（文章來源：讀芯術）
AI越來越深入地參與到我們的生活中了。它收集關于我們的大量數據，做出越來越復雜的決策。AI可以幫我們分類和屏蔽電子郵件，語音助手可以應答更復雜的請求，聊天機器人讓復雜的的流程自動化，服務著成千上萬的客戶。這樣的例子不勝枚舉。未來已來，但我們真的準備好了嗎？近幾年發生的許多事，讓我們無法消除對AI的顧慮。AI離不開數據，而數據從哪里來呢？企業不斷從用戶那里收集數據。無論用戶自己是否意識到了，用戶數據已經成為了世界上最有價值的商品。

另一方面，如果AI是高效的，那么對于可以由機器代替數百萬個工作來說，又意味著什么呢？失業擔憂、數據泄露、劍橋分析丑聞……讓這一切都令人警醒。我們真的希望生活中的每一個方面都被記錄和分析，從而受益于更智能的計算機系統嗎？如何平衡這其中的獲得與失去？首先，我們必須搞清楚，在實現人工智能的過程中，人類扮演著什么樣的角色。

謹慎當然可以理解，但是請考慮一下AI的能力。在這個宇宙中，我們從來沒有發現過如同人腦一樣，具有可塑性和極具潛力的東西。然而現在我們卻看到，電腦在最復雜的游戲中擊敗人類，駕駛汽車比任何人類駕駛員都更安全、更高效，在醫療方面也能比人類醫生做得更出色。這一切的最終目標是創造一個具有自我意識的機器。

這是圖靈測試的目的，旨在確定計算機在復制人類方面的有效性。這是成千上萬電影小說以及令人瞠目結舌的文章的主題，講述了具有自我意識的人工智能給人類帶來的風險。這也是雷·庫茲韋勒（Ray Kurzweiler）在不到30年的時間里，對人類-人工智能奇點理論進行的激進卻越來越成為現實的預測的重點。

然而事實上，使人類真正獨特的，是我們的大腦的觀察，以及解釋我們周圍的世界的方式——盡管不常是正確的。機器并不需要達到這樣才能有真正的意識，這種對自己和周圍環境觀察和評估決策的影響的能力，是人類獨有的。這是機器永遠不會復制的東西，也是為什么人類智能對人工智能方程式如此重要的原因。如果機器不能像我們一樣觀察世界，那么他們究竟是如何“思考”的，我們又該如何影響這個過程？

過去五年里，機器學習一直是人工智能行業的重點。機器學習包括提供算法及所需的工具，以提高性能，而無需明確的人工輸入。在人工神經網絡（ANNs）的支持下，機器學習在過去的五年發展迅速，模擬人類如何在周圍的世界中尋找和評估模式。于是乎，計算機能識別人臉，對語音信號作出反應，并在高度復雜的活動中與人類競爭。商業上，基于人工神經網絡的深度學習在2016年成為主流，同年，AlphaGo擊敗了一位人類圍棋冠軍，這早于AI專家的預測。

四年后，深度學習被用于改善數百萬企業和計算機系統的流程。然而，研究人員對于深度學習是否能真正達到人類智力水平，還是持謹慎態度的。

機器在決策過程中缺乏透明度，且目前不清楚單個系統在觀察和學習新任務方面的可移植性（盡管有許多事情正在影響這一點）。另一個主要問題是，隱藏在算法黑箱背后的歧視與偏見。是的沒錯，即使在深度學習系統中，也存在著固有的偏差。亞馬遜停止了一種招聘算法的使用，該算法將男性的簡歷優先排序。

麻省理工學院的研究人員發現，面部識別算法在識別少數民族，特別是少數民族女性方面往往訓練不足。因為由人工操作人員和開發人員向他們設計的算法提供信息，所以可能存在固有的偏差。硅谷公司于2018年進行的的一項研究發現，該地區10家大型公司在2016年沒有雇傭黑人女性，3家公司根本沒有黑人員工。多樣性的缺乏會直接影響到輸入到這些系統中的數據，從而惡性循環。

毫無疑問，人工智能會一直存在，它的效率極高。人們仍然擔心自己的數據安全和算法偏見，但比起這些，人類更擔心的是被AI取代，帶來大面積的失業。可以放心的是，雖然人工智能將取代一些可以被自動化系統完全代替的工作—例如數據輸入，追蹤以及許多客戶服務行業工作，但它同時也在創造新的崗位，擴大了數以百萬計的工作。

要讓AI發揮作用，就需要人類智能介入。人類不需再承擔繁重的工作，而是被重新導向于更具生產力的角色，這通常是支持AI或者與AI協同工作的角色。技術越先進，對于生產和管理人員的需求就越多。人工智能是一個工作引擎，只會與人類輸入協同工作，以獲取數據、管理數據、提供操作我們系統的算法等等。

我們生活在一個變化的時代。AI系統正以高速發展，并給我們的生活和各行各業帶來巨變。這是機遇也是挑戰，有太多事務亟待完善和處理。但必須強調的一點是，人類智能在這一過程中必不可少。
（責任編輯：fqj）