人工智能（AI）已经成为当今时代的口号。技术专家、学者、记者、风险投资家都在说这个词。跟其他许多从技术或学术领域流入普通大众的词语一样，“AI”这个词的使用也存在严重的误解。

自上世纪60年代以来，AI已经取得了很大的进步，但可以说，这种进步并非源于对模仿人类的AI的追求。相反，就像阿波罗飞船的例子一样，这些想法往往隐藏在幕后，研究人员的工作专注于特定的工程挑战。虽然普通大众看不到，但在文档检索、文本分类、欺诈检测、推荐系统、个性化搜索、社会网络分析、规划、诊断和A ／ B测试等领域的研究和系统构建取得了重大进展，这些进步推动了谷歌、Netflix、 Facebook和亚马逊等公司的成功。

人们可以简单地把这一切称为AI，事实上，这似乎已经发生。对于那些发现自己突然被称为AI研究人员的优化或统计学研究人员来说，这样的标签可能会让他们感到意外。但撇开标签不谈，更大的问题是，使用这个单一的、定义不清的首字母缩略词，阻碍了他们对正在发挥作用的智能和商业问题范围的清晰理解。

在过去的20年里，工业和学术领域都取得了重大进展——作为模仿人类的AI的补充，通常被称为“智能增强”（Intelligence Augmentation， IA）。在这里，计算和数据被用来创建增强人类智力和创造力的服务。搜索引擎可以被视为IA的一个例子，因为它可以增强人类的记忆和事实知识；自然语言翻译也是IA的一个例子，它可以增强人类的沟通能力。基于计算机的声音和图像生成为艺术家提供了增强调色和创造的能力。虽然这类服务将来可能包含高层次的推理和思考，但目前还没有；它们主要执行各种字符串匹配和数值操作，以捕获人类可以使用的模式。

让我们广泛构思一个“智能基础设施”的学科，构建基于计算，数据和物理实体的网络，使人类环境更加有趣和安全。目前这种基础设施已经开始在运输，医药，商业和金融等领域出现，对个人和社会的影响正越来越深。

可以想象，我们生活在一个覆盖全社会的医疗系统中，这个系统能够建立人与医生、医疗设备之间的数据流和分析，帮助医生做出更准确地诊断，并提供护理服务。系统可以整合来自体细胞、DNA、血液测试，环境，群体遗传学以及关于药物和治疗的大量科学文献的信息。它不仅关注单个患者和医生，而且关注所有人类之间的关系，有助于维持关于医疗信息的相关性、来源和可靠性的概念，就像今天的银行系统关注金融和支付领域的挑战一样。尽管人们可以预见这样的系统中会出现许多问题，比如隐私问题、责任问题，安全问题等等。但我们应该将这些问题视作勇于面对的挑战，而不是前进的阻碍。

目前的AI成果解决不了核心问题

现在我们面临一个关键问题：目前在传统的、基于人类模仿的AI真的是解决这些挑战的最佳方式（甚至是唯一方式）吗？

事实上，机器学习近年来取得成功的一些成功案例都是在模仿人类的AI领域，如计算机视觉、语音识别、游戏和机器人技术。也许我们应该继续等待，等待这些领域的更多技术进步。这里有两件事情需要注意。

首先，目前模仿人类的AI取得的成功还很有限，我们的最终愿望还远未实现。同时，在这个领域已经取得的有限进展，产生了巨大的快感，也滋生了不少恐惧，导致AI的过度繁荣和媒体的过度关注，这一点在其他工程领域是不存在的。

更重要的是第二点，在这些领域取得的成功并不足以解决重要的IA和II问题。比如自动驾驶汽车。要实现自动驾驶，需要解决一系列工程上的问题，这些问题可能与人的能力（或人力资源缺乏）关系不大。整体交通运输系统（II系统）可能更接近当前的空中交通管制系统，而不是目前普遍关注的人类驾驶员。这种系统比现有的空中交通管制系统复杂得多，特别是可以使用大量数据和自适应统计建模，为精细化决策提供信息。应对这些挑战需要关注最前沿，仅仅关注模仿人类的AI是不够的。

至于必要性，有人说模仿人类的AI愿景涵盖了IA和II的目标，因为它不仅能够解决AI的经典问题（比如图灵测试），同时也是解决IA和II问题的最佳选择。不过这种说法几乎在历史上找不到先例。以前听说过要用AI木匠或AI瓦工来搞土木工程吗？化学工程是否应该建一个AI化学家的框架？更有争议的是：如果我们的目标是建立化工厂，是否应该首先打造一群AI化学家，然后让TA们去研究怎么建？

有一种说法是，人类智能是我们所了解的唯一一种智能，因此我们应该将模仿人类智能作为第一步。但是，人类实际上并不擅长某种推理，人类有自己的失误、偏见和局限。而且，至关重要的是，人类并没能进化足以执行现代II系统必须面对的大规模决策，也没有应对II环境中出现的各种不确定性的能力。

有人可能会说，人工智能系统不仅会模仿人类智能，还会纠正人工智能，而且这种能力可以扩展到任意规模的问题。当然，现在说的处于科幻小说的范畴，这种推测性的论点，虽然放在科幻小说中会很吸引人，但不应该成为我们面对关键的IA和II问题时采取的主要战略，这类问题已经开始出现了。我们需要根据自身的优势解决IA和II问题，而不仅仅靠模仿人类的AI。

当然，经典的人工模拟AI问题仍然很有意义。然而，目前的重点是通过收集数据进行AI研究，部署深度学习基础设施，以及模仿某些特定人类技能的系统的演示。这些研究中几乎没有涉及新的解释性原则，往往会将研究的注意力偏离经典AI领域的几个主要开放问题。

这些问题包括需要将意义和推理引入自然语言处理的系统，以应对推断和表示因果关系的需要。开发计算易处理的不确定性表示，以及开发制定和追求长期目标的系统。这些都是模仿人类的AI的经典目标，但在当前人工智能革命的热潮中，人们很容易忘记这些尚未解决的问题。

IA同样是非常重要的问题，因为在可预见的未来，计算机仍无法与人类在抽象推理真实情况的能力相比。我们需要经过深思熟虑的人机的交互来解决最紧迫的问题。我们希望计算机能够催生出人类创造力的新水平，而不是取代人类的创造力。

目前的AI视野过于狭隘，谈AI革命为时尚早

最早提出“人工智能”这个名词的是约翰·麦卡锡（时任达特茅斯大学教授，后来去了麻省理工学院），当时他提出这个名词，应该是为了区分他刚刚起步的研究项目和诺伯特·维纳的项目（当时是MIT的老教授）。维纳提出了“控制论”一词来指代他自己对智能系统的展望，这一概念与运营研究、统计学、模式识别、信息理论和控制理论密切相关。而麦卡锡则强调了与逻辑的联系。有趣的是，今天占据主导地位的更多是维纳的关于“智能”的内容体系，但外表却用的是麦卡锡提出来的“人工智能”一词。

除了历史上的观点差异之外，我们还要认识到，目前关于人工智能的公共对话，多数仅限于产业界和学术界的很小一部分，这种狭隘视野会影响我们面对人工智能所带来的全部挑战和机遇。

这里说的广阔视野，和实现科幻小说中的场景关系不大，更多与人类对技术的必要性的理解和塑造有关，因为它在日常生活中变得越来越有影响力。在这种理解和塑造中，需要来自各行各业的各种各样的声音，而不仅仅是技术上对话。仅仅关注模仿人类的AI，可能会让我们无法获知，或不愿去获知更广泛的信息。

学术界也要发挥重要作用，不仅仅是提供一些最具创新性的技术理念，而且会与计算、统计学等学科的研究人员共同作出贡献，这些贡献和观点非常重要，尤其需要社会科学、认知科学和人文科学的观点。

另一方面，虽然科学对人类的前进必不可少，但我们也不应该夸大我们的努力和成果。社会的目标是建立新的成果。应该构建这些工件以按照声明的方式工作。我们不希望造出一提供医疗、交通选择和商业机会的系统，然后发现这些系统无法真正发挥作用，发现它们会产生错误，影响到我们的快乐和生活。所以，正如我所强调的那样，目前在数据和学习为关注重点的领域还没能出现一个“工程学科”。尽管这些领域的发展前景令人兴奋，但目前还不能被视为“工程学科”。

我们应该接受这样一个事实，即我们正在见证一个新的工程学科的诞生。“工程”这个词具有独特的内涵，容易让人想到冷漠、情感的机器，以及失去对人类的控制，但我们可以打造自己想要的工程学科。在当今时代，我们迎来了一个真正的机会，来构思历史上前所未有的新东西：以人为本的新兴工程学科。我在这里不打算这个新兴学科取名，但如果缩略词“AI”继续作为学科名字使用，那么我们需要意识到这个词的真正意义和局限性。我们需要拓宽视野，平息炒作，并对未来的严峻挑战有一个清醒的认识。