图灵奖得主Raj Reddy：以历史的视角重新审视“人工智能”

60 多年前，我们的行业先驱开创了计算机科学、人工智能这些全新的研究领域。但是直到今天，人们对人工智能依然抱有大量的误解和恐惧，认为人工智能将取代人类、统治世界。面对这些质疑，我认为，只有理解我们从何而来、身处何处，我们未来将去往何方，才不会对这些关于人工智能的误解感到困惑。

人工智能将永远无法统治世界 ，相反，由于 人工智能可以成为每一个人的“超能力” ，人类是平等的，没有谁将因为使用人工智能而凌驾于他人之上。如果我们向前回溯科技发展的历程，我们会发现， 人工智能的发展与以往任何一次的技术进步都是相似的 ，不同的是我们比过去多了几百万倍的数据库，这些数据库正是我们今天所获得的一切成就的基础——无论是机器文本翻译、语音翻译，还是机器问答，这些创造性突破都离不开数据和计算能力的强有力支撑。

卡内基梅隆大学计算机学院教授、图灵奖获得者 Raj Reddy

60 年前，当我的导师 John McCathy 在 1956 年的达特茅斯会议上首次提出“人工智能”这一概念时，当时的 初心是想让电脑像人一样智能地帮助人们完成一些繁琐的任务，人们就有更多的时间从事自己喜欢的事业 。事实上， 60 年前机器就能帮助人们完成一些任务了，比如加减乘除的运算。于是人们继续发问，机器还能帮助我们完成其它任务吗？科学家们就开始了尝试，图灵说他相信机器可以拥有某些智能， Arthur Samuel 开始研究如何让计算机学习下棋。所以机器学习在 50 年代就出现了， 那时的机器学习是简单的规则学习，探索机器是否能发现、辨认和使用模式（ pattern ） 。所以 在人工智能的最初阶段，人们探讨的都是下棋、玩游戏、理论验证这样的问题 。 接下来人们开始探索计算机能不能拥有解决问题的能力 ，他们编写程序让计算机尝试处理一些数学问题。由于这些问题只需要穷尽所有的可能性就可以解决，所以计算机解决得比人类更好更快。

在达特茅斯会议之后的第一个十年里，当时我还是斯坦福大学的一名学生。那时，人们认为电脑能够看、听、说并不是智能的表现，因为每一个普通人都可以做到这一点。但事实证明这种想法是错误的，从第二个十年开始，我们就开始研究制造机器人，让计算机能够说话，也开始了计算机视觉等新领域的研究，我们一路走来，历经困难，也有了许多新的突破。

某些人认为只有通用人工智能才能解决某些常识性问题，事实上，根本就 不存在通用人工智能，所有的智能都是应用于某一特殊领域的智能 。马文·明斯基在《 心智社会 》( The Society of Mind )中提到， 人脑的智能不是整个大脑一起运作的，而是分为成千上万个区域，每一片区域具有一种特定功能 。大脑的研究人员发现大脑有大约 1 立方厘米的区域专门用来识别妈妈的脸。当然，大脑会把负责图像识别的区域和负责语言的区域连接起来，这样一来我们就会把妈妈本身和“ Mother ”这个单词联系起来，所以连接就成为智能最重要的一部分。

我们希望计算机可以实现那些人类可以做的事情，比如说话、学习等等。然后，大家开始研究专家系统、机器人、自动驾驶汽车等等。到了 20 世纪末，我们用 AI 技术实现了几个对人类来说非常容易或者稍微有些困难的工作，比如，证明理论、下象棋等。随后，我们遇到了技术转折点，我们拥有了足够的计算能力、储存和带宽来实现那些我们过去认为永远无法实现的能力。

AI 已经可以完成某些被认为是人类才能完成的任务。未来， AI能不能完成人类没办法做的事情？这不仅仅是通用人工智能，而是超智能 。我认为未来这一点是可以实现的。回到 AI 和计算机科学的定义，我在 1965 年有过一个定义—— AI和计算机科学是提高大脑能力的学科 。你的大脑可以做的任何事情，计算机和 AI 都可以做地更好更快，甚至可以完成一些人类没办法完成的事情。

20 世纪，计算机科学家们所做的就是对已有知识进行编程，采用各种各样的方式来让机器学习自己解决人类的任务 。从比较简单的解数学题、下棋，到理解语言、语音、图像，再到机器人可以画画、创作音乐、完成股票自动交易这些更有创造力的任务。

与 20 世纪相比， 21 世纪的人工智能有两点不同：

第一，我们经历了一个 范式转换 ，在 21 世纪，计算机科学的重大突破将由大数据来驱动——微软技术院士、图灵奖得主 Jim Gray 将大数据命名为继实验科学、理论推演、计算机仿真三大范式之后的“第四范式” 。因此 下一代人工智能系统就是数据驱动的人工智能系统 。

第二， 20 世纪人们在训练人工智能时使用的知识大多来自书籍，而到了 21 世纪，我们需要 运用人工智能和大数据去发现各个行业里的新知识 。庞大的数据量将超过人类的处理能力，人工智能、机器学习就成为了大数据时代的核心，也许有一天，计算机将学会自己编写它们需要的程序。

我想举一个大家熟悉的例子。中国目前的基础教育还存在地区、性别不平等的现象，比如西部地区的孩子可能很难通过高考挤进高校教育的金字塔尖，在某些领域女性的数量远远不及男性等等，美国加州的教育也存在类似的不平等，那些来自普通学校的学生将无法和顶尖学校的学生一样展现自己良好的学术水平。我们可以基于大数据做一张地图来呈现和分析这个话题，使它成为政府决策的有效依据。所以在 21 世纪，我们要尽可能地 发现、使用数据驱动的知识资源去解决我们社会中的问题 。

那我们怎么运用人工智能去自动发现新知识呢？我们今天的机器学习、深度学习都在使用大数据，但 当下深度学习面临的一个问题是我们无法解释正确答案是如何被找到的 。这个问题可能在未来的 5-10 年内会得到解决，也是我们接下来的任务。

最后我想重温一下人工智能领域已经取得的成就。 1963-1969 年间，我在斯坦福人工智能实验室，当时实验室已经开始着手机器人、语言、知识工程、计算机视觉等方向的研究。 60 年代，我们发明了“所见即所得”的图形编辑器、 PIECESOF GLASS （ POG ）、计算理论等。 70 年代，出现了知识中心型人工智能，还有一场关于太空探索的热潮，我们在思考如何将人工智能应用于太空探索，这个问题我们至今仍未解决。 80 年代，我们在卡内基梅隆大学建立了机器人实验室，研究如何让机器人自动处理自己的系统。 90 年代，机器人成为了世界象棋冠军，已经学会了阅读理解、回答问题，等等。

一直以来我感兴趣的一个问题是， 人工智能技术是否能够被没有受过教育的人所使用，他们如何使用？ 我们现有的技术可以做语言翻译、发音，这个过程中包含语音识别、转录、翻译等技术。多语言之间的翻译已经可以用技术部分实现，但还没有完全实现，因为世界上还有一百多种语言的元数据没有收集，而收集数据需要大量的时间和金钱。

回到我们的主题， 20 世纪的人工智能领域已经完成了很多重大突破，也留下了一系列棘手的问题，诸如通用语言翻译、自然语音识别等，我曾经认为它们在我有生之年都不会实现。但在 21 世纪的第一个十年，这些问题很快就有了突破，我们有了通用语言翻译、语音对话、自动驾驶汽车、深度问答系统、扑克机器人冠军等等。

为什么我们能够实现这些突破呢？因为它们都是在 大数据和机器学习的帮助 下成长起来的， 计算机已经开始有能力做一些人类无法实现的事情 。在今年 11 月份的“二十一世纪的计算”大会上，我将会为大家介绍认知放大器（ cognition amplifier ）和守护天使（ guardian angel ） 的内容，同样是关于计算机完成一些人类无法完成的任务。举一个简单的例子，假设地震引发了一场海啸，如果我们对此毫不知情，这将成为一场伤亡惨重的大灾难，但如果我们有一个守护天使，能够预测 10 分钟后即将到来的巨大海浪，我们就能够拯救很多生命。如果马航的