題圖為電影《機械姬》海報，電影中AI機器人Ava通過各種欺騙、誘惑手段，充分利用人性弱點通過了科學家的圖靈測試，最終逃出囚禁、獲得“自由”

　　1997年5月，IBM的“深藍”超級計算機在6局的國際象棋比賽中，以2勝1負3平戰勝了世界排名第一的國際象棋大師卡斯帕羅夫。這是人工智能發展史上一個重要的里程碑，這表明機器的智力在“信息完美”的領域，如棋牌游戲，已經超過了人類。

　　“深藍”戰勝了國際象棋大師

　　所謂“信息完美”是指系統內信息完全，有始有終，沒有外部干擾。“深藍”的運算能力在當時全球的超級計算機中位居259位，每秒鐘可以運算2億步?！吧钏{”學習了70萬局國際象棋大師比賽，從而有4千種不同的開局。

　　此外，作為機器的“深藍”從不疲倦，沒有情緒影響，更不會犯低級錯誤。而卡斯帕羅夫則后悔的說: 和“深藍”的第6局比賽是他職業生涯中最爛的一盤棋。

　　人工智能發展的“上半場”回顧

　　人工智能起步于1950年，那年艾倫·圖靈發表了一篇論文，預測機器的人工智能有一天能夠超過人類的智能。他同時提出了“圖靈測試”:

　　機器和人類專家對話之后，如果專家無法區分對方是人還是機器，則說明機器的智能超過了人。

　　1951年馬文·明斯基完成了第一臺神經網絡機SNARC，從而成為人工智能領域的一位重要的科學家。1956年的達特茅斯會議正式確定了人工智能這個領域。

　　1950~70年是人工智能開啟的年代，斯坦福大學做出了移動機器人，而麻省理工學院推出了聊天機器人。在1970~80年，人工智能的發展遇到了瓶頸，那時的計算機的運算能力和內存有限，導致學習能力差。1980~87年，人工智能迎來了興旺發展的時期，日本投入了8.5億美金研發機器人，而美國的研究機構DARPA也針對人工智能投入大量的資源。1987~93年又陷入了一個人工智能的冬天，人工智能的專用電腦的性能盡然落后于IBM和蘋果的個人電腦。當時的DARPA主任認為人工智能不再是研究的重要方向。

　　從1993年到今天，人工智能正在經歷一個大發展，特別是2012年之后，人工智能的進步明顯加快了。2006年，雷蒙德·科茲威爾（Ray Kurzweil）在他的《奇點臨近（The Singularity Is Near）》一書中，預言機器的智能將在2045年超過人類的智能。

　　2014年6月7日，一個名叫Eugene的“人”和一些專家在網上對話了5分鐘，有33%的專家認為Eugene是一位13歲小孩。事實上，他是三名俄國科學家發明的超級計算機。這樣，按照圖靈測試的規則，機器第一次通過了圖靈測試，時間正是圖靈先生逝世60周年。

　　指數式發展的“下半場”

　　國際象棋的起源可以解釋指數式發展的“下半場”的概念。據說國際象棋的發明地是古印度，當時大師達依爾為舍罕王發明了一個在64格棋盤上的游戲，就是今天的國際象棋。舍罕王十分喜歡這個游戲，要獎勵大師。大師要求的獎勵是：每個棋盤格子放麥子，第一格放一顆，第二格放二顆，第三格放四顆，以此類推，放完這64格子。

　　舍罕王馬上就答應了，他以為用不了多少麥子就可以放滿64格棋盤。沒想到，放到第21格時，麥子就必須以袋為單位;進入棋盤的“下半場”格子后，全印度的麥子都不夠。事實上，放滿64格棋盤，需要全球2千年所生產的麥子。

　　這樣的棋盤上放麥子的增長模式是指數式增長：初期的增長曲線平緩；后期，也就是“下半場”的增長曲線上升得非常陡峭，速度讓人出乎意料。

　　人工智能的發展己經進入了“下半場”

　　人工智能進入指數式發展的“下半場”的證據來自至少兩個方面: 第一方面，人工智能前進的推動力具備指數式增長的特征;第二方面，近年來人工智能的研發活動和成果極其頻繁。

　　人工智能的推動力主要包括三個方面: 計算個人化，計算網絡化，和大數據。

　　首先，計算個人化使得人工智能的研發從精英階層擴展到大眾。早期的研究機構主要是大學和政府，只有他們才有人工智能研發所必備的超級計算機。集成電路的發明和發展促成了計算能力快速上升和成本大幅下降，集成電路的發展模式在以往的40年遵循指數式發展，即著名的摩爾定律。80年代我在浙江大學學習時使用的小型機PDP11的運算能力遠遠不如我們今天使用的手機。今天用幾萬美金所搭建的服務器，其運算能力就可以超過當年的“深藍”超級計算機。巨大的計算能力的普及為小公司在人工智能領域進行創業提供了極大的便利。

　　其次，計算網絡的價值增長也是呈現指數式。例如，有4個節點的網絡有12個有方向的連接，而400個節點的網絡有多達159600個連接。由于有線互聯網和移動互聯網的普及，今天的網絡連接數(即價值)正在直線上升。

　　再次，隨著信息終端的普及和物理世界的數字化，數據正在爆炸增長，更是指數式增長。今天全球的累計的數據量超過了10Zettabytes，其中90%的數據是在過去的兩年中產生的。我相信在以上三股指數式上漲的力量推動下，人工智能的發展也成指數式的成長模式。

　　近年來，人工智能的創業和研發活動越來越活躍。根據VENTURE SCANNER在2015年8月的統計，近十幾年，全球在人工智能領域的創業公司達到了855家，它們共獲得87.5億美金的風險投資。根據量化公司QUID的數據，在2013年有322家人工智能公司獲得至少20億美金的投資。據CB Insights的數據，2014年投資人工智能領域的金額比2013年增加了三倍。

　　人工智能創業分布在13個不同的領域，包括機器學習，計算機視覺，語音認別，智能機器人等。高通創投在人工智能領域也投資了許多優秀的企業，如基于大數據和機器學習的出行導航公司WAZE(在2013年被Google收購)，智能無人機公司3DR，語音識別公司云知聲，虛擬現實/擴充實景公司MAGIC LEAP和小熊尼奧，人機交互公司七鑫易維，等等。

　　正是因為計算能力和數據量的極大增強，機器學習成為人工智能領域進步最快的分支，所獲得的投資額占總投資額的45%。

　　機器學習是用數據和以往的經驗，優化計算機模型的性能指標。比如說，制造手機有100多道工序，如果我們通過編程，讓一個機器人一步一步地按照程序完成，這不是機器學習。如果智能機器人通過觀察工人制造手機的過程，再經過不斷試錯，之后可以自行制造，這才是人工智能。

　　“大數據”之前，因為沒有足夠的數據來訓練模型，所以模型優化的進程緩慢。今天數據足夠多了，運算能力大幅上升，使得優化模型的速度加快。最近量子計算機帶來更強大的運算能力的希望。

　　近幾年大公司對人工智能的投入又怎么樣呢?

　　先說谷歌：谷歌在2010年正式開始汽車自動駕駛項目，在2012年獲得美國首個自動罵駛車輛許可證。到了2016年年初，谷歌的自動駕駛汽車己經累計行駛了225萬公里，自動駕駛的趨于成熟的速度超出了許多人的想象。2014年，谷歌收購了深度學習公司DeepMind，10月DeepMind發布了一種全新的模擬神經網絡。同年，谷歌開始開發一套能夠整合海量數據的語音系統，使得語音別識的精準度從2012年的84%提升到2014年的98%。在圖像識別的研發方面，谷歌一直不遺余力。在2012年，“谷歌大腦”可以在1000萬張圖片中成功識別出貓，從2010年到2014年，谷歌的圖像分類識別精確度提高了4倍。谷歌在2013年收購了8家機器人公司。

　　再來看Facebook：深度學習的鼻祖級科學家Yann LeCun在2013年加入Facebook，使其圖像識別和自然語言處理技術飛速提高，2014年，Facebook的臉部識別的準確率達到97%。再來看看IBM這支人工智能領域的老牌勁旅，2014年IBM宣布組建“Watson Group”，同時推出兩項Watson顧問服務，一項幫助企業從海量數據中獲得洞察，另一項使得數據可視化。同年8月IBM發布能模擬人類大腦的SyNAPSE(自適應可伸縮神經形態電子)芯片，該芯片有100萬個“神經元”內核，而功耗僅為70毫瓦。

　　最后說百度：2014年5月百度引入深度學習專家Andrew Ng，并由其組建百度北美研究中心。隨后他們發明了Deep Speech的語音識別方法，可以在嘈雜環境中實現81%的識別準確率。同年4月，百度發布大數據引擎，提供大數據存儲、分析和挖掘技術，在醫療、金融和交通領域有具體的應用。

　　所以說，近年來在人工智能領域的創業越來越活躍。大型科技公司也視人工智能為其核心技術而加大研發投入。人工智能的成果在最近幾年不斷涌現，充分顯示其發展進入了指數式增長的“下半場”。

　　機器聰明了，人怎么辦?

　　人工智能的發展進入了“下半場”的快車道，機器的智能日新月異，人類的智力有進步嗎?

　　英國倫敦大學的科學家的研究表明，自1950年以來，人們的平均智商升高了20點，相當于平均每10年人類的智商值提高了3%。

　　這是一個喜憂參半的消息，憂的是人類的智商提升的速度遠遠低于人工智能的進步;喜的是，不管多少，人們的智商還是可以被提升的。

　　一個簡單而重要的問題是: 人工智能技術能夠用來提高人的能力嗎?

　　人工智能在教育領域的應用

　　經過分析，我將人工智能在教育領域的應用總結為以下7個方面。我相信這方面的創新剛剛開始，科學家和創業者不僅應該關心機器的能力，而是更在乎我們自身的能力。

　　人工智能進入指數式發展“下半場 機器變聰明了 人怎么辦?

　　1)自動作業批改。語音識別和語義分析使得自動批改作業成為可能。數學等學科的自動批改作業相對容易，但是，作文的自動批改已經開始了，老師和助教的效率正在大大提高。

　　2)個性化學習。大數據可以描述每個學生的學習特性，根據倫敦的一個研究機構的分析，人們的學習方法可以分為70種。高通投資的愛樂奇已經積累了一千三百萬學生所做過的8億道題，為個性化教學提供了充分的依據。如果說今天的課堂教學的主流方法是“從原理到應用”，而機器學習的方法是“從案例到原理”，并且是同時學習多個案例。那么“從案例到原理”的學習方法對部分同學有效嗎?事實上，許多人包括我本人在內，更適應于“從案例到原理”的學習方法。

　　3)智能輔導系統(ITS)。人工智能在這個領域的應用已經有長足的進步，也展示出明顯的效果。我和我的兒子都喜歡可汗學院(KHAN ACADEMY)，它是一個優秀的智能輔導系統，幫助我們學習數學、科學、人文科學和計算機科學。值得一提的是，可汗學院的創始人拒絕了風險投資人的投資建議，堅持要把可汗學院辦成非贏利企業。學者將ITS和課堂一對多教學以及一對一的老師輔導進行對比，結果令人振奮: ITS的效果比課堂教學好很多，和老師的一對一輔導的效果相似。

　　4)互動學習環境(ILE)?；訉W習環境與智能輔導系統的區別在于四方面：更多建設性學習(或者說學生自己決定學習科題)，學生更主動，更多個性化，以及學生收到更多反饋。

　　5)通過仿真游戲學習: 目前最成功的仿真是飛行模擬器。我的飛行員朋友告訴我：在模擬機上飛行和真機沒有兩樣，只是訓練更加便捷。美國紅雀公司的FMX就是一款經過美國FAA認證的，價值幾千萬美金的模擬機。我女兒熱愛環境保護，她使用Catchment Simulation 仿真軟件學習水文和水利。我兒子正在模擬的股市中，使用虛擬貨幣進行交易。我認為人的能力大概分為三種：分析能力(一種在書本和課堂中能夠學到的能力)，實踐能力(一種只能在生活中培養的能力)，以及創造能力(一種上天賦予的能力)。今天，因為實踐的機會極少，人們的實踐能力越來越弱，仿真可以多少彌補一些實踐能力。

　　6)對教學體系的反饋和評測。

　　7)人工智能為學校招生，學習場所和課后活動提供創新的解決方案。

　　在以上人工智能應用于教育的七大方面，效果明顯的是智能輔導系統和通過仿真游戲學習。

　　象棋大師的“東山再起”

　　在1997年象棋大師卡斯帕羅夫輸給IBM的“深藍”之后，雖然有短暫的不服等情緒，他總結了失敗原因，并提出了一種新型的國際象棋比賽形式——自由式。在自由式國際象棋比賽中，人和機器可以自由組合：可以是一臺或多臺電腦，可以是一個或者幾個棋手，也可以是人加機器。

　　在2014年的自由式國際象棋比賽中，機器贏了42局，而人加機器勝53局。獲得冠軍的是一個叫Intagrand的人加機器的團隊。當他們剛剛出現時，人們懷疑團隊中有卡斯帕羅夫，后來才知道這個團隊的棋手是由三名業務選手組成，加上并非最尖端的國際象棋軟硬件。三名棋手其中一位是華裔女選手，她也是全球唯一兩位自由式國際象棋女選手之一。人加機器的勝利說明這樣的組合比人或者機器更有優勢，而冠軍隊Intagrand的組成也進一步證明“一般人加上一般機器”可以戰勝“最強的人”或者“最強的機器”。

　　雖然“人加機器”的文明進步方式讓我們松了一口氣：人和機器不是對立的。但是人仍然希望自身能力可以大大提高。正如本文所闡述的，人工智能可以在教育領域得以應用，人工智能也能夠幫助國際象棋棋手快速提高水平。今天的國際象棋大師中最高水平當屬Magnus Carlsen，他在訓練中使用了人工智能，也被大家認為下棋風格最像電腦的大師。Magnus的水平已經超過了歷史上所有的大師。所以說，人工智能能夠幫助我們達到更快更高更好。

　　2015年12月21日，英國倫敦帝國理工學院的科學家在《自然：神經學》發表一項研究成果：他們發現了影響人類智力的基因群M1和M3。他們聲稱“……我們有望操縱一整套與人類智力有關的基因。通過這些基因改造智力，理論上是有可能的，……” 這類基因研究成果首先用于治療疾病，但是我們可以想象：將來我們的智商可以大幅度提高，仍然高于機器。