最近每个人都在谈论“人工智能”。但是，无论你是在看Siri、Alexa，还是仅仅是智能手机键盘上的自动更正功能，我们都不是在创造通用的人工智能。我们正在创建能够执行特定的、范围狭窄的任务的程序。

计算机不能“思考”

每当一家公司说它将推出一项新的“人工智能”功能时，通常意味着该公司正在使用机器学习来构建神经网络。“机器学习”是一种让机器“学习”如何更好地执行特定任务的技术。

我们不是在攻击机器学习！机器学习是一项非常棒的技术，有着很多强大的用途。但它不是通用的人工智能，了解机器学习的局限性有助于你理解为什么我们目前的AI技术如此有限。

科幻梦的“人工智能”是一种计算机化或机械化的大脑，它像人类一样思考和理解事物。这样的人工智能将是人工通用智能(AGI)，这意味着它可以考虑多种不同的事情，并将这种智能应用于多个不同的领域。一个相关的概念是“强人工智能”，它将是一台能够体验类似人类意识的机器。

我们还没有那种人工智能。我们离它还远着呢。像Siri、Alexa或Cortana这样的计算机实体不像我们人类那样理解和思考。它根本不是真正的“理解”事物。

假设人类可以提供数据来帮助他们学习，我们拥有的人工智能被训练成能很好地完成一项特定的任务。他们学着做某事，但还是不理解。

计算机无法理解

Gmail有一个新的“智能回复”功能，可以建议回复电子邮件。智能回复功能将“从我的iPhone发送”识别为常见回复。它还想建议说“我爱你”，作为对许多不同类型电子邮件的回复，包括工作电子邮件。

这是因为计算机不理解这些反应是什么意思。据了解，很多人通过电子邮件发送这些短语。它不知道你是否想对你的老板说“我爱你”。

作为另一个例子，Google Photos将我们家中地毯的意外照片拼贴在一起。然后，它将这幅拼贴画确定为谷歌家庭中心(Google Home Hub)最近的一个亮点。谷歌照片知道这些照片很相似，但不知道它们有多不重要。

机器经常学会玩弄系统

机器学习就是分配任务，让计算机决定最有效的方法。因为他们不理解，所以很容易在电脑上“学习”如何解决与你想要的不同的问题。

这里有一系列有趣的例子，“人工智能”创造出来玩游戏，分配的目标刚刚学会了玩弄系统。这些例子都来自于这个优秀的电子表格：

“为速度而培育的生物长得真的很高，通过跌倒来产生高速。” “代理在级别1结束时自杀，以避免在级别2中失败。” “代理无限期暂停游戏以避免失败。” 在一个人工生命模拟中，生存需要能量，但生育不需要能量成本，其中一个物种进化出一种久坐不动的生活方式，主要是交配，以便产生可以食用的新孩子(或作为配偶生产更多可食用的孩子)。 由于人工智能如果输掉一场比赛更有可能被“杀死”，因此能够使比赛崩溃是基因选择过程的一个优势。因此，几家人工智能开发出了让这款游戏崩溃的方法。 “用来对食用菌和有毒蘑菇进行分类的神经网络利用了以交替顺序呈现的数据，实际上并没有学习输入图像的任何特征。”

这些解决方案中的一些听起来可能很聪明，但这些神经网络都不知道它们在做什么。他们被分配了一个目标，并学会了一种实现它的方法。如果目标是避免在电脑游戏中失败，按暂停按钮是他们能找到的最简单、最快的解决方案。

机器学习与神经网络

有了机器学习，计算机就不会被编程来执行特定的任务。取而代之的是，它得到了数据，并根据它在任务中的表现进行了评估。

机器学习的一个基本例子是图像识别。比方说，我们想训练一个计算机程序来识别里面有狗的照片。我们可以给一台计算机提供数百万张图片，其中一些里面有狗，有些没有。不管里面有没有狗，这些图像都会贴上标签。计算机程序根据该数据集“训练”自己识别狗的长相。

机器学习过程用于训练神经网络，神经网络是一个具有多个层的计算机程序，每个数据输入都经过这些层，每一层在最终做出决定之前为它们分配不同的权重和概率。它模仿了我们认为大脑可能是如何工作的，不同层次的神经元参与了一项任务的思考。“深度学习”一般是指在输入和输出之间堆叠多层的神经网络。

因为我们知道数据集中哪些照片含有狗，哪些没有，所以我们可以通过神经网络来运行这些照片，看看它们是否产生了正确的答案。例如，如果网络决定某张照片没有养狗，就会有一种机制告诉网络它错了，调整一些东西，然后再试一次。电脑在识别照片中是否有狗的能力越来越强。

这一切都是自动发生的。有了合适的软件和大量的结构化数据供计算机自我训练，计算机就可以调整它的神经网络来识别照片中的狗。我们称之为“人工智能”。

但是，归根结底，你没有一个能理解狗是什么的智能计算机程序。你有一台电脑，它学会了决定照片中是否有狗。这仍然是相当令人印象深刻的，但这就是它能做的全部。

而且，取决于你给它的输入，这个神经网络可能并不像它看起来那么智能。例如，如果你的数据集中没有任何猫的照片，神经网络可能看不出猫和狗的区别，当你把它放在人们的真实照片上时，可能会把所有的猫都标记为狗。

机器学习是用来做什么的？

机器学习用于各种任务，包括语音识别。像谷歌、Alexa和Siri这样的语音助手非常擅长理解人类的声音，这要归功于机器学习技术，它们已经训练出了理解人类语音的能力。他们在大量的人类语音样本上进行了训练，在理解哪些声音与哪些单词相对应方面变得越来越好。

自动驾驶汽车使用机器学习技术，训练电脑识别道路上的物体，以及如何正确响应这些物体。“谷歌照片”(Google Photos)充满了Live Albors等功能，可以使用机器学习自动识别照片中的人和动物。

Alphabet的DeepMind利用机器学习创建了AlphaGo，这是一款可以玩复杂的棋类游戏围棋并击败世界上最好的人类的计算机程序。机器学习也被用来创造出擅长玩其他游戏的计算机，从国际象棋到DOTA 2。

在最新的iPhone上，机器学习甚至被用于面部识别。你的iPhone构建了一个神经网络，它可以学习识别你的脸，而苹果公司包括一个专用的“神经引擎”芯片，它执行这项任务和其他机器学习任务的所有数字处理。

机器学习可以用于其他许多不同的事情，从识别信用卡欺诈到在购物网站上进行个性化的产品推荐。

但是，用机器学习创建的神经网络并不能真正理解任何东西。他们是有益的项目，可以完成他们接受培训的狭隘任务，仅此而已。

图片来源：Phonlamai Photo/Shutterstock.com，Tatiana Sepeleva/Shutterstock.com，Sundry Photoography/Shutterstock.com。