人们无法阻止梦境的产生，只能在它现身时去揭示它。
《失控》
▌从无到有
AI的萌芽与诞生
17世纪以来，哲学家们曾提出可能存在的智能机器，从文献角度定义了AI对人类的意义。笛卡尔提出了“机械人”的隐喻。莱布尼兹期待发明一种机械逻辑装置，用纯粹的逻辑帮助人们消除争论。
△ 戈特弗里德·威廉·莱布尼茨（Gottfried Wilhelm Leibniz），德国哲学家、数学家，历史上少见的通才，对二进制的发展做出了贡献。
他和帕斯卡都曾设计计算机器以解决算术题，这成了后来学者发明“计算器”的有力证据，但是两人从未宣称这种机器本身会进行思考。康底拉克（法国哲学家）曾在隐喻中提到一座脑中倒入各种有价值的知识碎块的雕像并提问何时雕像才能像人一样富有智慧。
科幻小说作家们用可能实现的智能机器推动着人们对非人类智慧的想象，同时思考人类本身的特质。
美国记者莱曼·弗兰克·鲍姆写过好几个机器人角色，在 1907 年出版的绿野仙踪里，把机器人“铁皮人”（Tiktok）形容为一个“非常有责任感，能想出各种点子，并能完美会话的机器人。它能做一切事情，除了活着。”激发了许多人工智能学家的灵感。
△ 鲍姆这样形容铁皮人：“非常有责任感，能想出各种点子，并能完美会话的机器人。它能思考、说话、行动，以及做一切事情，除了活着。”
图灵在1950 年的哲学期刊《思想》（Mind）上提交的一篇学会论文正是人工智能领域的巨大转折点。这篇论文对如何制造一台可以进行智能行为的机器提出了一个明确可行的观点，其中包括了一个里程碑式的想法，即对模仿游戏的描述——这正是我们熟知的图灵测试。
半个多世纪后，我们的计算工具和编程语言才强大到足以支撑我们对智能探索的理论进行实验证明，海量数据因摩尔定律驱动的指数效应得以爆发有海量数据供模型学习，人工智能研究热与三大技术的重大突破直接相关：
深度学习—核心算法的突破；
神经元芯片—计算能力的突破；
大数据—庞大的计算资源。
人工智能领域的主要思想流派大致可以分为联接主义和符号主义。
符号主义方法模仿数理科学的发展方式，将知识系统地整理成公理体系。广义而言，将数学发现整理成一系列的逻辑代数运算，将直觉洞察替代为机械运算。
联接主义的代表自然是神经网络（Artifical Neural Nework），实质上是来自于人类大脑神经网络的计算机模拟。
近些年来，依随计算能力的突飞猛进，特别是图形处理单元（GPU）的大规模普及，神经网络再度以深度学习（Deep Learning）的崭新姿态闪亮登场。一夜之间，自然语音处理和理解，人脸检测和识别都变成了现实。
“深度学习”是指由许多层组成的人工神经网络。“深”是指层数多。目前的深度学习网络已经有10+甚至100+层。多层的存在使得网络能够学习更多的抽象特征。深度学习的能力不在于它的分类，而特征提取。特征提取是自动（没有人为干预）而且多层的。深度学习网络由于算法本身的改进和硬件能力的提升（尤其是GPU）而得到了巨大的进步。在图像处理，模式识别等领域如狂飙突进， 一扫几乎所有经典算法。
在实际应用中，联结主义和符号主义的方法相互融合，取长补短。
▌AI的使命
使“无解”变“有解”
复杂系统管理与控制国家重点实验室主任王飞跃认为：就技术发展而言，在机械化、电气化、信息化、网络化后，当下已经处在第 5 个技术发展阶段：平行化，即以虚实平行互动为特征的智能技术时代。
关于“平行”，要从复杂性与智能化说起。
王飞跃给复杂系统做了一个定义，一是不可分，二是不可知。对于复杂系统的研究，从还原论和整体论看，以前的科学思维是把事物或现象一直往下拆分，拆成最基本的组成元素。
现在由于资源有限、系统庞杂，无法继续拆分，但人类往往除了分以外，就不知道怎么去认识世界了。不可分又要分，这就是个矛盾。人类的“知”在大时间和大空间尺度上都会遇到困难，想知又不能知，这也是个矛盾。同样，智能化也面临算法的封闭与开放，已知的知识与未知的问题之间的矛盾。
这些矛盾的特征可归结为 ：
⊙不定性（Uncertainty）
⊙多样性（Diversity）
⊙复杂性（Complexity）
人工智能的使命，就是把压在人类头上的 UDC 这三座大山，转化成 AFC：
⊙具有深度知识支持的灵捷（Agility）
⊙通过实验解析的聚焦（Focus）
⊙能够反馈互动自适应的收敛（Convergence）
完成这一使命，必须是信息化、自动化、智能化的一体融合，从而化解矛盾，使“无解”的问题变得“有解”。
ACP 是智能时代实现从 UDC 到 AFC 转化使命的基础方法，也就是人工社会（Artificial Societies） + 计算实验（Computational Experiments） + 平行执行（Parallel Execution）的有机组合。
本质上，ACP 平行理念的核心就是利用数据把复杂智能化系统“虚”的和“软”的部分建立起来，通过可以定量实施的计算化、实时化，使之“硬化“，真正用于解决实际的问题。
而当前兴起的大数据、云计算、物联网等正是支撑 ACP 方法的核心技术。大数据可为平行系统的构建提供实时、全面、有效的输入，其作用可概括为：“数据说话”、“预测未来”、“创造未来”；而合成起来，就归结到一个人工社会，一个计算实验和一个平行系统，实现从知识的表示、决策的推理，到情景的自适应学习和理解的大闭环反馈运行。
▌“失控”
与AI协作
最智慧的控制方式将体现为控制缺失的方式。要想获得有智能的控制，唯一的办法就是给机器自由。
过去30年媒体一直喜欢把AI描述为比人类强大的机器， 消除这种误解的核心理由是机器和人类具有互补的能力。
机器的特长是处理结构化计算，他们会在“找出特征矢量”任务上表现良好。而人类的特长是理解意义和上下文，他们在“找出豹纹连衣裙”任务上表现良好，让人类做“找出特征矢量”的任务就不那么容易了。对企业来说正确的框架是实现机器和人的互补，AI是机器和人的共同工作。
今天，AI不仅能应用于十亿美元级别的令人兴奋的新问题，例如自动驾驶汽车。AI也应用于解决现存的较小的问题，例如理解推文情绪。
人工智能将引发产业结构的深刻变革，催生新的业态和商业模式；还可以带动工业机器人、无人驾驶汽车等新兴产业的飞跃式发展，成为新一轮工业革命的推动器。目前倍受追捧的工业4.0、智能家居、无人驾驶、智能安防、智能医疗等发展方向，所代表的无一不是“人工智能+应用场景”发展的最终形态。
参考资料：
