我們可以將深度學習網絡想象成工廠的一條生產線。輸入原材料後，它們將隨着傳送帶向下傳遞，後續的各個站點或層會分別提取不同的高級特性。爲了繼續完成一個圖像識別網絡的案例，第一層將用來分析像素亮度。下一層將根據相似像素的輪廓來確定圖中存在的所有邊界。之後，第三層將用來識別質地和形狀等。到達第四層或第五層時，深度學習網絡已經創建了複雜特性檢測器。這時，它就能夠了解4個輪子、擋風玻璃和排氣管通常是同時出現的，眼睛、鼻子和嘴也是同時出現的。它不知道的僅僅是汽車和人臉都是什麼樣的。深度學習網絡能夠識別的許多特性可能都和手頭的任務無關，但是其中有一些特性卻是和手頭任務高度相關的。
辛頓解釋道：“訓練這些特性檢測器時，每次訓練一層，這一層都試圖在下面一層找到結構模式。之後，就可以在頂部貼上標籤並使用反向傳播來進行微調。”結果深深震撼了人工智能界。辛頓回憶道：“其中涉及一些數學問題，這總會給人們留下深刻的印象。”
深度學習神經網絡已經成爲人工智能的主流，其強調的.理念可以追溯到麥卡洛克和皮茨。儘管該理念仍然是對大腦工作模式的一種模擬(我們將在後續章節中探討更多關於大腦的生物力學模型)，但神經網絡能夠解決問題的廣泛性卻令人驚歎。傳統人工智能一直表現良好，直到後來研究人員才發現現實世界與其完美模型並不匹配。與傳統人工智能不同的是，神經網絡不僅能夠處理規律性事物，還能夠處理規則以外的情況。正如20世紀80年代的NETtalk一樣，這使其成爲處理語言等棘手問題的最佳選擇。深度學習神經網絡還擅長處理所謂的“分佈表徵”，這意味着其具有模擬同一表徵空間中兩個相似但獨立的領域(例如語言和圖像)的能力。從本質上來講，這意味着神經網絡能夠以類比的方式進行思考，這一點是傳統人工智能無法企及的。
智能設備應該能夠感知自己所處的環境、識別特定狀態、觸發評估、產生行爲等等，從而形成一個連續的環路。智能設備的“智能”在於中間的部分，那裏負責處理感知到的信息，以及如何基於信息採取具體的行動。一臺真正智能的咖啡機不只是提醒人們咖啡機空了，而是能夠計算出使用者可能口渴的時間，並且自己能及時重新加滿咖啡，調製出咖啡成品以滿足使用者的個體需求。甚至基於無人控制的桌對桌(desk-to-desk)送貨也是可能的。
2015年1月，谷歌董事會執行主席埃裏克·施密特在瑞士達沃斯世界經濟論壇發言時掀起了軒然大波。當被問及對互聯網未來的看法時，施密特答道：“我的答案非常簡單：互聯網將會消失。”影響最深遠的技術是那些消失的技術。它們將自己融入日常生活之中，以至我們無可分辨。比如，谷歌已經開發了智能隱形眼鏡，能夠測量佩戴者眼淚中的葡萄糖水平，並隨後將這些信息通過無線網絡傳遞至所連接的智能手機。
人工智能助手將變得越來越智能。Siri和Google Now已經比幾年前的測試版先進很多，這要歸功於它們在使用期間收到的數百萬個語音請求，而語音請求已經成爲改善系統的訓練數據。Siri的創始團隊在離開蘋果公司後紛紛成立新的公司，Viv實驗室就是其中一家。Viv實驗室目前正在研究一款能夠回答“下週三維珍航空351上有哪些空位”等問題的人工智能助手。當被問到這個問題時，人工智能助手將訪問全球性旅行公司Travelport的航空服務分銷商，找出空位，並將其與選座軟件SeatGuru上的信息進行對比，然後與你的個人偏好進行對照。如果Viv知道你喜歡靠近過道並且有額外的放腳空間的座位，它將爲你找到最適合的座位。有了它，誰還需要人類助手呢?
爲了應對這一範式的轉換，我們還需要更好地訓練下一代。目前，教育深陷於工業革命的範式之中，這一範式已經持續了100多年。在一個“工廠奴隸”的時代，學校教育被比喻成創造相同的T型福特車的傳送帶。標準化課程用來教學生特定的技巧，讓他們走上工作場所中預先規定好的崗位。這一標準化假設學生學習的技術不會變化，他們一生都可以使用。然而，今天的世界中，習得的技巧通常在10年內就會被淘汰，這意味着人的一生都要不斷學習和進行自我評價。在一個智能手機都能上網的年代，我們還需要質問爲什麼要通過毫無啓發性的機械教學在學生的頭腦中存儲大量信息。
除非發生災難性風險，在就業方面，整體看來，人工智能對人類的影響是積極的。經濟將運行得更加平穩，機器人和人工智能將接手許多不受歡迎的工作並且創造新工作，這就將人類解放出來，他們可以去追求更重要的目標。人工智能能夠完成我們目前做的大部分工作，但是人類距離退出工作崗位還早得很。
【本文作者：徐州七中彭向梅。(公衆號：草根英語行思教)】
本文爲原創文章，版權歸作者所有，未經授權不得轉載!
