人工智能的利弊分析有什么
人工智能的利弊分析有什么
人工智能的出现对我们来说是好还是坏呢，凡事都有两面性，人工智能也一样。下面是学习啦小编为你整理的人工智能的利弊分析，供大家阅览!
人工智能的利与弊
霍金、马斯克等科技大佬都公开发声，担心人工智能会失去控制，上演科幻小说中人机大战的情节，其他人则害怕认知工作的自动化会将会导致大面积的失业。两个世纪以后的今天，曾经的“机器问题”卷土重来，我们需要找出可行的解决方案。
人工智能崛起引发担忧，我们到底该如何应对?
据报道，对于机器人的崛起，专家们曾发出警告，“机器取代人类劳动力可能致使人口冗余”，他们担心“这种超能技术的发展已经超越了人类的驾驭能力，”如今，一些人表示担忧，若人工智能继续进化，我们会失去赖以为生的工作、丧失存在感，甚至会被“终结者”们赶尽杀绝。但事实上，这些恐惧与两个世纪以前人们对机械化和蒸汽机发展的讨论如出一辙，那时，人们针对机器威胁展开一场名为“机器问题”的讨论。而现在，一场关于人工智能利弊的辩论正在悄然兴起。
诞生初期，人工智能技术(AI)也经历过大起大落，但在过去几年的发展黄金期，AI技术突飞猛进，这都得益于“深度学习”技术开启的新篇章。深度学习旨在模拟人脑结构建立大规模(或者“深度”)神经网络，在充沛的数据支持下，神经网络可以通过训练来处理各种各样的事情。
其实所谓深度学习技术已经默默为我们服务多年了，谷歌(微博)搜索、Facebook的自动图片标记功能、苹果的siri语音助手、亚马逊推送的购物清单，甚至特斯拉的自动驾驶汽车都是深度学习的产物。但是这种快速的发展也引发了人们对于安全和失业问题的担忧。霍金、马斯克等科技大佬都公开发声，担心人工智能会失去控制，上演科幻小说中人机大战的情节，其他人则害怕认知工作的自动化会将会导致大面积的失业。两个世纪以后的今天，曾经的“机器问题”卷土重来，我们需要找出可行的解决方案。
“机器问题”和解决方案
启示人们最为担忧的是人工智能技术会破开牢笼，变得邪恶而不可控。早在工业革命浪潮席卷全球时，人机矛盾已经出现，现在的矛盾不过是披上了人工智能的新外衣，人类的焦虑依旧，《科学怪人》及此后类似的文学作品都是这种担忧的映射。然而，尽管人工智能技术已成为一门显学，但是它们只能完成特定的任务。想在智商上战胜人类，AI还差得远呢。此外，AI是否真能超越人类还未可知。
失业恐惧由来已久。“科技性失业”的恐慌在20世纪60年代(公司开始安装计算机和使用机器人)和80年代(个人电脑开始上市)都曾弥漫开来，似乎大规模的自动化办公马上就要到来，让人类下岗。
但事实上，每一次恐慌之后，科技进步为社会创造的就业岗位远多于它杀死的过时职位，我们需要更多人从事全新的工作。举例来说，ATM机替代了一些银行柜员，为银行设立分行节约了成本，让雇员进入了机器不能做的销售和客服领域。同样地，电子商务的出现增加了零售商的生存空间。而在办公中引进电脑则不是为了取代员工的位置，员工习得新技能后，会成为电脑的辅助。尽管此前曾有报道称，未来10年或20年间，美国47%的岗位将面临自动化，但是我们的研究显示，这一数值恐怕连10%都不到。
尽管短期内一些工作消失的弊端会被全新职位出现的长期影响完全抵消且带来更大的好处，但是19世纪工业革命的经验表明，转变的过程极其痛苦。从停滞不前的生活水平上反映出经济的增长需要几百年，而从显著的收入变化上来看只需几十年。人口从乡村大量涌入城市工厂，在当时的欧洲引发动荡。各国政府花费了整整一百年的时间构建新的教育和福利体系适应这种转变。
这一次的转变似乎更为迅速，当前科技传播的速度可比200多年前快多了。得益于技术的辅助，高技术工作者的薪资会更高，因此收入不平等的现象正在不断加深。这给用人公司和政府带来了两大挑战：如何帮助工作者学习掌握新技能;如何让后代做好准备，在满世界都是人工智能的社会求得工作机会。
聪明的回应
技术的发展使得岗位的需求产生变化，工作者必须适应这种转变。这意味着要调整教育和训练模式，使其足够灵活，从而快速、高效地教授全新的技能。终生学习和在职培训的重要性更加凸显，在线学习和电子游戏式的仿真模拟会更加普遍。而人工智能可以帮助制定个性化计算机学习计划，依照工作者技能差距提供新技术培训机会。
此外，社会交往技能也会变得更加重要。由于工作岗位的更迭变快，技术革新的脚步也逐渐加快，人类的工作年限越来越长，社交技能成了社会的基石。它能在人工智能主导的社会保持人类的优势，帮助人类完成基于情感和人际往来的工作，这是机器无法拥有的优越性。
对人工智能和自动化的担忧也催生了人们对“安全网”的渴望，有了它普通人就能免受劳动力市场动乱影响。一些人认为应该革新福利系统，让每个人都享有保障生存的“基本收入”。但是在没有充足证据表明技术革命会导致劳动力需求锐减的形势下，这种做法并不可取。反之，各国应该学习丹麦的“灵活安全系统”制度，让企业裁员更加容易，但是在被裁员的职工接受再培训和再求职期间提供保障。这种制度下，福利、养老金、医保等应该跟随个体本身，而不是与职员身份挂钩。
尽管技术快速进步，工业时代的教育和福利系统并没有完全实现现代化，相关制度也不够灵活。革新势在必行，决策者必须行动起来，否则当前福利系统会面临更大的压力。19世纪40年代，约翰·穆勒写道，“没有什么比立法者对这类人的照顾更为正当了”，他们的生活被技术的发展所累。在蒸汽时代，这是真理，在人工智能的时代，同样也是。
人工智能的定义详解
人工智能的定义可以分为两部分，即“ 人工”和“ 智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及到其它诸如 意识(CONSCIOUSNESS)、 自我(SELF)、 思维(MIND)(包括无意识的思维(UNCONSCIOUS_MIND))等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要 元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究 课题。
人工智能在 计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。
著名的美国 斯坦福大学人工智能研究中心尼尔逊教授对 人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个 美国麻省理工学院的 温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的 智力才能胜任的工作，也就是研究如何应用计算机的软 硬件来模拟人类某些智能行为的基本理论、方法和技术。
人工智能是 计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一( 空间技术、 能源技术、 人工智能)。也被认为是二十一世纪三大尖端技术( 基因工程、 纳米科学、 人工智能)之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与 思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、 模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
人工智能的研究价值
例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。
通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。
这是智能化研究者梦寐以求的东西。
2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。
当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着(至少一类)创造力模式的学科。
猜你喜欢：