幕后真相：關于AI、機器學習與機器人
譯文
【51CTO快譯】關于AI驅動型未來的表述很多但內容往往不夠嚴謹，恐怕在很長一段時間里我們仍然需要運用自己的頭腦處理問題。
人工智能——包括個人助理、機器人、自動駕駛汽車以及機器學習等等具體形式——近來火爆異常，甚至全面占據了硅谷座談、技術報道以及供應商展會。
AI屬于那種每隔一段時間就會再度被提及的技術方向，但其對現實世界的滲透卻相當緩慢。我還記得早在上世紀八十年代就有不少AI方案出現，Jaron Lanier等技術支持者甚至還借此頻繁登上《Omni》雜志封面。
AI可謂眾多成熟技術的結合成果，但其實現方式仍然很不成熟。當然，我們不能將其單純描述為“皇帝的新衣”，更確切地講其應該屬于“皇帝的內衣”——仍有很多工作需要進行。
不過，眾多睿智的開發者與技術企業也在奮力推動其發展，希望能讓AI從科幻世界逐步過渡至現實領域。
機器人與AI分屬獨立學科
多年以來，通俗小說往往將機器人與人工智能混為一談——從《地球停轉之日》到《太空堡壘卡拉狄加》再到阿西莫夫著名的機器人三定律。然而，機器人與人工智能并不是一碼事——前者其實屬于按照人類指令處理任務的機械，其更可靠、速度更快且不會要求任何報酬或者福利。
機器人在制造業更為常見，目前也開始出現在醫院及藥房中，但卻很少涉及日常辦公及生活。
也許我們終有一天將見證機器人與人工智能的合并，但就目前來講這一目標還非常遙遠，其間AI只能在一定程度上幫助機器人更好地工作——而非像藝術作品中那樣讓其擁有所謂“自我意識”。
模式匹配得到高度關注，但復雜程度仍然很低
Amazon的產品推薦、Facebook內容共享、蘋果Siri的語音識別以及谷歌地圖的行駛建議等都只能算是模式匹配，即AI范疇中最為基礎的層面。
憑借著強大的數據存儲與計算能力，如今各類系統可以存儲多種模式并借此做出判斷以采取行動。但必須承認，此類方案尚處于發展初期，特別是大家所熟悉的導航系統。其大多數情況下運作良好，但有時候還是會把用戶引導到雪地、停機坪、小道甚至是湖泊當中。
當然，它們已經能夠起到一定作用。眾多用戶的反饋與使用使其工作效果越來越好，例如Siri現在就已經能夠自動糾正語法錯誤、數量指定不明以及錯別字等干擾因素。
此類方案目前缺少的是上下文結合能力，例如通過用戶已經購買或者拒絕的條目發布更有針對性的推薦。作為下一步發展方向，谷歌地圖應該了解大家的飲食偏好，從而在出門之后直接結合用餐模式與口味給出出行建議。
自動更正也屬于此類情況下的實例。首先，有人應當告知Siri如何區別“its”與“it’s”，同時解釋正確的語法變化。另外，其需要在規則基礎之上允許用戶根據個人習慣做出表達調整。
模式識別正乘機器學習的浪潮快速崛起
模式匹配還遠遠不夠，因為其要求各模式以預定義方式構建。因此，模式識別方案開始出現，意味著軟件能夠自行發現新模式或者根據用戶行為變更現有模式。
當然，這絕非易事。模式識別要解決的問題極為復雜，特別現實世界中存在的眾多“意外狀況”，例如天氣與交通情況、設備故障乃至自動駕駛技術中極為重要的威脅因素判斷等等。
由于機器學習極難實現——特別是在高度定義化的工程技術領域之外——很明顯其發展速度將相當緩慢。
語音識別正是其中一個很好的例子——初代系統往往效果極差，但現在我們已經擁有了Siri、Google Now以及Cortana等具備可用性的方案。它們有時候還是要犯錯，特別是在復雜的句式以及特殊的語言環境之下，但只要擁有足夠的背景提示，它們已經能夠發揮作用。
不過狀況越是混亂，機器學習就越難起效，因為其很難將所有真實條件都納入考量。自動駕駛汽車就是其中一例——車輛能夠學習行駛模式與信號識別，但天氣、行人及非機動車等外部因素***混淆性，因此目前業界普遍認為短時間內自動駕駛仍然不可能走向成熟。
預測分析——機器學習的下一階段
多年以來，IT行業一直在強調預測分析這一概念——或者強調商務智能等與之同源的其它表現形式。這是一項偉大的概念，但仍然需要模式匹配、機器學習與洞察能力的全面配合。而洞察能力真正使其邁入了新的發展階段。
對于預測分析，其目前的水平只能接受現成的思路，但卻在努力理解并接受其它非常規模式及結果。但作為“智能”，這種定位本身就存在一定矛盾——人們希望其提供最適用的模式與路徑，而非自作主張地進行其它判斷，畢竟其僅僅作為工具而非決策者存在。
大多數輔助系統都會利用現有條件引導一條可行的途徑。預測系統會利用概率算法對結論進行排序，但真正的問題是如果其結論與大家的直觀認知相去過遠，那么用戶往往會拒絕根據其提示采取行動。
可以看到，我們還有很多任務需要完成，所以新的時代恐怕還會如滴水穿石般緩慢來臨。是的，人工智能必將崛起，但其具體過程則是漸進而難以察覺的。
【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】
