錯誤的推斷，有限的想象力，以及其他常見的錯誤使我們無法更有效地思考未來。我們對人工智能和機器人的未來充滿了歇斯底里的情緒：它們將會變得多么強大、多么迅速，以及它們將對就業產生怎樣的影響。

?來源：ATYUN AI平臺

我最近在-MarketWatch（道瓊斯旗下的新聞網站）上看到一個故事，說機器人將在10到20年的時間里取代當今人類的一半工作。甚至有一個圖形來證明這些數字。故事似乎表明，我們將從美國的100萬名維修工人發展到10到20年后的5萬名，因為機器人將接管這些工作。

問：目前有多少機器人在這些崗位上運行? 答：零
問：在這個領域，機器人有多少實際的演示? 答：零

類似的故事也適用于所有其他類別，我們將看到超過90%的工作需要在某個特定的場所進行。

錯誤的預測會導致人類對那些不會發生的事情產生恐懼，無論是對工作的大規模破壞，奇點，還是人工智能的出現，這些都與我們的價值觀不同，可能會試圖毀滅我們。我們需要對這些錯誤進行反擊。但是人們為什么制造了這些錯誤呢??我看到了七個常見的原因。

?

1.高估和低估
Roy Amara是硅谷未來研究所的聯合創始人。他認為，我們傾向于高估短期內技術的影響，低估長期的影響。這句話有兩種理解方式。樂觀主義者可以從一種方式解讀，而悲觀主義者則可能有另一種解讀看法。

這句話有一個很好的例子可以詮釋–美國的全球定位系統。從1978年開始，有24顆衛星(現在包括備件共有31顆)被放置在軌道上。GPS（全球定位系統）的目標是讓美國軍方精確地提供軍火。但在20世紀80年代，這個項目幾乎被取消了。它的第一個用途是在1991年的“沙漠風暴”中;軍方接受了它的效用，還取得了幾次成功。

現如今，GPS指的是Amara所說的長期影響，而它的使用方式在最初是不可想象的。我的第2款Apple Watch在我外出跑步時使用了GPS，準確地記錄了我的位置，還可以看到我沿著街道的哪一邊跑步。對于早期的GPS工程師來說，接收器的尺寸和價格是不可思議的。這項技術在全球范圍內同步進行物理實驗，并在同步美國電網和保持其運轉方面扮演著重要的角色。它甚至允許那些真正控制股市的高頻交易員避免災難性的定時誤差。我們所乘坐的飛機，無論大小，都使用它來導航。GPS在一開始就有一個目標，但要讓它像最初預期的那樣工作的話是十分困難的?，F在它已經滲透到我們生活的方方面面。

在過去的30年里，我們看到了與其他技術相似的模式。最開始技術為人類帶來一個巨大的承諾，然后令人失望，最后對超出最初預期承諾的結果再次開始緩慢恢復信心。這在計算、基因組測序、太陽能、風能，甚至是食品雜貨的送貨上門領域亦是如此。

在20世紀60年代，或是在20世紀80年代，人工智能被高估了，我現在又相信了這一觀點，它的長期前景也可能被低估了。但問題是:長期的時間到底是多長??接下來的6個錯誤會解釋為什么人工智能的未來會被嚴重低估。

2.想象魔法
在1962年至1973年間，科幻小說作家亞瑟·克拉克制定了克拉克三大定律:

• 定律一：如果一個年高德劭的杰出科學家說，某件事情是可能的，那他可能是正確的；但如果他說，某件事情是不可能的，那他也許是非常錯誤的；
• 定律二：要發現某件事情是否可能的界限，唯一的途徑是跨越這個界限，從不可能跑到可能中去；
• 定律三：任何非常先進的技術，初看都與魔法無異。

就我個人而言，我應該提防他的定律一中的第二句話，因為我比其他一些人更保守，認為人工智能將會迅速崛起。但現在，我想就克拉克的第三條定律進行闡述。

想象一下，我們有一臺時光機，可以把牛頓從17世紀帶過來，把他送到劍橋大學的三一學院教堂。現在從你的口袋里掏出一部iPhone，打開它，這樣屏幕就會發光，充滿了蘋果圖標，然后遞給牛頓。會出現的情景是：牛頓揭示了白光是如何由不同顏色的光組成的，通過將太陽光分解成棱鏡將其重新組合在一起。然后，他無疑會對如此小的物體在教堂的黑暗中產生如此生動的色彩感到驚訝。

此外，播放一個英國鄉村場景的電影，還有一些他聽過的教堂音樂。然后給他看一個網頁，上面有500多頁的他的個人注釋，他的杰作原理，并教他如何使用縮放手勢來放大手機屏幕細節。

牛頓能解釋這個小裝置是如何做到這一切的嗎? 盡管他發明了微積分，并解釋了光學和重力，但他卻無法從煉金術中分辨出化學。所以我認為他會困惑，無法想出這個設備的最連貫的輪廓。

如果某物是魔法，就很難知道它的局限性。假設我們進一步向牛頓展示該設備如何照亮黑暗，如何拍攝照片和電影，如何記錄聲音，如何將它用作放大鏡和鏡子。并向他展示，他在教堂里就可以用iPhone與世界上任何地方的人們交流。

牛頓是否會推測iPhone會永遠工作下去，而忽略了它需要充電的情況??仔細想一下，在邁克爾法拉第誕生之前的100年里，我們就找到了牛頓，所以他缺乏對電力的科學理解。如果iPhone能在沒有火的情況下成為光的來源，那么它還能把鉛變為金子嗎??這是一個我們都明白的未來技術的問題。如果它離我們今天擁有和理解的技術足夠遠，那么我們就不知道它的局限性。

在至少50年的時間里，人工智能在推理和常識方面都遇到了同樣的問題。它的屬性是完全未知的，所以在修辭上它就像是魔法，毫無限制。

關于未來技術的爭論永遠不會被駁倒。因為這是一個基于信仰的論點，而不是科學論證。

?

3.性能與能力
我們都使用線索來判斷人們如何執行某些特定的任務來評估他們完成不同任務的程度。在外國，我們向街上的陌生人問路，陌生人滿懷信心地告訴我們地點時，大部分人肯定會認為他說得是對的，所以接下來，當我們想坐公共汽車時，我們也可以直接向他詢問當地的付費系統的相關問題。因為我們會理所應當地認為，他還會說出正確的結果。

現在假設一個人告訴我們，他看過一張人們在公園里玩飛盤的照片。我們很自然地假設這個人可以回答出關于這張照片的一些問題。比如:飛盤的形狀是怎樣的? 飛盤飛了多遠？等等。

而電腦，沒有機會回答這些問題。除此之外，它們只能給更多地給圖片加標簽，但卻不能回答問題。

但這并不意味著這些系統是無用的;它們對搜索引擎很有價值。人們聽說一些機器人或人工智能系統已經執行了一些任務。然后，他們將這種表現歸納為一種能力。人類將這種泛化應用到機器人或人工智能系統中。

如今的機器人和人工智能系統在它們所能做的事情上是非常狹隘的。人類風格的歸納并不適用。

?

4.手提箱詞匯(suitcase?word)
“學習”是一個有力的手提箱詞匯。學習可以指很多不同類型的經驗。學習使用筷子是一種不同于學習演唱新歌的體驗。學習編寫代碼也是一種非常不同的體驗。

當人們聽說機器學習在一些新領域取得巨大進步時，他們傾向于將其作為一種思維模式，即人們學習新領域知識的方式。然而，機器學習是非常脆弱的，它需要大量的準備工作，包括特殊用途的編碼，特殊的訓練數據集，以及每個新問題領域的自定義學習結構。今天的機器學習并不是人類所從事的那種像海綿一樣的學習，比如說在不需要有一個的特定目的的情況下，機器學習在一個新的領域取得了快速的進展。

同樣地，當人們聽說計算機可以擊敗世界象棋冠軍(在1997年)或者世界上最好的圍棋選手(在2016年)時，他們往往認為它就像人類一樣“玩”游戲。當然，在現實中，這些程序根本不知道游戲到底是什么，甚至不知道它們在玩什么。它們的適應能力也不強。當人類玩游戲時，規則的微小變化不會讓他們放棄，而對于AlphaGo或Deep Blue來說則不是這樣。

手提箱詞匯誤導人們，說機器在人們能做的事情上做得有多好。這在一定程度上是因為人工智能研究人員的新聞機構渴望在一個手提箱概念的實例中取得進展。新聞標題大肆宣揚“手提箱”這個詞，并扭曲人們對人工智能的普遍理解。

本文轉自ATYUN人工智能媒體平臺，原文鏈接：麻省理工科技評論：AI預言的七宗罪(上）

更多推薦

與優必選一起體驗人工智能機器人的未來

H2O.ai在IBM Cloud Private上提供自動機器學習

麻省理工的人工智能模型用最少的訓練數據來學習對象之間的關系。

Kasisto：與移動金融應用聊天

歡迎關注ATYUN官方公眾號,商務合作及內容投稿請聯系郵箱:bd@atyun.com

?

總結

以上是生活随笔為你收集整理的麻省理工科技评论：AI预言的七宗罪(上）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。