现在已经是天启了吗？
伊隆马斯克说人工智能可以引发第三次世界大战。 如果拥有地球上最先进、最善变的人工智能的汽车制造商这么说，那就意味着有基础。 直到最近，很少有人关心技术创新所带来的后果。 而我们才刚刚开始，我们还没有看到任何东西。
然后碰巧关于技术后果的讨论开始渗透到社会的各个部分，除了那些坚信他们“为上帝使命”的技术人员。 人工智能是造成这种公众认知逆转的主要罪魁祸首。
当谈到人工智能时，很大一部分公众谈话往往不仅仅关注失业或中国占上风。 但最重要的是，人们担心智能机器有一天会征服世界，使人类成为食物链中的一环。 这不是发生在 世界大战 由赫胥黎？
隐含的假设是人类和机器处于竞争之中。 机器将赢得的比赛。 最终，智能系统凭借其卓越的速度、处理能力和耐磨损性，最终将首先在职业上取代我们，然后在组织中，最后在决策中。
国家经济研究局 2015 年进行了一项计量经济学研究，该研究中心可以足够准确地预测经济趋势。 本研究从对人工智能发展的研究中得出这样的结论：
“在缺乏将赢家重新分配给输家的适当财政政策的情况下，从长远来看，智能汽车将意味着所有人都将更加贫困。”
目前看来，即使没有想到，也远未实现的两个条件。 但有一件事正在发生：发达国家中有很大一部分人口实际上处于贫困状态。 而且我们知道，贫困化会产生比人工智能更残酷的后果。
加法智能
让我们试着从不同的角度来看这个问题。 让我们问问自己。 如果动力的人机操作不是减法，而是加法呢？ 这是 Paul Daugherty 和 James Wilson 在他们最终翻译成意大利语的书中提出的观点 人+机器。 重新思考人工智能时代的工作, 圭里尼, 2019, p. 215（也可在与 goWare 合版的电子书中获得）。
Daugherty 和 Wilson 的工作不是理论性的或讲故事的，而是从两位作者获得的现场经验中得出的考虑。 事实上，两人都在埃森哲担任主要职责。 Daugherty 是首席技术和创新官，负责全球范围内的人工智能和研发项目。 Wilson 领导 IT 和商业研究部门。
埃森哲是全球最大的管理咨询公司。 他与他并肩工作的公司呼吸着同样的空气，尤其是大公司。 很难有一个天文台能够更好地观察正在发生创新和变化的地区。
Daugherty 和 Wilson 对 450 个样本中的 1500 个组织进行了观察分析和案例研究，并确定了定量研究遗漏的一些相关现象。 一个是“融合技能”的概念：人和机器一起形成新的工作类型和专业经验。
恰恰这种知识与技能的融合，就是“幽灵空间”。 从某种意义上说，Ghost 没有出现在关于工作的两极分化辩论中，这场辩论使人与机器对立起来。 正是在这个中央幻影空间中，尖端公司重新发明了他们的工作流程，实现了绩效的非凡改进。
l 再培训
FBK ICT Fondazione Bruno Kessler 中心主任 Paolo Traverso 在本书的序言中很好地总结了两位作者的论点。 写道：
作品的意义在标题中宣告：未来不在于机器本身，尽管它们可能很智能，但它不在于纯粹的工业自动化，即使被推到最大程度以取代大部分最常规的工作每个职业的低创造力成分。 社会的未来，还有市场和商业的未来，实际上是机器和人一起工作的地方，贸易和商业模式都将得到实质性更新。 人工智能绝不能取代人、他们的技能、他们的创造力，但它必须增强它们，它必须增加它们。
实现这一目标的根本杠杆在于作者所说的技能再培训，即让数以百万计的各个年龄段的人为使用新技术做好准备。 一项艰巨但不可避免的任务。
即使是像阿里安娜赫芬顿这样现在提倡断开连接的悔过自新的技术专家，也非常赞赏两位作者的工作，这些工作最终朝着将技术吸收到人类环境中的方向发展，直到它成为人类环境的一个组成部分。 以下是赫芬顿对这本书的评价：
«在《人与机器》中，多尔蒂和威尔逊提供了一个未来模型，其中人工智能增强了我们人性的一面。 这本书充满了例子、指导和灵感，是理解人工智能的实用指南——它对我们的生活意味着什么，以及我们如何充分利用它。”
下面我们提供了 Daugherty 和 Wilson 的书中的两个简短摘录。 首先是关于人工智能的简史。 历史总是用来理解的。 然而，第二个通过讨论构成当今人工智能的一组技术星座来触及问题的核心。 从本质上讲，现阶段的人工智能基本上是深度学习。 我们仍然可以控制它。
很好的阅读
。 。 。
人工智能简史
1956
当前自适应过程时代背后的驱动技术是人工智能，它在过去二十年中得到了发展。 简而言之，它的历史将为我们提供构建其最先进特性和潜力的背景。
人工智能领域正式诞生于 1956 年，当时由 John McCarthy 领导的一小群计算机科学家和研究人员，包括 Claude Shannon、Marvin Minsky 和其他人，在达特茅斯学院举行了第一次会议，专门讨论机器的可能性智能可以模仿人类智能。
这次会议本质上是一场长时间的头脑风暴会议，它基于这样一种假设，即学习和创造力的每个方面都可以用一种精确的方式来描述，以至于它可以成为一个数学模型，从而被机器复制。 目标雄心勃勃，从设计方案开始：“任何尝试都将试图找出如何让机器能够使用语言、形式、抽象和概念，解决目前仅限于人类的问题类型，并改进自己” . 当然，那只是开始。
这次会议立即成功地缩小了领域并统一了围绕人工智能概念的许多数学思想。
先驱者
在随后的几十年里，它激发了全新的研究领域。 例如，Minsky 与 Seymour Papert 一起撰写了被认为是关于神经网络的局限性和可能性的基础书籍，神经网络是一种使用生物神经元作为模型的人工智能。 其他想法，如专家系统——其中一台计算机配备了与建筑或医学诊断等特定领域相关的深厚“知识”储备——或自然语言处理、计算机视觉和便携式机器人技术，也可以在此次活动中找到踪影。
与会者中有亚瑟·塞缪尔 (Arthur Samuel)，他是 IBM 的一名工程师，他正在构建一个计算机程序来下西洋跳棋。 他的程序评估了棋盘的状态并计算了给定位置可能导致胜利的机会。
1959 年，塞缪尔创造了机器学习这个词，“自动学习”：也就是说，研究部门认为计算机无需明确编程即可学习的能力。 1961 年，他的机器学习程序被用来击败美国第四大跳棋选手。
但由于 Samuel 是一个注重隐私的人，并没有实行自我推销的政治策略，因此直到 1966 年他从 IBM 退休后，他在机器学习方面的工作的重要性才为公众所知。
机器学习
在会议之后的几十年里，随着注意力转向人工智能的其他模型，机器学习仍然晦涩难懂。 特别是，在 XNUMX 年代和 XNUMX 年代进行的研究集中在基于物理符号并由逻辑规则操纵的智能概念上。 然而，这些符号系统并没有在实践中取得成功，它们的失败导致了一个被称为“人工智能的寒冬”的时期。
然而，在 1990 世纪 XNUMX 年代，机器学习开始再次蓬勃发展，其支持者在他们的方法中采用了综合统计和概率论。 与此同时，个人电脑的革命开始了。 在接下来的十年里，数字系统、传感器、互联网和手机将变得司空见惯，为机器学习专家开发自适应系统提供各种数据。
今天，我们将机器学习程序视为基于数据集的模型构建器，工程师和专家使用它来训练系统。 这与传统的计算机编程形成鲜明对比。 标准算法遵循由静态指令或程序员代码启动的预定路径。 另一方面，机器学习系统可以边工作边学习。 对于每组新数据，它都会更新其模型以及它“看待”世界的方式。 在机器可以通过经验和信息学习和改变的时代，程序员越来越不像立法者和独裁者，而更像是老师和教练。
今天和今天一样
如今，采用机器学习的人工智能系统无处不在。 银行使用它们来保护自己免受欺诈； 约会网站使用它们来推荐潜在的匹配对象； 营销人员使用它们来预测谁会对广告做出积极反应； 和照片共享网站使用它们进行自动人脸识别。 自第一场跳棋比赛以来，已经走过了漫长的道路。 2016 年，谷歌 AlphaGo 标志着该领域的重大进步。 计算机第一次击败了围棋冠军，这是一种比西洋跳棋或国际象棋复杂得多的游戏。 作为时代的标志，AlphaGo 的走法出人意料，以至于一些观察家称其为创造性的，甚至是“漂亮的”。
多年来，人工智能和机器学习的发展一直断断续续，但两者最近进入产品和业务运营的方式表明，它们已经做好了成为主角的准备。 据 Uber 前机器学习负责人丹尼·兰格 (Danny Lange) 称，该技术终于离开了研究实验室的墙壁，并正在迅速成为“这场风雨如磐的新工业转型的基石”。
智能技术与应用：它们如何共存？
这是您今天需要了解的一系列人工智能技术的词汇表。 这些技术对应于机器学习、人工智能功能和应用层，如下图所示。
机器学习的组成部分
— 机器学习 (ML). 计算机科学领域处理从数据中学习的算法，并从数据中做出预测而无需明确编程。 这个领域起源于 IBM 的 Arthur Samuel 的研究，他在 1959 年创造了这个词，并在他的计算机游戏工作中使用了机器学习的原理。 由于可用于训练算法的数据呈爆炸式增长，机器学习目前正在广泛应用于计算机视觉研究、欺诈调查、价格预测、自然语言处理等众多领域。
— 监督学习. 一种机器学习类型，其中将由示例性输入和所需输出组成的预分类和选定数据呈现给算法。 该算法的目标是学习将输入连接到输出的一般规则，并使用这些规则仅根据输入数据预测未来事件。
- 无监督学习. 该算法不提供标签，仅供其查找结构和输入模型。 无监督学习本身可以是目的（就发现数据中的隐藏模式而言）或针对特定的事物（例如，从数据中提取相关特征）。 与监督学习相比，无监督学习不太注重输出，而更注重探索输入数据以及推断隐藏结构和未标记数据。
- 半监督学习. 使用标记和未标记的数据——通常加上秒。 许多研究人员发现，这两个数据集的组合大大提高了学习过程的准确性。
— 强化学习. 这是一种为算法指定特定目标的训练，例如操作机械臂或下围棋，算法的每一步都会受到奖励或惩罚。 反馈允许算法构建最有效的目标路径。
- 神经网络. 一种机器学习，其中算法从观察数据中学习，以类似于人类神经系统的方式处理信息。 1957 年，康奈尔大学的 Frank Rosenblatt 发明了第一个神经网络，这是一个简单的单层架构（称为表面网络）。
- 深度学习和子集：深度神经网络 (DNN)、递归神经网络 (rnn) 和前馈神经网络 (FNN)。 训练多级神经网络的一组技术。 在深度神经网络中，“感知到”的数据经过不同层次的处理； 每个级别都使用前一个级别的输出作为输入。 rnn 允许数据在级别之间来回流动，不像 fnn，数据是单向的。
智能技能组件
— 预测系统. 查找历史数据集中变量与相关结果之间关系的系统。 这些关系用于开发模型，而模型又用于预测未来情景。
— 本地搜索（优化）. 一种解决问题的数学方法，它使用大量可能的解决方案。 该算法从系列中的一个点开始寻找最优解，并迭代和系统地移动到相邻的解，直到找到最优解。
— 知识的表示. 人工智能的一个领域，致力于以计算机可以用来执行任务的形式来表示有关世界的信息，例如进行医学诊断或与人进行对话。
— 专家系统（推理）. 使用部门知识（医学、化学、法律）的系统与基于规则的引擎相结合，该引擎决定如何应用这些知识。 随着新信息的添加或规则的更新或增加，系统会得到改进。
- 计算机视觉. 一个致力于教计算机识别、分类和理解图像和视频内容，模仿和实现人类视觉的领域。
— 音频信号的处理. 可用于分析音频和其他数字信号的机器学习，尤其是在声音饱和度高的环境中。 应用包括计算语音和音频和视听处理。
语音转文字. 将音频信号转换为各种自然语言的文本信号的神经网络。 应用包括翻译、语音命令和控制、音频转录等。
— 自然语言处理 （NLP，自然语言处理）。 计算机处理人类（自然）语言的领域。 应用包括语音识别、机器翻译、情感分析。
人工智能应用组件
— 智能代理. 通过自然语言与人交互的代理。 它们可用于在客户服务、人力资源、实习和处理 FAQ 模板请求的其他业务领域实施人工。
— 协作机器人（cobots）. 以较慢速度运行并配备传感器的机器人可以与人类同事进行安全交互。
— 生物识别、面部和手势识别. 识别人、手势或生物测量（压力、活动等）趋势，用于人机交互或识别和验证目的。
— 智能自动化. 它将一些任务从人转移到机器来彻底改变传统操作。 通过机器的潜力和能力（速度、幅度、规避复杂性的能力），这些工具补充了人类的工作并在可能的情况下扩展了它。
— 推荐系统. 他们根据算法随时间识别的细微模式提供建议。 它们可以针对客户来推荐新产品或在内部用于战略建议。
— 智能产品. 设计中内置了智能，因此它们可以不断发展以满足和预测客户的需求和偏好。
— 个性化. 分析客户和员工的趋势和模式，为个人用户或客户优化工具和产品。
— 文本、语音、图像和视频的识别. 它解释来自文本、语音、图像和视频的数据，并创建可用于拓宽分析活动并支持交互和视觉高级应用程序的关联。
- 增强现实. 将 AI 的力量与虚拟、增强和混合现实技术相结合，为培训、维护和其他任务增添智能。
