第三章
从图灵到当下，以及未来

1943年，当研究人员研制出第一台具有电子化、数字化和可编程化特征的现代计算机时，这一成就让人们又开始急于寻求一系列有趣问题的答案：机器能够思考吗？它们有智能吗？它们会不会变得有智慧呢？鉴于长期以来关于智力本质的两难认知，这些问题似乎特别令人困惑。1950年，数学家和逻辑学家艾伦·图灵提出了一个解决方案。在他的论文《计算机与智能》中，图灵建议把机器智能的问题完全搁置。图灵认为，重要的不是智能的机制，而是智能的表现。对此，他解释说，因为其他生命的内在体验仍然是不可知的，所以我们衡量智力的唯一手段应是其外部行为。鉴于此，图灵避开了几个世纪以来关于智力本质的哲学争论。他引入的“模仿游戏”提出，如果一台机器对游戏的操作非常熟练，以至观察者无法区分它和人类的行为，那么该机器就应该被冠以智能之名。

图灵测试便是由此而来。[1]

许多人从字面上理解图灵测试，想象通过这一测试标准（如果这种情况真的发生）的机器人会被认为是人类。然而，在实际应用中，该测试被证明在评估“智能”机器在确定的、受限的活动（如游戏）中的表现方面很有用。该测试并不要求机器与人类完全无法区分，而是只要机器的某项表现类似于人类即可。此时，它关注的是表现，而不是过程。像GPT-3这样的生成器之所以被认定为人工智能，是因为它们生成的文本与人类生成的文本相似，而不是因为它们的模型特征与人相似——GPT-3的特征就是使用大量（在线）信息进行训练。

1956年，计算机科学家约翰·麦卡锡进一步将人工智能定义为“能够执行具有人类智能特征的任务的机器”。自那时起，图灵和麦卡锡对人工智能的评估就成了业界基准，将我们定义“智能”的重点转向了它的表现（看似智能的行为），而非这个术语更深层次的哲学、认知或神经科学维度。

虽然在过去的半个世纪里，机器在很大程度上未能展现出这种智能，但这种僵局似乎即将被打破。在基于精确定义的代码运行了几十年后，计算机生成的分析的局限性也类似于它本身的某些特性：刻板僵化，缺乏灵动。传统的程序可以组织大量的数据并执行复杂的计算，但不能识别简单物体的图像，也无法应付不甚精确的输入。人类思想的不精确性和概念性被证明是人工智能发展之路上的顽固障碍。然而，在过去10年里，计算领域的创新缔造了全新的人工智能，这些人工智能已经开始在某些领域与人类不相上下，甚至超过了人类。

人工智能是不精确的、动态的和新颖的，并且能够“学习”。人工智能通过消化数据来“学习”，然后根据数据得出结论。以前的系统需要精确的输入和输出，而具有非精确功能的人工智能不再需要这两者。这些人工智能翻译文本的方式不是通过换用单个单词，而是通过识别与使用习惯用语和句式。此外，这种人工智能还是动态的，因为它会随着环境的变化而进化。它也是新颖的，因为它能给出对人类来说新奇的解决方案。在机器领域，这四种特性是具有革命性的。

以AlphaZero在国际象棋领域取得的突破为例。传统的国际象棋程序依赖人类的棋艺专长，基于那些被编入其中的人类棋局而被开发出来。但AlphaZero是通过与自己进行数百万场对弈来提升棋艺的，它也正是在这种自我对弈中探索出自己的棋路模式。

这些“学习”技术的构建模块是算法，即将输入（如游戏规则，或在游戏规则范围内衡量棋路高明与否）转化为可重复输出（如赢得游戏）的一组步骤。但是，机器学习算法与经典算法（包括像长除法那样的计算）的精确度和可预测性截然不同。经典算法由产生精确结果的步骤组成，机器学习算法则与之不同，是由改进不精确结果的步骤组成。如今，这类技术正在取得长足进步。

航空领域是另一个例子。人工智能很快就将驾驶或协助驾驶各种飞行器翱翔长空。在美国国防部高级研究计划局（DARPA）的“阿尔法狗斗”（AlphaDogfight）项目中，人工智能战斗机飞行员可以做出超出人类飞行员能力的机动动作，并以此在虚拟空战中胜过人类飞行员。无论是驾驶战斗机参与空战，还是操纵无人机运送货物，人工智能都将对军用和民用航空的未来产生重大影响。

虽然我们看到的只是这些创新的开始，但这已经让人类经验的架构产生了微妙改变。在未来几十年，这种转变的速度只会有增无减。

由于推动人工智能转型的技术概念既复杂又重要，本章将对各种类型的机器学习及其使用的演变和现状进行解读。这些机器学习既功能强大，又有内在的局限性。了解机器学习的结构、能力和局限性，对于我们理解人工智能带来的社会、文化和政治转变，以及它们可能在未来产生的变化至关重要。