人工智能进入指数式发展“下半场”，但每10年人类智商值才提高3%，机器变聪明了，人怎么办?

题图为电影《机械姬》海报，电影中AI机器人Ava通过各种欺骗、诱惑手段，充分利用人性弱点通过了科学家的图灵测试，最终逃出囚禁、获得“自由”

1997年5月，IBM的“深蓝”超级计算机在6局的国际象棋比赛中，以2胜1负3平战胜了世界排名第一的国际象棋大师卡斯帕罗夫。这是人工智能发展史上一个重要的里程碑，这表明机器的智力在“信息完美”的领域，如棋牌游戏，已经超过了人类。

“深蓝”战胜了国际象棋大师

所谓“信息完美”是指系统内信息完全，有始有终，没有外部干扰。“深蓝”的运算能力在当时全球的超级计算机中位居259位，每秒钟可以运算2亿步。“深蓝”学习了70万局国际象棋大师比赛，从而有4千种不同的开局。

此外，作为机器的“深蓝”从不疲倦，没有情绪影响，更不会犯低级错误。而卡斯帕罗夫则后悔的说: 和“深蓝”的第6局比赛是他职业生涯中最烂的一盘棋。

人工智能发展的“上半场”回顾

人工智能起步于1950年，那年艾伦·图灵发表了一篇论文，预测机器的人工智能有一天能够超过人类的智能。他同时提出了“图灵测试”:

机器和人类专家对话之后，如果专家无法区分对方是人还是机器，则说明机器的智能超过了人。

1951年马文·明斯基完成了第一台神经网络机SNARC，从而成为人工智能领域的一位重要的科学家。1956年的达特茅斯会议正式确定了人工智能这个领域。

1950~70年是人工智能开启的年代，斯坦福大学做出了移动机器人，而麻省理工学院推出了聊天机器人。在1970~80年，人工智能的发展遇到了瓶颈，那时的计算机的运算能力和内存有限，导致学习能力差。1980~87年，人工智能迎来了兴旺发展的时期，日本投入了8.5亿美金研发机器人，而美国的研究机构DARPA也针对人工智能投入大量的资源。1987~93年又陷入了一个人工智能的冬天，人工智能的专用电脑的性能尽然落后于IBM和苹果的个人电脑。当时的DARPA主任认为人工智能不再是研究的重要方向。

从1993年到今天，人工智能正在经历一个大发展，特别是2012年之后，人工智能的进步明显加快了。2006年，雷蒙德·科兹威尔（Ray Kurzweil）在他的《奇点临近（The Singularity Is Near）》一书中，预言机器的智能将在2045年超过人类的智能。

2011年1月出版的美国《时代》杂志封面故事：2045年人类机器结合获永生

2014年6月7日，一个名叫Eugene的“人”和一些专家在网上对话了5分钟，有33%的专家认为Eugene是一位13岁小孩。事实上，他是三名俄国科学家发明的超级计算机。这样，按照图灵测试的规则，机器第一次通过了图灵测试，时间正是图灵先生逝世60周年。

指数式发展的“下半场”

国际象棋的起源可以解释指数式发展的“下半场”的概念。据说国际象棋的发明地是古印度，当时大师达依尔为舍罕王发明了一个在64格棋盘上的游戏，就是今天的国际象棋。舍罕王十分喜欢这个游戏，要奖励大师。大师要求的奖励是：每个棋盘格子放麦子，第一格放一颗，第二格放二颗，第三格放四颗，以此类推，放完这64格子。

舍罕王马上就答应了，他以为用不了多少麦子就可以放满64格棋盘。没想到，放到第21格时，麦子就必须以袋为单位;进入棋盘的“下半场”格子后，全印度的麦子都不够。事实上，放满64格棋盘，需要全球2千年所生产的麦子。

这样的棋盘上放麦子的增长模式是指数式增长：初期的增长曲线平缓；后期，也就是“下半场”的增长曲线上升得非常陡峭，速度让人出乎意料。

人工智能的发展己经进入了“下半场”

人工智能进入指数式发展的“下半场”的证据来自至少两个方面: 第一方面，人工智能前进的推动力具备指数式增长的特征;第二方面，近年来人工智能的研发活动和成果极其频繁。

人工智能的推动力主要包括三个方面: 计算个人化，计算网络化，和大数据。

首先，计算个人化使得人工智能的研发从精英阶层扩展到大众。早期的研究机构主要是大学和政府，只有他们才有人工智能研发所必备的超级计算机。集成电路的发明和发展促成了计算能力快速上升和成本大幅下降，集成电路的发展模式在以往的40年遵循指数式发展，即著名的摩尔定律。80年代我在浙江大学学习时使用的小型机PDP11的运算能力远远不如我们今天使用的手机。今天用几万美金所搭建的服务器，其运算能力就可以超过当年的“深蓝”超级计算机。巨大的计算能力的普及为小公司在人工智能领域进行创业提供了极大的便利。

其次，计算网络的价值增长也是呈现指数式。例如，有4个节点的网络有12个有方向的连接，而400个节点的网络有多达159600个连接。由于有线互联网和移动互联网的普及，今天的网络连接数(即价值)正在直线上升。

再次，随着信息终端的普及和物理世界的数字化，数据正在爆炸增长，更是指数式增长。今天全球的累计的数据量超过了10Zettabytes，其中90%的数据是在过去的两年中产生的。我相信在以上三股指数式上涨的力量推动下，人工智能的发展也成指数式的成长模式。

近年来，人工智能的创业和研发活动越来越活跃。根据VENTURE SCANNER在2015年8月的统计，近十几年，全球在人工智能领域的创业公司达到了855家，它们共获得87.5亿美金的风险投资。根据量化公司QUID的数据，在2013年有322家人工智能公司获得至少20亿美金的投资。据CB Insights的数据，2014年投资人工智能领域的金额比2013年增加了三倍。

人工智能创业分布在13个不同的领域，包括机器学习，计算机视觉，语音认别，智能机器人等。高通创投在人工智能领域也投资了许多优秀的企业，如基于大数据和机器学习的出行导航公司WAZE(在2013年被Google收购)，智能无人机公司3DR，语音识别公司云知声，虚拟现实/扩充实景公司MAGIC LEAP和小熊尼奥，人机交互公司七鑫易维，等等。

正是因为计算能力和数据量的极大增强，机器学习成为人工智能领域进步最快的分支，所获得的投资额占总投资额的45%。

机器学习是用数据和以往的经验，优化计算机模型的性能指标。比如说，制造手机有100多道工序，如果我们通过编程，让一个机器人一步一步地按照程序完成，这不是机器学习。如果智能机器人通过观察工人制造手机的过程，再经过不断试错，之后可以自行制造，这才是人工智能。

“大数据”之前，因为没有足够的数据来训练模型，所以模型优化的进程缓慢。今天数据足够多了，运算能力大幅上升，使得优化模型的速度加快。最近量子计算机带来更强大的运算能力的希望。

近几年大公司对人工智能的投入又怎么样呢?

先说谷歌：谷歌在2010年正式开始汽车自动驾驶项目，在2012年获得美国首个自动骂驶车辆许可证。到了2016年年初，谷歌的自动驾驶汽车己经累计行驶了225万公里，自动驾驶的趋于成熟的速度超出了许多人的想象。2014年，谷歌收购了深度学习公司DeepMind，10月DeepMind发布了一种全新的模拟神经网络。同年，谷歌开始开发一套能够整合海量数据的语音系统，使得语音别识的精准度从2012年的84%提升到2014年的98%。在图像识别的研发方面，谷歌一直不遗余力。在2012年，“谷歌大脑”可以在1000万张图片中成功识别出猫，从2010年到2014年，谷歌的图像分类识别精确度提高了4倍。谷歌在2013年收购了8家机器人公司。

再来看Facebook：深度学习的鼻祖级科学家Yann LeCun在2013年加入Facebook，使其图像识别和自然语言处理技术飞速提高，2014年，Facebook的脸部识别的准确率达到97%。再来看看IBM这支人工智能领域的老牌劲旅，2014年IBM宣布组建“Watson Group”，同时推出两项Watson顾问服务，一项帮助企业从海量数据中获得洞察，另一项使得数据可视化。同年8月IBM发布能模拟人类大脑的SyNAPSE(自适应可伸缩神经形态电子)芯片，该芯片有100万个“神经元”内核，而功耗仅为70毫瓦。

最后说百度：2014年5月百度引入深度学习专家Andrew Ng，并由其组建百度北美研究中心。随后他们发明了Deep Speech的语音识别方法，可以在嘈杂环境中实现81%的识别准确率。同年4月，百度发布大数据引擎，提供大数据存储、分析和挖掘技术，在医疗、金融和交通领域有具体的应用。

所以说，近年来在人工智能领域的创业越来越活跃。大型科技公司也视人工智能为其核心技术而加大研发投入。人工智能的成果在最近几年不断涌现，充分显示其发展进入了指数式增长的“下半场”。

机器聪明了，人怎么办?

人工智能的发展进入了“下半场”的快车道，机器的智能日新月异，人类的智力有进步吗?

英国伦敦大学的科学家的研究表明，自1950年以来，人们的平均智商升高了20点，相当于平均每10年人类的智商值提高了3%。

这是一个喜忧参半的消息，忧的是人类的智商提升的速度远远低于人工智能的进步;喜的是，不管多少，人们的智商还是可以被提升的。

一个简单而重要的问题是: 人工智能技术能够用来提高人的能力吗?

人工智能在教育领域的应用

经过分析，我将人工智能在教育领域的应用总结为以下7个方面。我相信这方面的创新刚刚开始，科学家和创业者不仅应该关心机器的能力，而是更在乎我们自身的能力。

1)自动作业批改。语音识别和语义分析使得自动批改作业成为可能。数学等学科的自动批改作业相对容易，但是，作文的自动批改已经开始了，老师和助教的效率正在大大提高。

2)个性化学习。大数据可以描述每个学生的学习特性，根据伦敦的一个研究机构的分析，人们的学习方法可以分为70种。高通投资的爱乐奇已经积累了一千三百万学生所做过的8亿道题，为个性化教学提供了充分的依据。如果说今天的课堂教学的主流方法是“从原理到应用”，而机器学习的方法是“从案例到原理”，并且是同时学习多个案例。那么“从案例到原理”的学习方法对部分同学有效吗?事实上，许多人包括我本人在内，更适应于“从案例到原理”的学习方法。

3)智能辅导系统(ITS)。人工智能在这个领域的应用已经有长足的进步，也展示出明显的效果。我和我的儿子都喜欢可汗学院(KHAN ACADEMY)，它是一个优秀的智能辅导系统，帮助我们学习数学、科学、人文科学和计算机科学。值得一提的是，可汗学院的创始人拒绝了风险投资人的投资建议，坚持要把可汗学院办成非赢利企业。学者将ITS和课堂一对多教学以及一对一的老师辅导进行对比，结果令人振奋: ITS的效果比课堂教学好很多，和老师的一对一辅导的效果相似。

4)互动学习环境(ILE)。互动学习环境与智能辅导系统的区别在于四方面：更多建设性学习(或者说学生自己决定学习科题)，学生更主动，更多个性化，以及学生收到更多反馈。

5)通过仿真游戏学习: 目前最成功的仿真是飞行模拟器。我的飞行员朋友告诉我：在模拟机上飞行和真机没有两样，只是训练更加便捷。美国红雀公司的FMX就是一款经过美国FAA认证的，价值几千万美金的模拟机。我女儿热爱环境保护，她使用Catchment Simulation 仿真软件学习水文和水利。我儿子正在模拟的股市中，使用虚拟货币进行交易。我认为人的能力大概分为三种：分析能力(一种在书本和课堂中能够学到的能力)，实践能力(一种只能在生活中培养的能力)，以及创造能力(一种上天赋予的能力)。今天，因为实践的机会极少，人们的实践能力越来越弱，仿真可以多少弥补一些实践能力。

6)对教学体系的反馈和评测。

7)人工智能为学校招生，学习场所和课后活动提供创新的解决方案。

在以上人工智能应用于教育的七大方面，效果明显的是智能辅导系统和通过仿真游戏学习。

象棋大师的“东山再起”

在1997年象棋大师卡斯帕罗夫输给IBM的“深蓝”之后，虽然有短暂的不服等情绪，他总结了失败原因，并提出了一种新型的国际象棋比赛形式——自由式。在自由式国际象棋比赛中，人和机器可以自由组合：可以是一台或多台电脑，可以是一个或者几个棋手，也可以是人加机器。

在2014年的自由式国际象棋比赛中，机器赢了42局，而人加机器胜53局。获得冠军的是一个叫Intagrand的人加机器的团队。当他们刚刚出现时，人们怀疑团队中有卡斯帕罗夫，后来才知道这个团队的棋手是由三名业务选手组成，加上并非最尖端的国际象棋软硬件。三名棋手其中一位是华裔女选手，她也是全球唯一两位自由式国际象棋女选手之一。人加机器的胜利说明这样的组合比人或者机器更有优势，而冠军队Intagrand的组成也进一步证明“一般人加上一般机器”可以战胜“最强的人”或者“最强的机器”。

虽然“人加机器”的文明进步方式让我们松了一口气：人和机器不是对立的。但是人仍然希望自身能力可以大大提高。正如本文所阐述的，人工智能可以在教育领域得以应用，人工智能也能够帮助国际象棋棋手快速提高水平。今天的国际象棋大师中最高水平当属Magnus Carlsen，他在训练中使用了人工智能，也被大家认为下棋风格最像电脑的大师。Magnus的水平已经超过了历史上所有的大师。所以说，人工智能能够帮助我们达到更快更高更好。

2015年12月21日，英国伦敦帝国理工学院的科学家在《自然：神经学》发表一项研究成果：他们发现了影响人类智力的基因群M1和M3。他们声称“……我们有望操纵一整套与人类智力有关的基因。通过这些基因改造智力，理论上是有可能的，……” 这类基因研究成果首先用于治疗疾病，但是我们可以想象：将来我们的智商可以大幅度提高，仍然高于机器。

本文由作者沈劲（Qualcomm全球副总裁、Qualcomm风险投资部中国区总经理）授权创业邦发布，转载请注明作者信息及来源，违者必究