我們應該害怕人工智能嗎？對人類來說，這是一個簡單的問題，答案肯定是不會。但不是每個人都同意 這一觀點，包括已故的物理學家斯蒂芬霍金，已經提出擔心強大的人工智能系統的興起可能會為人類帶來終結。

顯然，你對人工智能是否將接管世界的觀點將取決于你是否認為它可以發展超越人類的智能行為，被稱為“超級智能”。那么讓我們來看看它有多可能，以及為什么人們對AI的未來有很多關注。人類往往害怕他們不理解的東西。所以難怪它也適用于新技術 。一些技術成就似乎幾乎不切實際，明顯超出了預期，在某些情況下甚至超過了人類的表現。

但讓我們揭開人工智能技術的神秘面紗，統稱為機器學習。這些允許機器學習任務而無需使用明確的指令進行編程。這可能聽起來很怪異，但事實是，這完全取決于一些相當普通的統計數據。機器是程序，或者說是算法，其設計具有發現所提供數據內的關系的能力。有許多不同的方法可以讓我們實現這一目標。例如，我們可以一個接一個地向機器呈現手寫字母（az）的圖像，并要求它告訴我們每次按順序顯示哪個字母。我們已經提供了可能的答案， 它只能是（az）中的一個。

機器隨機寫了一封信，我們通過提供正確答案來糾正它。我們還對機器進行了編程以重新配置，以便下次如果出現相同的字母，則更有可能為下一個提供正確的答案。結果，機器隨著時間的推移改善了其性能并“學習”識別字母表。本質上，我們已經對機器進行了編程，以利用數據中的常見關系來實現特定任務。例如，所有版本的“a”看起來結構相似，但與“b”不同，算法可以利用它。有趣的是，在訓練階段之后，機器可以將所獲得的知識應用于新的字母樣本，例如由機器從未見過的手寫的。

然而，人類善于閱讀。也許一個更有趣的例子是Google Deepmind的人工Go玩家，它在游戲性能方面超越了每個人類玩家。它清楚地以一種與人類不同的方式學習，與自己一起進行一些人類無法在其長時間所完成的游戲。它被特別指示贏得并告訴它所采取的行動決定它是否勝利。也被告知游戲規則。通過一次又一次地玩游戲，它可以在每種情況下發現什么是最好的策略動作，發明以前沒有人執行過的動作。

現在這會讓AI Go玩家比人類更聰明嗎？當然不是。AI非常專注于特定類型的任務，并且不顯示人類所做的多功能性。AI被稱為“智能”的事實最終歸結為它可以學習的事實。但即使在學習方面，它也無法與人類相提并論。事實上，幼兒可以通過觀看他人的解決問題方式來學習。

另一方面，人工智能需要大量數據和大量嘗試才能在非常具體的問題上取得成功，而且很難將其知識概括為與受過訓練的人完全不同的任務。因此，雖然人類在生命的最初幾年迅速發展出令人驚嘆的智力，但機器學習背后的關鍵概念與一二十年前的情況并無太大差別。

ck現代人工智能的成功較少是由于新技術的突破，更多是由于可用的大量數據和計算能力。但重要的是，即使無限量的數據也無法提供類似AI的人類智能，我們需要首先在開發人工“通用智能”技術方面取得重大進展。這樣做的一些方法涉及構建人類大腦的計算機模型， 我們甚至都沒有實現這一模型。

最終，僅僅因為人工智能可以學習，它并不真正意味著它將學習人類智能的各個方面并且超越我們。人類智能甚至沒有簡單的定義，我們當然也不知道智能是如何在大腦中體現的。但即使我們能夠解決它然后創建一個可以學會變得更聰明的人工智能，這并不一定意味著它會更成功。

就個人而言，我更關注人類如何使用人工智能。機器學習算法通常被認為是黑盒子，并且在精確定位我們的算法所發現的解決方案的細節方面做出的努力較少。這是一個重要且經常被忽視的方面，因為我們經常沉迷于表現而不是理解。了解這些系統發現的解決方案非常重要，因為我們還可以評估它們是否是正確或理想的解決方案。

例如，如果我們以錯誤的方式訓練我們的系統，最終它已經學會了一般不具備的關系。比如說我們想設計一臺機器來評估潛在學生的工程能力。可能是一個可怕的想法，但讓我們為了論證而遵循它。在傳統角度上，這是一個男性主導的學科，這意味著培訓樣本很可能來自以前的男學生。例如，如果我們不確定培訓數據是否平衡，那么機器最終可能會得出工程學生是男性的結論，并且錯誤地將其應用于未來的決策。

機器學習和人工智能是工具。它們可以以正確或錯誤的方式使用，就像其他一樣。這是他們使用的方式，應該關注我們，而不是方法本身。人類的思想和人類的非智能化遠遠超過人工智能。