人工智能仍然不能做也不能理解的5个方面

就大量关于“杀手级机器人”的炒作来说，2017年在人工智能方面取得了一些显著的进步。阿尔法狗、冷扑大师等棋牌机器人能让顶级玩家陷入绝望，在现实世界中，机器学习正被用于改善农业，以及扩大医疗保健的覆盖面。

但你最近和Siri或者Alexa对话过吗？如果有，那么你会知道，撇开这些炒作，以及踌躇满志的亿万富翁们，还有很多事情人工智能仍然不能做也不能理解。

以下是五个棘手的问题，专家们将在明年为它们绞尽脑汁。为您一一道来：

语言真正的含义

在处理文本和语言方面，机器比以往任何时候都做的更好。 Facebook可以为视障人士读出图像描述。谷歌做了一个很不错的软件，能在回复电子邮件时给出简短的建议。然而，软件仍然不能真正理解我们的话语的含义，或我们想与它们分享的想法。波特兰州立大学教授梅兰妮·米切尔（Melanie Mitchell）表示：“人类能够把我们学到的概念以不同的方式结合起来，并在新的情况下应用。AI和机器学习系统则不能。”

Mitchell将今天的软件面临的问题描述为数学家Gian Carlo-Rota所说的“意义障碍”。一些领先的AI研究团队正试图找出克服它的方法。

这项工作的一部分，旨在为机器提供关于常识和实体世界的认知基础——它们奠定了我们的思维。例如，Facebook研究人员正通过观看视频来教软件理解现实。还有人在模拟我们可以用关于世界的知识做些什么。谷歌一直在试图打造能够理解隐喻的软件。米切尔实验过一种系统，使用类比和概念存储来解释照片中发生的事情。

阻碍机器革命的“现实差距”

机器人硬件已经发展的相当不错了。花500美元，你就能购买携带高清摄像机的手掌大小的无人机。搬运箱子的机器人以及两条腿走路的机器人也有所改进。那为什么我们还没有被繁忙的机械助手所包围？因为现在的机器人缺乏能够匹配他们先进的肌肉的大脑。

让机器人做任何事情都需要针对特定的任务进行特定的编程。它们可以通过重复的试验（和错误）学习操作，如抓取物体。但是这个过程相对较慢。一个有希望的捷径是让机器人在虚拟的、模拟的世界中训练，然后把那些来之不易的知识下载到实体机器人体内。然而，这种方法被现实差距所困扰，具体来说，机器人在模拟过程中学到的技能，在转移到实体世界中的机器时，并不总是有效。

这种现实差距正在缩小。十月，在虚拟和真实的机器人手臂拾取多种物品的实验中——这些任务包括胶带分配器，玩具和梳子等等——谷歌报告了可喜的结果。

对于自动驾驶汽车从业者来说，取得进一步的进步很重要。在机器驾驶竞赛中，众多公司在在虚拟街道上部署虚拟车辆，他们希望能减少在实际交通和道路条件下测试所花费的时间和金钱。自动驾驶创业公司Aurora首席执行官Chris Urmson说，使虚拟测试更适用于真实车辆是团队的优先考虑之一。曾经领导谷歌母公司Alphabet的自主汽车项目的Urmson说：“明年或以后，我们可以利用这种技术来加速学习。”

防范AI黑客攻击

运行电网，安全摄像头和手机的软件时常受到安全漏洞的困扰。自动驾驶汽车和家用机器人的软件想必也不会例外。事实上它们的情况可能更糟糕：有证据表明，机器学习软件的复杂性引发了新的攻击途径。

研究人员今年表示，你可以在机器学习系统内部隐藏一个秘密触发器，让它在一个特定的信号下转为恶性模式。纽约大学的研究小组设计了一个街道识别系统，该系统看到黄色的便利贴就会停止正常工作。将一张便利贴贴在布鲁克林的停车标志上，会导致系统将该标志报告为限速。 这些把戏的潜在可能性可能会给成自动驾驶汽车造成问题。

这个威胁很严重，本月早些时候，世界顶级机器学习会议的研究人员召开了一个关于“机器骗术的威胁”的研讨会。研究人员讨论了一些恶魔般的骗术，比如生成一些在人类看来很正常、但是对软件来说意味却截然不同的手写数字。例如，你所看到的是一个2，而机器视觉系统看到的是一个3。研究人员还讨论了这种攻击的可能防御方法，并且担心人工智能被用来愚弄人类。

组织研讨会的Tim Hwang预测，随着机器学习变得更容易部署，功能更强大，使用该技术操纵人是不可避免的。他说：“你不再需要一房间的博士才能研究机器学习。”黄指出，在2016年总统选举期间，俄罗斯的虚假宣传运动是潜在的AI加持的信息战的先行者。他说：“为什么从机器学习的领域看看这些活动中涉及到的科技呢？” Hwang预测，其中一个格外有效的骗术可能是使用机器学习制造虚假的视频和音频。 

超越桌游

Alphabet的国际象棋冠军阿尔法狗软件在2017年迅速崛起。五月份，一个更强大的版本击败了中国的围棋冠军柯洁。它的创造者，研究机构DeepMind，随后构建了一个新的版本，AlphaGo Zero，不通过研究人类棋术而直接学习围棋。十二月， AlphaZero又一次升级，它可以学习下围棋和日本棋类游戏Shogi（虽然不是在同时）。

这种滚雪球般的捷报令人印象深刻，但同时也提醒人们AI软件的局限性。国际象棋，shogi和围棋都很复杂，但规则相对简单，且对手的玩法清晰可见。它们与计算机能迅速掌握的许多未来职位的能力非常匹配。但是生活中的大多数情况和问题，并不是这样结构整齐。

因此在2017年，DeepMind和Facebook都开始在多人游戏“星际争霸”上下功夫。现在两者的进展都不大。目前最好的机器人是业余爱好者所建立的——即使是与中等技能的玩家相比，它们也无法匹敌。 今年早些时候，DeepMind研究员Oriol Vinyals曾表示，需要缺乏规划和记忆能力才能精心组装和指挥一支军队，同时期预测并对对手的动作做出反应，而他的软件缺乏这种能力。无独有偶，这些技能对于软件更好地帮助实际工作也至关重要，如办公室工作或真正的军事行动。 2018年“星际争霸”或类似游戏的巨大进步可能预示着人工智能的一些强大的新应用。 

教AI辨别是非

即使没有在上述领域取得新的进展，如果现有的AI技术被广泛采用，经济和社会的许多方面也会发生很大的变化。企业和政府正急于这样做，与此同时，有人对人工智能和机器学习可能造成的意外和故意伤害表示担忧。

在本月的NIPS机器学习大会上，一个重要的讨论话题是，如何使技术保持在安全和道德的范围内。研究人员发现，我们的世界本身远不完美，机器学习系统从中获得训练数据，因而可能学会令人不愉快或者我们不期望的行为，如延续性别偏见和刻板印象。现在有人正在研究技术，用于审核人工智能系统内部运作，确保他们在投入金融或医疗保健等行业工作时作出公平的决策。

明年我们应该会看到科技公司提出相关理念，关于如何让人工智能站在人性光明面。谷歌，Facebook，微软和其他人已经开始讨论这个问题，以及一个新的名叫“Partnership on AI”的非营利组织的成员，该组织将研究和尝试塑造人工智能的社会影响。更多的独立组织也感受到了压力。一个名为“人工智能伦理与治理基金会”的慈善项目正在支持麻省理工学院、哈佛大学等研究人工智能和公共利益。纽约大学的一个新研究机构AI Now也有类似的任务。在最近的一份报告中，它呼吁各国政府发誓放弃在刑事司法或福利等领域使用没有公开检查的“黑匣子”算法。

麦肯锡：人工智能最大挑战与机会

最近一段时间，我与众多专家交流的过程中，关于人工智能的三个关键业务方面开始逐渐明朗化。

第一，人工智能是一个模糊的大概念，将数据与各种技术（例如模式识别和其他等技术）结合到一起，模拟人类的学习方式和智能性。“人工智能”这个词是一种不够精确的市场营销或者演示术语。企业采购者们应该深入地了解这些对他们最有意义的技术。

第二，很少有企业大规模地部署了人工智能。现在有大量原型和概念证明，但是对大多数企业组织来说，人工智能仍然是新的、具有实验性质的。例如，SAS最近的一项调查显示，“人工智能的采用仍处于早期阶段”。

第三，对厂商的说法持怀疑态度。很多科技公司仍在试图找到人工智能能在哪些方面改善他们的产品和自动化流程。很多厂商通过收购人工智能初创公司来获得专业技能和填补空白。

对于企业采购者来说，底线就是：学习这项技术，向你的提供商提出问题，通过挖掘内部数据科学人才为人工智能做规划。人才短缺是当前的一个大问题。

在研究人工智能将会给企业组织和员工队伍带来怎样影响方面，麦肯锡全球研究员（MGI）是全球重要的研究机构之一。麦肯锡的研究将定量分析、与高管和业务运营者的广泛访谈相结合，由此创建的报告是具有洞察力和价值。最近，麦肯锡的两份报告重点关注了人工智能的商业价值，以及自动化和人口统计对工作及经济的影响。

其中一位合伙人Michael Chui，负责麦肯锡全球研究院围绕人工智能与相关技术所带来的影响，他也是我所知的在这些方面最有信服力的人之一。

Chui提出了一些要点是我想要特别强调的。首先，一家企业组织在采用人工智能方面取得的成功，很大程度上是基于整体数字化成熟度的。那些积极推进数字化转型的企业在人工智能项目方面更有可能取得进展。从我的角度来看，我们可以将人工智能项目视为数字化转型——重新思考文化、思维模式和商业模式——的延伸，而不是孤立的技术项目。

其次，人工智能给各种工作带来改变，使得部分劳动力得到释放，可以重新部署，所以需要从现在就开始思考，你要如何培训你的员工。Chui说，劳动力的大规模重新部署可能是我们面临的“重大挑战”之一。

我与他的深入对话持续了45分钟，下文描述了这位全球顶尖的人工智能业务研究员是如何看待今天的这些问题。下面是对这次深入对话整理的摘要记录：

你如何定义人工智能？

你可以花几个小时来探讨这个问题。我们将人工智能描述为使用机器来做认知工作，所有智能性都受限于我们的大脑，这是我们身体的一部分。因此，我们知道在很多情况下，人工智能本身会进入物理世界中，化身成为机器人和自动驾驶汽车等等。但是，这与智能是有关的，然后是实例化的机器。

你的研究得出了哪些重要结论？

我们称之为人工智能的这些技术，蕴藏着巨大的潜力。这些技术影响着我们的方方面面。原因之一就是，有大量潜在的人工智能应用，是对人们已经在数据和分析方面开展的工作的一种延伸。因此，我们研究了所有领域、所有功能方面的500种不同的人工智能使用实例。

有时候我们会说，是这些传统分析方法给你带来了如此大的影响。但是，当你可以增加多维度的数据或者更多的深度学习技术，你就可以提高预测精准度、或者提高OEE、或者减少浪费，这些使用实例让我们能够做到。你可以把人工智能看作是你分析工具包中的另一个工具。我认为这是一个广泛的发现结果，几乎会影响到业务的各个方面。

我有另外一位同事也在直接接触那些正在考虑或者正在使用人工智能的客户，从中我们了解到的，人工智能还处于非常早期的阶段。虽然还有改善经济的巨大潜力，但是无论在高层次还是低层次，只有非常少数的企业已经在大规模或者在核心业务流程中部署了人工智能。

这个情况每天都在发生变化，因为有越来越多的企业部署这项能力，去了解关于人工智能的更多信息，他们可以把人工智能潜入到企业组织的流程中，在某些情况下，这是很难的一件事情。我们还在学习曲线的初期，这其实是一个很陡峭的学习曲线，但是我们还处于早期。还有很大的潜力，但是我们还处于早期。

你研究的众多行业之间有哪些共同点？

有很多行业，他们的价值是源自于与客户的交互。如果你是一家零售企业，如果你是一家消费品包装企业，那么考虑人工智能和这种功能的价值，是有意义的。另一方面，如果你的运营效率驱使你这么做，如果你从事制造业，你要交付和出货产品，如果你从事物流业，那么也许这些运营需求是更优先一些的。我认为至少在高层方面，这是一种考虑人工智能的方式。

我们发现的另一个共同点就是接下来的事情，也就是，我认为通常你发现了一项具有潜在变革性影响的技术，你会说“天啊，就没有捷径可走吗？我能不能直接使用它就能提高竞争力？”

事实上，我们需要大量的训练数据，我们发现正在进行数字化转型的行业和企业之间具有高度的相关性——能够在他们的核心流程中使用数字化技术来改善流程效率。这与为人工智能做好准备之间也是有高度相关性的。

还有一个我们发现的共同点是，很难加速你的数字化之旅。你需要走上数字化之旅来让你自己为人工智能做好准备。我认为这是另一项发现。

如果你希望加速人工智能发挥潜在影响，你就需要加速你的数字化之旅。

人工智能对员工问题会带来怎样的影响？

有一些潜在影响，是那些原本我们付费让人们做的工作，被这些技术变成了自动化。

我们对个人活动进行了研究（不止是职位），目前在全球经济中我们有2000种不同的活动是付出成本去做的。人们近一半的付费工作时，是用在了理论上我们可以采用现有技术实现自动化的活动上。这听起来很可怕，对吧？这是一个很大的比例，但这并不是说我们预测明天就有50%的失业率。开发这些技术也是需要花费时间的。

你需要一个正面的商业案例。新技术刚开发出来的时候总是很贵的，不管是自动驾驶汽车还是人工智能算法。因为摩尔定律，这个成本会逐渐降下来。你需要和人工成本进行对比，全球各地的人工成本是各不相同的。

无论如何，未来40年中，全球50%的活动可能都不会被自动化，到了2055年也是如此。但是，我们会设想一个20年前的场景，一个20年后的场景。我们知道，有越来越多我们付费去从事的活动将实现自动化。

那么问题来了，是否会有对劳动力的充足需求，即使是那些可能被自动化的事情？我们上个月的报告表明，答案是肯定的。

想想不同的潜在催化因素——无论是全球各地的复苏；未来几十年将有10亿人进入消费阶层；无论是你在谈论老龄化问题，一个令人不安的问题，因为工作人数在不断减少，但是另一方面，老龄化问题却驱动了对医疗保健的需求。

未来我们将会看到基础设施方面的投资不断增加，这对消费阶层来说是有利的，也是对我们现有基础设施的修复和改善。我们将会看到能源结构和效率方面的变化，甚至还会有大量目前是无偿性质的工作越来越多地进入市场，例如很多女性在家中做的儿童保育、烹饪和清洁的工作。

如果你把所有这些因素都放在一起来看，甚至把这些与人工智能和机器人可以做的事情进行对比，我们仍然可以看到有大量工作要做，足以抵消自动化带来的影响。

但是有一个广泛的问题是，如果你认为大规模失业不会成为问题的话，那么大规模重新部署就是问题所在了。

我们认为，未来数十年最大的一个挑战就是，我们如何对那些技能被取代的数百万工作者进行重新培训？我们需要让他们保持一直工作的状态，以维持经济增长，但是从大规模来看，要重新培训这些人来渡过他们的第一个二十年，我恐怕要说，这是我们一直没有完全解决的问题。这是我们亟待解决的问题。

业务领导者应该开始现在就开始考虑员工再培训的问题，还是为时过早呢？

眼下就需要对这个问题给予一定的关注。虽然很多变化不是在一夜之间就发生的，特别是在人工智能方面。但是，如果我们更广泛地考虑自动化技术的话，事实上我们已经开始看到一些变化的发生，无论是机器人流程自动化，还是制造工厂、物流还是配送中心的物理自动化。这些技术正在发挥着作用。

虽然我们会把这定义为一个跨度达数十年的趋势，宏观上是需要一定时间的，但是对于个人来说，这个变化很快就会发生。对于单个的员工来说，很快就会发生。而且，再培训也需要时间。我们认为这是一个巨大的挑战。通常来说，巨大的挑战不是一朝一夕就能解决的，所以我认为企业领导者就员工再培训这个问题要持续地考虑，应该是他们开始考虑员工策略的时候首要想到的。

这种讨论中会涉及到普遍基本收入的概念吗？

普遍基本收入（保证最低收入）这个想法，是需要大笔资金的。我现在在旧金山，我发现这里有很多人在谈论这个话题，当然也有很多的争论。

其中一个观点就是，如果我们认为机器要接管每个人的工作，我们会有大规模的失业，那么我们需要确保每个人有足够的收入，让他们实际上可以养活自己、养活家人。我认为，现在谈普遍基本收入这个观点还太早，因为这个观点的前提是假设有大规模的失业。其实我们要说的是，我们确实需要大规模再调配，而不是大规模事业，才能确保经济有足够的增长。

我们的观点是，我们要看过去五十年的经济增长情况，其中一半是因为工作的人越来越多了。由于老龄化，我们也将会失去很多劳动力。所以思考这个问题的一个因素是，我们会面临没有足够劳动力的问题。我们需要所有的人工智能、机器人等也工作起来，再加上我们需要人类劳动力来实现经济的增长。而且，如果你认为UBI是基于将会有大规模失业这一事实的话，我认为你已经放弃了，事实上，你需要向前迈一步想想。

另外一方面我认为可能会起到帮助作用，因为我们了解了人工智能和其他技术的潜在影响，外加这些额外的驱动因素，我们可能会继续看到有收入差距扩大或者收入不平等的现象。你可能会问，“看，我们纸需要人们有足够的报酬。”那么，如果你从公共政策的角度来看待这个问题，也许你可以针对补贴类型，例如所得税抵免，既可以起到作用，有可能为人们提供额外的收入。我认为，要考虑所有这些可能性。

现在，UBI对于发展中国家来说，它可能会让人们在能做在工作中什么方面有更大的自有。但是，在发达国家，因为支出以及它的目标并不是为人们争取工作，所以我认为这是有挑战性的。总的来说，我们从历史中发现的另一个要点，也是我们希望将继续下去的，虽然我们并不认为所有人都会完全停止工作，但是工作周已经减少了，平均来看，在过去几十年和几百年间的减少幅度达到了两位数。

希望我们大家有更多的休闲时间。而且，休闲会激发新的活动，新的职业。这就是另一些我们需要做的事情。我们需要继续创造新的活动和职业。工作周将继续减少，至少，在可预见的未来，工作周不会减少到零的。

那么改变人口统计呢？

人口统计是件有趣的事情，包含一些强大的因素。上个月我们发布的报告中提及了这个话题。首先，每个国家的人口差异很大。对于很多国家来说，他们正在经历着老龄化，使得这个问题进一步加剧了。我们没有足够的劳动力来维持我们这么多年来一直的经济增长。我们现在比父辈甚至是祖父母那一辈生活得更好的原因，正是因为多年来的经济增长，而这个增长有一半是来自于有更多的劳动力在工作。

德国的劳动力正在减少，日本的劳动力正在减少，拥有15亿人口的中国不久也要减少了。这些国家根本没有足够的劳动力来支撑经济增长。在这方面，人工智能和机器人可能会扮演一些劳动力的角色，可以填补可工作劳动力的一些空白。

也就是说，还有其他一些国家像印度、以及非洲大陆上的国家，还处于发展早期，他们的人口金字塔看起来很不一样。我们担心的是，如果自动化人工智能、和这些技术开始发挥作用，这些国家需要创造的工作岗位就更多了，怎么办？例如，在印度就是这样的，还有1.5亿人是需要工作的。

我们考虑了所有额外需求的潜在驱动因素，挑选了其中7个。我们知道还有更多的因素，甚至我们的模型也是有局限性的，特别是在那些还很“年轻”的国家，这些国家仍然对经济增长有很高的要求，在人均国内生产总值方面起步较低。因此，这会产生对人力、机器人和人工智能的大量需求。甚至在这些国家，我们看到了很多工作的潜力，很多要做的工作。

回到再培训和教育的话题上来。我们能够让人们从事这些工作吗？你是否能以某种方式部署这些技术，正如我之前所说的，人工智能和机器人技术需要在数字化旅程中作为基础？即使是那些发展中和还很年轻的国家，也需要走上数字化旅程，以便利用其他这些技术，提高生产力的同时，为人们创造新的就业机会。

给那些知名企业组织你有怎样的建议？

首先是投入一些时间和资源去了解这项技术和它具备的潜力。我认为一开始要了解它的潜力。然后是同样的测试和学习方法，在数据和分析方面广泛有效的，我认为也同样适用于这里。

另外一点，特别是针对那些在机器学习和深度学习方面表现出色的技术。这些技术是基于训练数据集的，我认为制定一套严密的数据策略是很重要的。

例如，我有机会和深度学习和机器学习方面的先驱者之一Andrew Ng交流，他谈到了一些在部署人工智能方面走在前沿的企业，这些企业会花很多时间多层次地了解收集或者访问哪些数据是很重要的，而且这样持续了多年事件。他把获得重要数据类比成多维度的国际象棋游戏。

现在最大的挑战之一就是人才问题。以前是数据科学家的匮乏。到了某种程度上，我们会谈及很多人工智能使用实例是分析使用实例的扩展。现在关于分析人才的挑战也扩展到人工智能方面，所以将会有很多对人才的争夺战，那些深度了解这些技术的人才。

当然，这种情况也在变化，随着越来越多的人在利用在线资源、参加课程等等。供求关系在不断变化中。目前需求如此之高，供应相对有限。最大的挑战之一，就是有能力的人才。