1704605223
1704605224
谷歌翻译利用了大量算法，但是如果没有摩尔定律支撑计算机硬件取得巨大进步，谷歌翻译会远远不如现在这么流行。包括处理速度、微芯片密度、存储能力等在内的计算构件在数十年中一直保持着指数级增长。比如，人工神经网络（模拟大脑神经元连接方式的计算单元层）的想法大概在20世纪80年代就出现了，但由于当时计算资源的诸多限制，神经网络表现很糟糕。因此直到最近，机器翻译仍然依赖于那种从数百万人工翻译中逐字分析短语的算法。然而，基于短语的机器翻译存在着严重的缺点。尤其是这种算法关注的面很狭窄，失去了更大的语境。解决这一问题的方法之一是所谓的深度学习，它使用更多层次的人工神经网络。这些进展使得机器翻译能更好地掌握复杂的句子结构。在过去的训练和翻译推理中，神经机器翻译（Neural Machine Translation）的计算成本都很高。但归功于符合摩尔定律的进步和更大的数据集的可用性，神经机器翻译如今已变得可行了。
1704605225
1704605226
机器翻译中的深度学习并非没有缺点，它面临的主要挑战之一就是生僻字词的翻译。比如，如果你在一个基于神经机器翻译的系统中用日文输入“一生仅有一次的邂逅”（“一期一会”），得到的结果可能是“阿甘正传”。一开始你可能会奇怪，但这句话碰巧是这部电影的日版副标题。同时，这个短语还很少见，没有在其他语境下出现过。然而，机器学习研究者把单词分成了更小的子单元，这种创新方法至少部分地避免了这个问题。2016年，谷歌的一个研究团队在《自然》（Nature）杂志上发表文章证明，与基于短语的旧系统相比，“单词单元”和神经网络一起使用，使错误率降低了60%。 11 虽然谷歌的神经机器翻译系统仍落后于人类的表现，但它正在迎头赶上。
1704605227
1704605228
类似于蒸汽、电力和计算机，人工智能也是一项有着广泛用途的通用技术。正如经济学家伊恩·科伯恩（Iain Cockburn）、丽贝卡·亨德森（Rebecca Henderson）和斯科特·斯特恩（Scott Stern）所指出的那样，与人工智能相关的出版物发生了巨大的转变，从计算机科学杂志转为以应用为导向。他们估计在2015年，与人工智能相关的所有出版物中，近三分之二会不属于计算机科学领域。 12 他们的发现与普遍的观察结果一致，人工智能被应用在一系列不同领域的任务中。在机器翻译中表现良好的技术同时也被用于完成诸如图像识别这类视觉任务。从一幅图像中的单个像素开始，这些算法的运算特征（比如几何图案）日趋复杂。
1704605229
1704605230
近年来，图像识别技术的发展是指数级的。图像标签识别的错误率从2010年的30%下降到了2017年的2%。 13 这项技术虽然在许多方面仍处于试验阶段，但已取得了一些令人振奋的进展。比如，德国用自动人脸识别技术尝试识别经过柏林南十字车站的人，实验取得了成功，这对安保人员的工作起到了辅助作用。德国内政部长托马斯·德迈齐埃（Thomas de Maiziere）报告说，在实验中，70%的时间里的人物识别都是正确的。在图像质量很差的情况下，算法识别的标记错误率不到1%。 14 用于识别人脸的同一类型的人工智能已被证实同样擅长诊断疾病。《自然医学》（Nature Medicine）杂志上发表的一项新研究表明，人工智能已经能够通过病理学图像识别不同类型的肺癌，而且准确率高达97%。 15 另一项发表在2017年的《自然》杂志上的新研究通过神经网络和129,450张临床图像组成的数据集，将人工智能的表现和21位获得认证的皮肤科医生进行比较，发现人工智能的表现与人类持平：“在两项测试任务中，这种算法的性能和所有受测试专家的表现不分上下。这说明人工智能对皮肤癌症进行分类的能力比得上皮肤科医生的水平。如果配备了深度神经网络，移动设备将有望把皮肤科医生的能力范围扩大到诊所之外。据估计，到2021年智能手机用户将达到63亿，因此人工智能有望为人们提供普遍的低成本诊断机会。” 16
1704605231
1704605232
机器不仅成了更好的译员和诊断医师，它们也正在成为更好的倾听者。语音识别技术正以惊人的速度发展。2016年微软宣布取得了一项里程碑式的成就，他们的转录对话技术达到了人类的水平。2017年8月，微软人工智能团队发表的一份研究报告披露了他们取得的进一步进展，把错误率从6%降低到了5%。 17 正如图像识别技术有望在诊断任务中取代医生，语音识别技术和用户交互领域的发展则有望取代完成某些交互任务的工作者。众所周知，苹果的Siri、谷歌的语音助手和亚马逊的Alexa都依赖自然的用户界面来识别口语、理解含义和据此做出回复。一家名为Clinc的公司使用语音识别技术和自然语言处理技术，目前正在开发一种新的人工智能语音助手，它将被用在像麦当劳或塔可钟这样的快餐店免下车窗口上。 18 2018年，谷歌宣布正在开发用于取代客服中心工作人员的人工智能技术。客户拨打的电话将由虚拟客服接听。如果客户的要求涉及一些算法目前还不能处理的事情，电话就会被改派到人工客服那里。然后，另一种算法将通过分析这些对话来识别数据中的模式，这反过来又有助于提高虚拟客服的能力。 19 技术的不断发展可能给劳动力市场带来巨大的影响。虽然许多公司数十年来都在将工作移到海外，但仍有约220万美国人在遍布全国的6800个客服中心工作，还有几十万人在更小的地方从事类似的工作。 20
1704605233
1704605234
最大的跳跃式发展之一发生在自动驾驶领域。1958年，为了应对苏联发射第一颗人造地球卫星“斯普特尼克1号”，美国总统德怀特·艾森豪威尔（Dwight Eisenhower）创立了国防部高级研究计划署（DARPA）。2004年，计划署首次举办无人驾驶汽车挑战赛。比赛目标是在没有人类的帮助下，让汽车在10小时内驾驶228.5km，穿越莫哈维沙漠。这些汽车最远行驶了11.4km，有几辆甚至都没有开出起跑线。因此也就无人赢得100万美元的大奖。但在2016年，世界上第一批自动驾驶出租车已经开始在新加坡载客了。
1704605235
1704605236
自动驾驶领域的最新进展要归功于大数据和巧妙的算法。如今，在一辆汽车内存储完整的路网图像已经成为可能，这种情况简化了导航问题。季节变化带来了下雪这样的挑战，这一直都是算法导航的关键技术瓶颈。但如今通过存储上次下雪的记录，人工智能已经能够处理这个问题。 21 人工智能研究者们已经表明，基于算法的自动驾驶系统现在已经能够识别环境中的道路施工等重大变化了。 22 我在牛津大学的工程学同事博诺洛·马蒂贝拉（Bonolo Mathibela）、保罗·纽曼（Paul Newman）以及英格玛·波斯纳（Ingmar Posner）在一项重要的研究中总结道：“因此，车辆如果在路上遭遇行人或其他可能导致车辆无法保持稳定的情境，能据此做好准备，从而像人类一样获得了情境意识的动态感知。” 23
1704605237
1704605238
虽然自动驾驶汽车仍处在发展初期，但它已被广泛用于多种情境。一些农用车辆、叉车和货物装卸车辆已经实现自动驾驶。近年来，医院已经开始使用自动机器人运送食物、处方和样本。 24 2017年，英国－澳大利亚的金属和矿业巨头力拓集团宣称，2019年之前将把皮尔巴拉矿区的自动运输卡车车队规模扩大50%，操作实现完全自动化。 25 但截至目前，绝大部分自动驾驶车辆的使用都限于仓库、医院、工厂和矿山等相对结构化的环境。当计算机程序能对车辆可能遭遇的物体和场景范围进行更好的预测，自动化就相对简单了。通过显式的if-then-do的规则，程序能够在其他物体接近时告诉车辆停下或减速。然而，在非结构的环境（比如大城市的街道）中，可能的情况会非常多，以至于这种方法需要的类似规则接近于无穷。
1704605239
1704605240
最近，人工智能与廉价且强大的数字传感器相结合，优化了全自动驾驶车辆在非结构化环境中的应用前景。通过在车辆上配备大量传感器，如今的汽车公司收集了数百万英里的人类驾驶数据供算法学习。阿杰伊·阿格拉沃尔（Ajay Agrawal）、乔舒亚·甘斯（Joshua Gans）和阿维·戈德法布（Avi Goldfarb）写道：“通过将车外的传感器感应到的环境数据与车内的人做出的驾驶决策（转向、刹车、加速）关联起来，人工智能学习了人类对每秒从环境中接收的数据做出的反应并学会了做出预测。” 26 然而，所有人工智能模型都存在着一个明显的限制因素，也就是当它们的训练数据中未曾出现的新情况出现时，它们就很难做出预测。在城市交通中，车辆会不断遭遇新情况。解决问题的方法之一是降低环境的复杂性。在得克萨斯州的弗里斯科，Drive.ai公司使用自动驾驶的小型载客车载人，但它们只在特定的办公区和零售区域使用。工程师并没有尝试模仿人类司机，而是试图将事情简化。上车下车都被限定在了指定的站台：“乘客通过一款应用程序呼叫客车，然后走到最近的站台，等车辆出现，然后上车。” 27
1704605241
1704605242
众所周知，通往自动驾驶的道路是一条影响深远的进步之路，但也是一条挫折之路。2018年在亚利桑那州的坦佩，一名骑车过街的女性不幸被优步（Uber）的自动驾驶汽车撞死了。这一事件引起了人们对安全的担忧，更重要的是它引发了人们对自动驾驶的未来的担忧。然而，类似的悲剧性挫折在早期的交通技术中同样普遍。正如第四章已提到的，1830年第一条公共铁路运行时，由于刹车反应很慢，一名议员遭受了致命伤害。几乎每家英国媒体都报道了这个事故，但它并没有阻碍人们使用铁路技术。在拖拉机加快推广前的1931年，《纽约时报》报道过在新泽西州萨默维尔，一辆拖拉机轧死了一名4岁男童。在另一次事故中，一辆拖拉机爆炸导致多人死亡。 28 同样值得注意的是，就在工程师不断推进自动驾驶技术发展的同时，人类司机造成的事故每一分钟都在发生。美国国家公路交通安全管理局（NHTSA）委托开展的一项车祸调查发现，人为错误占车祸原因的92.6%。 29 死亡人数很多：仅在2013年，全球就有125万人死于车祸，美国的数字为3.2万。 30 因此，自动驾驶汽车并不是要达到完美才可以正当使用。人类司机当然也不是。
1704605243
1704605244
仍有些情况是自动驾驶车辆无法处理的。尤其是在拥挤的城市，行人和骑自行车的人带来了额外的复杂因素。在新加坡，自动驾驶出租车上有在紧急情况下接手操控的安全司机，可以将事故的可能性降至最小。自动驾驶汽车虽然尚处于试验阶段，但已经能够在城市中成功使用。在东京，一辆配备安全司机的自动驾驶出租车已经开始搭载付费乘客了，“这提高了人们对2020年夏季奥运会的期待，届时自动驾驶汽车可能搭载运动员和游客在运动场和城市中心之间穿行。” 31 底层人工智能系统需要从车辆传感器收集数百万英里的真实数据，所以这些事件很重要。但是数据量并不是全部。在州际高速公路上开车、在一个安静的中西部小镇上开车和在曼哈顿开车，这三者大不相同。这对算法来说是如此，对人类司机来说也是如此。因此，允许在城市交通中使用算法是迈向无人驾驶交通时代的重要一步。
1704605245
1704605246
然而，由于城市之外的复杂因素更少，那里的进展可能会更快。2015年5月，戴姆勒－奔驰公司的第一辆自动驾驶卡车上路了。在得到内华达州的允许后，自动驾驶系统只能够在高速公路上运输货物（为了使事情暂时变得简单）。2016年10月，在科罗拉多州，一辆自动驾驶的半挂车成功地把5万罐百威啤酒从柯林斯堡运送到了科罗拉多斯普林斯。卡车在州际公路上自动行驶了161km，但到城市边界时，人类司机接手了。
1704605247
1704605248
这些成就得到的回应褒贬不一。如今美国有190万名重型卡车司机和牵引式挂车司机。虽然在未来几年不太可能，但人们普遍担心自动驾驶卡车会带来“海啸般的裁员”。 32 对于这些担忧，我们必须记住一点，那就是技术发展可能遭遇的壁垒不仅仅是技术方面的。正如我们在前面的章节已了解到的，如果工人们面临糟糕的替代选择，就会抵抗取代技术。我们又要回到这个问题上来。
1704605249
1704605250
当然，并不是说自动驾驶汽车一开始崛起，所有执行运输和派送任务的人都立马会面临风险。正如罗伯特·戈登等对人工智能持怀疑态度的人指出的那样，“即使亚马逊的汽车能开到我家门口，包裹又怎么从车里下来，来到我的门厅呢？我不在家的时候谁签收包裹呢？” 33 与此同时，我们能够通过精巧的任务重设，克服那些在过去看起来更加复杂的工程问题。正如汉斯·莫拉维克所指出的，计算机很难完成对人类来说非常简单的许多任务，而人类也很难完成对计算机而言十分简单的许多任务。然而，尽管这种情况仍然成立，但工程师也已经能简化任务，采取措施一步步解决莫拉维克悖论（见第九章）。
1704605251
1704605252
事实上，一个普遍的误解认为，如果一个任务需要实现自动化，机器必须精确复制它要取代的工人的操作步骤。自动化发生的主要方式就是简化。就算最先进的机器人技术也无法复制中世纪工匠们的操作步骤。只是因为此前在工厂情境中的非结构化任务被细分、简化，生产自动化才得以实现。工厂里的流水线把手工作坊中的非常规任务变成了能够用自动化机器人完成的重复性任务。与之类似，我们并没有发明能够砍树、提水、把木头和煤炭从室外搬到炉子旁，并执行用手洗衣所需的动作的多用途机器人来实现洗衣的自动化。我们也没有发明把灯夫的工作自动化的能够爬上灯柱的机器人。
1704605253
1704605254
简化任务的一个当代实例就是预制（prefabrication）： 34 “现场建造任务通常需要高度的适应性，从而适应那些布局经常并不规则的、会随天气情况而变化的施工环境。预制就是在把建筑组件运送到施工现场之前就在工厂完成部分组装，这在很大程度上消除了对适应性的要求。它通过在受控条件下使用机器人来完成许多建造任务，消除了任务的复杂变化性。这种方式逐渐普及开来，特别是在日本。” 35 这种情况不仅出现在了建筑业中。零售业中巧妙的任务重设也带来了很有前景的效果。比如亚马逊采用了Kiva系统，在地板上放置条形码标签告知机器人物品摆放的精确位置，解决了仓储导航的问题。通过巧妙的任务重设，工程师们已经打破了“机器人能做什么”的规则限定。
1704605255
1704605256
20世纪90年代末，电脑为零售业注入了动力。但随着企业发展很快遇到瓶颈，生产率增长无法持续下去。商品仍然需要从工厂运到仓库，然后到零售店，最后到达终端消费者手中。卡车运输“根本就不是一项高效的活动，因为送货司机需要穿梭于拥挤又坑坑洼洼的街道，寻找停车位，按门铃，然后等回复”。 36 为了解决这个问题，亚马逊正在试验使用无人机（能避开拥挤的街道）配送。我们在回顾戈登提出的“包裹怎样才能从亚马逊的货车来到我的门厅”这一问题时发现，许多包裹不通过汽车派送的可能性越来越大。比如在伦敦，一家叫Skyports的公司计划将屋顶的空间改造成供无人机起降的垂直升降场。2018年3月，亚马逊获得了一项根据人类手势进行派送的无人机专利。这项技术应该有助于解决“飞行状态下的机器人如何与人类旁观者和等在门阶上的顾客进行互动的问题。据该专利描述，无人机可以根据人的姿势（大拇指向上的欢迎姿态、喊叫或疯狂挥手等）来调整自己的行为。它还宣称，无人机能放下运输的包裹，调整飞行路径以避免撞击，向人类提问题以及放弃派送”。 37
1704605257
1704605258
在人工智能的辅助下，工程师想出了巧妙的方法来减少商店内的劳动力需求。而且这种方法不需要通过复杂的自助结账程序将本该由收银员完成的任务转嫁给消费者。亚马逊的无人零售店Amazon Go就是取代型技术的一个典型的例子。如今全美大约有350万收银员。但当你走进一家Amazon Go商店，你连一名收银员甚至一个自助结账台都看不到。顾客走进来，扫描手机，再拿着他们需要的东西走出去。为了做到这一点，亚马逊利用了计算机视觉、深度学习和传感器方面的最新进展，以此追踪顾客、他们接触到的物品和带出的物品。当顾客离开商店，经过旋转栅门，亚马逊就能发出信用卡账单并发送至Amazon Go的应用程序。虽然Amazon Go的原型店在华盛顿州西雅图首次展示时，因为在追踪多个用户和物体时出现了问题而造成了延迟。但现在亚马逊在西雅图开了3家Amazon Go商店，在伊利诺伊州的芝加哥开了另一家，还打算在2021年之前再开另外3000家。从全球范围来看，腾讯、阿里巴巴和京东这些公司也在通过投资人工智能来实现相同的目标。
1704605259
1704605260
像京东这样的中国公司也开始加大无人仓库方面的投资。在位于上海的京东仓库内，图片扫描仪被用来引导机器。这些机器能处理所有的商品，其中大部分是消费类电子产品：“包裹在高速传送带上移动。遍布整个传送网络的机械臂会将物品放到正确的轨道上，用塑料袋或纸板包裹物品，并把它们放到电动圆盘上。电动圆盘运载着包裹穿行于一个像巨大棋盘一样的地板上，然后包裹被投入滑槽，进入袋子中。由计算机控制的带轮的架子将接收包裹并将其运到卡车上。在购物者下单后的24小时内，大部分商品就能通过卡车成功发出。” 38 如今，虽然京东在整个亚洲雇用了约16万工人，但它已经明确表示在未来十年内会将工人数量削减至8000以下。它预计那些剩下的工作所需的技能将大不相同。 39
1704605261
1704605262
仓库仍雇用了大量工人，主要原因在于订单的分拣工作仍主要由人类完成。在复杂的感知和操作任务中，人类仍具有比较优势。但也是在这些方面，人工智能让最近的许多突破成为可能。埃隆·马斯克（Elon Musk）在加利福尼亚州的旧金山设立了OpenAI实验室，其中名叫Dactyl的五指机械手见证了近年的一些令人印象深刻的变化：“如果你让Dactyl向你展示一个字母积木，比如红色的O、橙色的P或蓝色的I，它就会向你展示，然后灵活地旋转、扭动和翻转它们。” 40 虽然这对任何人来说都是简单的任务，但是这一成就的达成是建立在人工智能通过反复试错让Dactyl自主学习新任务的基础之上的。
1704605263
1704605264
然而，机器人要成为高效的操控者，就必须学会识别和区分不同种类的物体。几年前，这一领域最好的例证可能就是The Gripper了。它是一个配备了两根机械手指的抓手，比五指要容易操控得多。它能够对熟悉的对象（比如螺丝刀或番茄酱瓶）进行识别、操纵和分类，但面对未曾见过的物体，这些功能就统统失效了。 41 在存储物种类有限的仓库，这可能不成问题；但当仓库存储着成千上万种物品且还在源源不断地接收新商品时，就需要那种几乎可以分捡所有物品的机器人了。在加州大学伯克利分校的机器人实验室Autolab，研究者们正在使用人工智能构建这样的系统：
1704605265
1704605266
伯克利的研究者们对一万多件物品进行了实体建模，以此来探索分拣物品的最佳方式。然后，这一系统通过名为神经网络的算法分析所有的数据，学会识别分拣物品的最佳方式。在过去，研究者们必须针对每项任务分别给机器人编程，但现在它们能自己学会完成任务了。比如在面对塑料尤达玩具时，系统意识到应该用抓手把玩具捡起来；但在面对番茄酱瓶子时，系统会选择吸盘。抓手可以通过搭配一个随机装满物品的箱子来完成这一点。这一系统并不完美，但能够自己学习，而且正以比过去的机器快得多的速度不断改进。 42
1704605267
1704605268
因此，尽管在面对认知和控制任务时，机器人还远远比不上人类。但它们正变得足够精巧，能够在结构化的仓库环境中处理抓取物品、把物品放在托盘上然后把它们放在纸箱或盒子中等任务。正如进入工厂一样，机器人也逐渐被应用在了非制造业领域。如今的仓库自动化放在20世纪80年代也许就相当于工厂自动化。
1704605269
1704605270
诚然，上面讨论的许多人工智能技术仍是不完美的原型。但我们应该记住，几乎每一项技术在发展初期都是不完美的。比如对大部分观察者来说，第一部电话近乎荒诞。去适应通过听筒听到那种找不到来源的声音，这是一种完全不同于以往任何交流形式的体验。发表在《科学美国人》上的一篇早期的文章认为，电话是一项愚蠢的发明，人们会发现它几乎没用：“倾听者的存在是说话的尊严，对着一块铁说话简直荒唐。” 43 回顾过往，我们发现这种想法很愚蠢。但早期的电话是单线系统制作的，会有明显的失真：“在1878年，最近发明的电话只不过是一个科学玩具而已。为了使用电话，人们必须快速转动曲柄，对着话筒吼叫。只有在魔鬼般的尖啸和静电的闷声过后，人们才能隐约听到电话那头回复的声音。” 44 但仅仅10年后，这一技术看起来已经更有前景了。1890年，《时代周刊》的一名记者受美国电话电报公司（AT&T）的邀请，察看了长途电话的情况。项目总负责人A. S.希巴德（A. S. Hibbard）拨打了一个电话展示这项技术：“300英里外的波士顿的电话响起，然后有了一场愉快的对话。电话另一端的接听者是一位年轻女士，她立即就神智佛教的最新发展开始了热烈的讨论。她的嗓音不像平常说话时那么高，但电话的表现非常完美。” 45
1704605271
1704605272
下一次浪潮
[
上一页 ]
[ :1.704605223e+09 ]
[
下一页 ]