迈克尔·乔丹（Michael I. Jordan）：人工智能–革命尚未发生

Warning: Can only detect less than 5000 characters

而且，不幸的是，我们不太擅长预测下一个即将出现的严重缺陷。我们缺少的是一门具有分析和设计原理的工程学科。

当前关于这些问题的公开对话经常使用“ AI”作为知识通配符，这使得很难对新兴技术的范围和后果进行推理。让我们首先更仔细地考虑一下最近和历史上使用“ AI”来指代的东西。

今天，尤其是在公共领域，被称为“ AI”的大多数是过去几十年来被称为“机器学习”（ML）的东西。 ML是一个算法领域，融合了统计，计算机科学和许多其他学科（请参阅下文）的思想，以设计用于处理数据，进行预测和帮助做出决策的算法。就对现实世界的影响而言，机器学习是真实的东西，而不仅仅是最近。确实，机器学习将发展成与大规模工业相关的事物在1990年代初就已经很明显，到世纪之交，诸如亚马逊之类的前瞻性公司已经在整个业务中使用机器学习，解决了欺诈中的关键任务后端问题。检测和供应链预测，并构建面向消费者的创新服务，例如推荐系统。在接下来的二十年中，随着数据集和计算资源的快速增长，很明显，ML很快将不仅为亚马逊提供支持，而且还将为所有可以将决策与大规模数据联系在一起的公司提供支持。新的商业模式将会出现。 “数据科学”一词开始被用来指代这种现象，这反映了机器学习算法专家与数据库和分布式系统专家合作以构建可扩展，强大的机器学习系统的需求，并反映了该领域更大的社会和环境范围。结果系统。

在过去的几年中，这种思想和技术趋势的融合被更名为“ AI”。这种品牌重塑值得仔细研究。

从历史上看，“ AI”一词最早是在1950年代后期提出的，指的是在软件和硬件上实现拥有人类智能的实体的雄心勃勃的愿望。我们将使用“模仿人类的AI”一词来指代这一愿望，强调一种观念，即如果不是生理上至少在心理上（无论可能意味着什么），那么人工智能实体应该是我们中的一员。这很大程度上是一个学术事业。尽管运筹学，统计学，模式识别，信息论和控制论等相关学术领域已经存在，并且常常受到人类智能（和动物智能）的启发，但可以说这些领域专注于“低级”信号和决策。举例来说，松鼠感知其所居住森林的三维结构并在其树枝间跳跃的能力是这些领域的灵感。 “ AI”的目的是专注于不同的事物-人类“推理”和“思考”的“高级”或“认知”能力。但是，六十年后，高级推理和思想仍然难以捉摸。现在被称为“ AI”的发展主要出现在与低级模式识别和运动控制相关的工程领域以及统计领域。该学科侧重于发现数据中的模式并做出有根据的预测，假设和决策的检验。

确实，著名的“反向传播”算法由戴维·鲁梅尔哈特（David Rumelhart）在1980年代初重新发现，现在被认为是所谓的“人工智能革命”的核心，它最早出现于1950年代的控制理论领域。和1960年代。它的早期应用之一是在阿波罗飞船驶向月球时优化其推力。

自1960年代以来已经取得了很大进步，但是可以说，它并不是源于对人类模仿AI的追求。相反，就像在阿波罗号太空船中一样，这些想法通常被隐藏在幕后，并且一直是研究人员专注于特定工程挑战的手工。尽管对公众不可见，但是在文件检索，文本分类，欺诈检测，推荐系统，个性化搜索，社交网络分析，计划，诊断和A / B测试等领域的研究和系统构建已取得了重大成功。这些进步推动了Google，Netflix，Facebook和Amazon等公司的发展。

Warning: Can only detect less than 5000 characters

一个相关的论点是，人类智能是我们所知道的唯一一种智能，因此我们应该以模仿它为第一步。但是，实际上，人类在某些推理上并不擅长–我们有失误，偏见和局限性。而且，至关重要的是，我们没有进化为执行现代II系统必须面对的大规模决策，也没有应对II环境中出现的不确定性。有人可能会争辩说，一个AI系统不仅会模仿人类的智能，而且会“纠正”它，并且还会扩展到任意大的问题。但是，我们现在处于科幻小说的领域中-这些投机性的争论虽然在小说的背景下颇具娱乐性，但在面对日益严重的IA和II问题时，不应成为我们前进的主要策略。我们需要根据自身的情况解决IA和II问题，而不仅仅是人类模仿AI议程的必然结果。

不难确定不是人类模仿AI研究主题的II系统中的算法和基础结构挑战。 II系统需要具有管理快速变化且可能在全球范围内不一致的知识的知识库的能力。这样的系统必须在做出及时的分布式决策时应对云边缘的交互作用，并且必须处理长尾现象，即一些人身上有很多数据，而大多数人身上只有很少的数据。他们必须解决跨行政和竞争边界共享数据的困难。最后，特别重要的是，II系统必须将诸如激励和定价之类的经济思想带入统计数据和计算基础设施领域，这些基础设施将人与人之间以及与有价值的商品联系起来。这样的II系统不仅可以视为提供服务，还可以视为创造市场。音乐，文学和新闻学等领域正在为此类市场的出现而大声疾呼，数据分析将生产者和消费者联系在一起。这必须在不断发展的社会，道德和法律规范的背景下完成。

当然，经典的模仿人类的AI问题也很受关注。但是，当前的重点是通过数据收集，“深度学习”基础架构的部署以及模拟某些狭义定义的人类技能的系统进行AI研究（“几乎没有新兴的解释原理”）倾向于将注意力从经典AI的主要开放问题转移开来。这些问题包括需要将含义和推理带入执行自然语言处理的系统中，需要推断和表示因果关系，需要开发可计算处理的不确定性表示形式以及需要开发制定和追求长期目标的系统。这些是模仿人类的AI的经典目标，但是在当前关于“ AI革命”的喧嚣中，很容易忘记它们尚未解决。

IA仍将非常重要，因为在可预见的将来，计算机将无法在抽象推理现实世界情况的能力方面与人类匹敌。我们将需要经过深思熟虑的人机交互，以解决我们最紧迫的问题。我们希望计算机能够触发人类创造力的新水平，而不是取代人类创造力（无论这意味着什么）。

约翰·麦卡锡（John McCarthy，当时在达特茅斯（Dartmouth）任教授，不久将在麻省理工学院（MIT）任职）创造了“人工智能”一词，显然是为了将他崭露头角的研究议程与诺伯特·维纳（Norbert Wiener）（当时是麻省理工学院的一位老教授）区分开来。 Wiener创造了“ cybernetics”来指代他自己对智能系统的构想，该构想与运筹学，统计，模式识别，信息论和控制论紧密相关。另一方面，麦卡锡强调了与逻辑的联系。有趣的是，维纳的思想议程已成为主流

......