石與AlphaGo 的這場人機大戰時，我們知道AlphaGo 火了。當韓國棋王李世石投子認輸的那一刻，人類開始以另一種眼光看待這個人工智慧程序，從不被看好到連勝兩局，人們在驚愕之餘不得不承認，人工智慧已經發展到可以輕易超越人類的水平了。如今對於這場人機大戰的最後結局的猜測，基本上都已經認定李世石會成為輸的一方，甚至0：5敗北的幾率很大，因為機器是很少會犯錯的。

對於這場大賽，人們已經失去了最初的期待，反而是人工智慧這個新「物種」吸引了大家的注意，這個看不見摸不著的電腦程序，就這樣將人類最後的驕傲摧毀，對於人類而言，到底是福還是禍，它會對我們的生活造成怎樣的影響。很多人的心情是複雜的。

其實，人工智慧已經走過了60年的歷史，並幾經高峰和寒冬，目前已經滲透進我們的生活的方方面面，也正在改變著我們的生活。

藝術：畫畫

不久前，谷歌在舊金山舉行一場畫展和拍賣會，展示電腦在人類的指導下創作的畫作。此次展示的畫作包括迷幻的海景、梵高風格的森林和以及城堡和狗組成的奇異景觀。其中6幅尺寸最大的作品被一位職業拍賣人以高達8000美元的價格拍得。

谷歌最初開發這項技術是為了識別照片中的物體。但為了進行藝術創作，工程師又隨機為電腦演算法提供各種形狀，電腦演算法之後便會報告這些圖片像什麼物體，例如狗、人臉和樹木。當然，這個演算法與AlphaGo的演算法又有怎樣的差距，這個是目前還無法得知的。

谷歌舉辦人工智慧畫展

商業：金融交易

人工智慧擁有如此強大的計算能力，人類怎麼會放過利用其賺錢的機會呢！將人工智慧引入股市銀行等代替人類做交易員，在最近幾年漸漸盛行。下面舉三個經典的案例，基本上你就能體會到人工智慧的強大了。

高頻程序化交易Virtu Financial LLC公司在1238個交易日中，僅有一個交易日出現了虧損。

第一個以人工智慧驅動的基金Rebellion預測了2008年的股市崩盤，並在2009年9月給希臘債券F評級，而當時惠譽的評級仍然為A。通過人工智慧手段，Rebellion比官方降級提前了一個月。

掌管900億美元的對沖基金Cerebellum也使用了人工智慧技術，結果從2009年以來，沒有一個月是虧損的。

根據花旗銀行的最新研究報告，人工智慧投資顧問管理的資產，2012年基本為0，到了2014年底已經到了140億美元。在未來10年的時間裡，它管理的財產還會呈現指數級增長的勢頭，總額達到5萬億美元。

金融交易平台Capitalico 正在利用人工智慧進行股票分析

健康：醫療輔助

19年前發生了和今天一樣里程碑的事件，IBM的超級電腦「深藍」擊敗國際象棋大師卡斯帕羅夫。之後深藍在圍棋界打遍天下無敵手，除了棋力持續大漲之外，還在其他領域發揮著作用，比如為MD癌症中心工作。通過Watson的認知計算能力，從病人病例和豐富的研究資料庫中尋找資料，為臨床醫生提供有價值的見解，從而幫助醫護人員找到最有效的治療方案。去年，IBM推出了一個新的認知計算機健康平台——Watson Healthcare Cloud，目前與生物製藥公司諾和諾德以及強生等公司已達成了合作關係。

在AlphaGo 與李世石比賽前，谷歌同樣宣布這個創造出 AlphaGo 的 Google DeepMind 實驗室將進軍醫療技術領域。他們成立了 DeepMind Health 團隊，與英國倫敦帝國理工學院和倫敦皇家自由醫院展開合作。他們推出了一款名為 Streams 的移動端應用程序，醫療人員可以利用 Streams 更快地觀察到醫療結果。

通過計算人工智慧幫助醫療人員找到最有效的治療方案

交通：無人駕駛

想像一下，有一天我們出門打車，車上沒有司機，你只要告訴它，你要去哪裡，它會自動搜索路線並啟動汽車上路。其實現在已經不用想像，因為這一切正在成為現實。

谷歌、特斯拉、蘋果甚至是寶馬，他們都在開發自己的無人駕駛汽車，谷歌的車已經在公司附近的山景城測試了無數次，雖然交通事故也發生過十多起，不過基本上都屬於小摩擦，尚未造成嚴重損失。有人說，即使是發生了這些事故，無人駕駛汽車發生事故的概率也遠遠低於人類。當然，這同樣依靠的人工智慧強大而精準的計算能力。

關於這些無人車何時正式大量地上路載人，業內普遍的說法是2020年，目前它們在物體識別以及交通規則上仍在學習過程中。

谷歌無人駕駛汽車

生活：個人助手

人工智慧個人助手，如果要詮釋這個，看一遍電影《Her》就可以了，其中的人工智慧操作系統薩曼莎不僅可以幫助主人公快速處理各種郵件、文件等工作，還能像朋友一樣理解並與之交互。

現實生活中，這樣的個人助手也正在成為現實，如蘋果的Siri、微軟的Cortana 以及谷歌的Google Now，國內也有科大訊飛的靈犀、圖靈的蟲洞語音助手等，這些語音助手現在一般是存在於PC或手機之中，近年隨著服務機器人的發展，它們開始有了新的載體。而機器人除了有語音功能外，還具備自主行動地能力，因此有望在其他方面幫助人類。

日本軟銀旗下機器人Pepper

市面上有無數針對下棋的程序，但並不是每個都是只是為了下棋的，DeepMind的開發團隊沒有幾個是懂圍棋的，他們開發AlphaGo 並讓它與人類下圍棋，只是為了讓它找到邏輯判斷的方式並不斷自我學習，這些是人工智慧深度學習的基礎。當它擁有了這些能力之後，它可以迅速學習其他方面的能力，並最終服務人類。當然，前提是我們不考慮機器覺醒的問題，至少在我看來，這是個遙遠的事情。

《哈佛商業評論》本周刊登百度首席科學家吳恩達的文章。文章介紹了當前的人工智慧究竟能做什麼，不能做什麼。

　　以下為文章全文：

　　許多業內高管都會問我，人工智慧可以做些什麼。他們希望了解，人工智慧將如何變革他們的行業，以及他們可以如何利用人工智慧去重新發明自己的公司。然而，關於人工智慧的力量，近期媒體描繪了一些不切實際的未來場景。（或許不久之後人工智慧將接管世界！）人工智慧已經在改變搜索、廣告、電商、金融、物流和媒體等行業。作為谷歌大腦團隊的創始負責人、前斯坦福人工智慧實驗室的主任，以及目前百度 1200 人人工智慧團隊的領導者，我很重視培育全球領先的人工智慧組織，開發了多種能被數億用戶使用的人工智慧產品。在了解人工智慧的影響力之後，我可以說：人工智慧正在變革許多行業。然而，這並不是魔術。為了理解人工智慧對你業務的影響，讓我們撇開炒作，看看人工智慧目前實際能做些什麼。

　　令人驚訝的是，儘管人工智慧具備廣泛的影響力，但部署仍然極為有限。近期，幾乎所有人工智慧的發展都是同一種類型：提供一些輸入數據（A），迅速得出簡單的反饋（B）。舉例如下：

　　從A得到B的技術將變革許多行業。開發用A得到B的軟體被稱作監督式學習。然而，這種軟體距離科幻小說中描繪的有感知能力的機器人還有遙遠的距離。人類智能所做的也遠遠不止是從A得到B。這種從A得到B的系統正迅速得到優化，而當前最優秀的技術基於的是深度學習系統，或稱作深度神經網路。這種系統借鑒了來自人類大腦的靈感。然而，這類系統仍遠遠沒有達到科幻小說的水平。許多研究人員仍在探索其他形式的人工智慧，其中一些在特定環境中被證明有用。或許我們將看到突破，使更高程度的智能成為可能，但目前仍沒有清晰的途徑去實現這一目標。

　　今天的監督式學習軟體有自身的「阿喀琉斯之踵」，即需要大量數據。你需要向系統展示大量的A和B範例。例如，開發照片標識工具需要數萬到數十萬張照片（A），以及關於照片中是否有人物的標籤（B）。開發語音識別系統則需要數萬小時的語音錄音（A），以及對應的文字腳本（B）。

　　那麼，這種從A到B的系統能做什麼？有一條經驗法則能說明這種系統的變革意義：

　　如果普通人的某項思維任務只要不到 1 秒即可完成，那麼目前，或是在不久的未來，我們就可以利用人工智慧技術將其自動化。

　　目前需要人工去做的許多有價值的工作，例如檢查監控視頻判斷是否有可疑行為，判斷汽車是否會撞擊行人，識別並刪除網路上的濫用內容，都可以在不到 1 秒鐘時間裡去完成。這些任務已經做好了被自動化的準備。然而，它們往往被置於更龐大的環境或業務流程中，分析這些任務與業務其他方面的關聯同樣重要。

　　開發人工智慧需要謹慎地選擇A和B，提供必要的數據幫助人工智慧找到從A到B的關係。以創造性的方式選擇A和B已經給許多行業帶來了變革，而這也將給更多行業帶來革命。

　　在理解人工智慧能做什麼，不能做什麼之後，業內高管的下一步是將人工智慧納入到各自戰略中。這意味著，他們需要理解價值從哪裡創造而出，以及什麼東西很難被複制。人工智慧社區非常開放，許多頂級研究員發布並分享了概念，甚至是開源代碼。在這個開源的世界中，最稀缺的資源將會是：

　　1. 數據。許多領先的人工智慧團隊都很可能複製出彼此的軟體，所需要的時間最多只是 1 到 2 年。然而最困難的是獲得對方的數據。因此數據，而非軟體，將是許多公司的防禦壁壘。

　　2. 人才。簡單地下載開源軟體，並將其「應用」至你的數據無法起到效果。針對你的業務環境和數據，人工智慧需要得到訂製。因此，對於能夠勝任這項工作、稀缺的人工智慧人才，業內正展開爭奪。

　　關於人工智慧的潛力，我們寫過很多。這可能給人類帶來幫助，也可能帶來不利。例如，我們曾看到人工智慧給孤獨者帶來交流對象，令他們感到安慰，而我們也曾看到，人工智慧表現出了種族歧視。然而，人工智慧短期內可能給個人帶來的最大威脅在於搶走工作崗位，因為我們目前可以通過人工智慧去自動化的工作正變得越來越多。作為領導者，我們有責任去確保建設一個世界，讓所有人都有機會得到發展。理解人工智慧可以做什麼，如何適應你的戰略，這只是過程的開始，而不是結束。

機器智能的局限性在於它需要用機器感知認知的世界觀去理解人類感知的世界。人能理解蝙蝠的世界嗎？