總結
人工智慧無處不在，比如現在已經有了智慧搜尋、智慧推薦、自動駕駛、倉庫機器人、AI助手、人臉安防、機器翻譯、AI作畫作曲作新聞等等。
我們經常跟風說著人工智慧，但是有沒有仔細想過這樣的問題：
- 什麼是人工智慧？
- 別人經常說的機器學習、深度學習是什麼？
- 人工智慧會毀滅人類嗎？
- 人工智慧不能做什麼？
- 人工智慧時代應該學什麼才不會被淘汰？
什麼是人工智慧
- 能完成人們不認為機器能勝任的事。
比如下圍棋、人臉識別、自動駕駛 - 與人類思考方式、行為相似的程式。
仿生學的思路，模仿大腦神經元對刺激的處理和傳播過程，
早在通用電子計算機出現之前，科學家們就提出了有關神經元處理資訊的假想模型。
人類大腦中的數量龐大的神經元共同組成一個相互協作的網路結構，資訊通過若干層神經元的增強、衰減或遮蔽處理後，作為系統的輸出訊號，控制人體對環境刺激的反應。
深度神經網路內部，每層神經元的輸出訊號可能相當複雜，複雜到程式設計者並不一定清楚這些中間訊號在自然語言中的真實含義，但是這不重要，重要的是整個模型可以聰明地工作，最終結果看起來就像人做的一樣。
- 會學習的程式
人的智慧離不開長大成人過程裡的不間斷學習。今天最典型的人工智慧可以被看成是模擬了人類學習和成長的全過程。
感知環境，做出合理的行動，獲得最大收益的計算機程式
別人經常說的機器學習、深度學習是什麼
機器學習
計算機通過反覆訓練資料，總結出規律，就叫“機器學習”。比如：反覆看圖，學會認字。
相關專業術語：
- 訓練資料集。計算機算機用來反覆學習的資料
- 特徵。一類資料區別於另一類資料的屬性或特質。
- 建模。總結規律的過程
- 模型。總結出的規律
深度學習
深度學習是基於多層神經網路的機器學習模型，有兩個最基本前提：
- 強大的計算能力高
- 質量的大資料
模擬人類大腦中的神經元相互協作的網路結構，資訊通過若干層神經元的增強、衰減或遮蔽處理後，作為系統的輸出訊號
可以用通俗的水管網路例子理解
水管網路通俗例子
一、比如我們要識別漢字“田”
- 預先在水管網路的每個出口插一塊字牌，對應我們想讓計算機認識的漢字。
- 將“田”字變成的一大堆數字組成的水流，灌進水管網路。
- 通過調節輸入端的每層的每一個流量閥，最終保證讓“田字”的出口流出的水最多
二、比如我們再識別漢字“申”
- 用類似的方法，把每一張寫有“申”字的圖片變成一大堆數字組成的水流，灌進水管網路。
- 看一看是不是寫有“申”字的那個管道出口流出來的水最多，如果不是再次調整所有的調節閥。不同的是，這次既要保證剛才學過的“田”字不受影響，也要保證新的“申”字可以被正確處理。
三、識別另外的字
當大量識字卡片被這個管道網路處理，所有閥門都調節到位後，整套水管網路就可以用來識別漢字了。這時，我們可以把調節好的所有閥門都“焊死”，靜候新的水流到來。
指導深度學習的基本是一種實用主義的思想，要理解更復雜的世界規律，就不斷增加水管網路裡可調節的閥門的個數（增加層數或增加每層的調節閥數量），讓計算機在拼命調節無數個閥門的過程中，學到訓練資料中的隱藏規律。
有史以來最有效的機器學習方法，竟是一個只可意會、不可言傳的“黑盒子”。
如果人們只知道計算機學會了做什麼，卻說不清計算機在學習過程中掌握的是一種什麼樣的規律，那這種學習本身會不會失控？
人工智慧會毀滅人類嗎
現在我們的人工可以理解成一個巨大的Excel表，通過黑盒計算機得出一列新的資料，就是這麼簡單，所以它是單一領域的弱的人工智慧。
我們離強人工智慧還差得很遠，但是可預知的是。強人工智慧一旦出現，人類就必須認真考慮自己的命運問題了，因為從強人工智慧“進化”到超人工智慧，對機器而言，也許只是幾個小時的事情。
因為一個可以像人一樣學習各種知識的計算機，它一定有這樣的特點
- 學習速度一定比人快無數倍
- 記憶力一定是過目不忘
- 可以從網際網路上接觸到的這個世界上的全部知識。
一個有著和人一樣思考水平的機器，同時有著比人快無數倍的思考速度以及幾乎無限的記憶空間，這樣的機器幾乎比人類所有科學家都厲害！
它可以藉助比人類強大得多的計算資源、網路資源甚至網際網路知識庫以及永不疲倦、不需要吃飯睡覺的特點，無休止地學習、迭代下去，並在令人吃驚的極短時間內，完成從強人工智慧到超人工智慧的躍遷！
它一旦出現，我們人類肯定是會毀滅的。
霍金說
人工智慧可以在自身基礎上進化，可以一直保持加速度的趨勢，不斷重新設計自己。而人類，我們的生物進化速度相當有限，無法與之競爭，終將被淘汰。
埃隆·馬斯克說：
我們必須非常小心人工智慧。如果必須預測我們面臨的最大現實威脅，恐怕就是人工智慧了。
人工智慧不能做什麼？
1. 跨領域能力
人類強大的跨領域聯想、類比能力是跨領域推理的基礎
2. 抽象能力。
一個三四歲的小孩子看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩子也十有八九能做出那是一輛自行車的判斷。
而目前的計算機視覺系統辨別出什麼是自行車，需要至少數百萬張或更多自行車的照片後，才能識別，這種需要大量訓練照片的學習方式看上去還比較笨拙。
人類的學習過程往往不需要大規模的訓練資料。人類可以用自己卓越的抽象能力，僅憑少數個例，就歸納出可以舉一反三的規則、原理，甚至更高層次上的思維模式、哲學內涵等。這一差別給人類帶來的優勢是全方位的。
3. 知其然知其所以然
人類基於實驗和科學觀測結果建立與發展物理學的歷程，是“知其然，也知其所以然”的最好體現。
而人工智慧技術，經驗的成分比較多。輸入大量資料後，機器自動調整引數，完成深度學習模型，在許多領域確實達到了非常不錯的效果，但模型中的引數為什麼如此設定，裡面蘊含的更深層次的道理等，在很多情況下還是個黑盒。
4. 常識
人的常識，是個極其有趣，又往往只可意會、不可言傳的東西。
比如：即使兩歲孩童也能理解直觀的物理過程，比如丟出的物體會下落。人類並不需要有意識地知道任何物理學就能預測這些物理過程。但機器做不到這一點。
我們每個人頭腦中，都有一些幾乎被所有人認可的，無須仔細思考就能使用的知識、經驗或方法。（康德的先天經驗）
5. 自我意識
很難說清到底什麼是自我意識，但我們又總是說，機器只有具備了自我意識，才叫真的智慧。
我們在自己的宇宙中，只發現了人類這一種具有自我意識的生物。
茫茫宇宙，尚無法找到如《三體》中所述的外星智慧的痕跡。這一不合常理的現象就是著名的費米悖論。
《三體》用黑暗森林理論來解釋費米悖論。而費米悖論的另一種符合邏輯的解釋就是，
人類其實只不過是更高階別的智慧生物養在VR實驗室裡的試驗品而已，人類的所謂自我意識，也許不過是“上帝”為了滿足我們的虛榮心而專門設計的一種程式邏輯。
6.審美
-
審美能力是人類獨有的特徵，很難用技術語言解釋，也很難賦予機器。
-
審美能力並非與生俱來，但可以在大量閱讀和欣賞的過程中，自然而然地形成。
-
雖然機器已經可以依照人類的繪畫、詩歌、音樂等藝術風格，照貓畫虎般地創作出電腦藝術作品來，但機器並不真正懂得什麼是美。
-
審美是一件非常個性化的事情，不同的人心中有自己一套關於美的標準，但審美又可以被語言文字描述和解* 釋，人與人之間可以很容易地交換和分享審美體驗。而這種神奇的能力，計算機目前幾乎完全不具備。
-
審美能力明顯是一個跨領域的能力，每個人的審美能力都是一個綜合能力，與這個人的個人經歷、文史知識、藝術修養、生活經驗等都有密切關係。一個沒有多少經歷的年輕人都尚且感受不到那些文學、詩詞、音樂繪畫中傳達的情緒，何況還要讓計算機學會？
- 情感
歡樂、憂傷、憤怒、討厭、害怕……每個人都因為這些情感的存在，而變得獨特和有存在感。
情感是人類之所以為人類的感性基礎。機器目前沒有這種情感，所以那些基於人文的關懷的服務，也是機器暫時替代不了的。
人工智慧時代如何避免被淘汰
簡單說，這個時代，通才比專才更有競爭力，更不容易被AI淘汰。
人和今天的AI相比，有一個明顯的智慧優勢，就是舉一反三、觸類旁通的能力。
人工智慧時代，程式化的、重複性的、僅靠記憶與練習就可以掌握的技能是最沒有價值的，幾乎一定可以由機器來完成。那種單一領域的釘子是最容易被替代的，比如：律師、保安、客服、司機等等。
未來的生產製造行業將是機器人、智慧流水線的天下。人類再去學習基本的零件製造、產品組裝等技能，顯然意義不大。這個方面，人類的特長在於系統設計和質量管控，只有學習更高層次的知識，才能真正體現出人類的價值。
舉例來說，
- 建築。最有價值的顯然是決定整體建築風格的建築師以及管理整體施工方案的工程總監。
- 軟體。只會CURD的程式設計師是最容易被淘汰的，而懂得架構、系統設計、演算法並能綜合運用的程式設計師不容易被淘汰。
- 翻譯。只會簡單的字面翻譯的翻譯人員一定會淘汰，而有很好的審美、文學藝術修養，從事涉及大量人類情感的翻譯不會被淘汰。
那些最能體現人的綜合素質的技能，例如
- 對複雜系統的綜合分析、決策能力。
- 對於藝術文化的審美能力和創造性思維
- 基於生活經驗、文化薰陶、人自身的情感之上的，與他人互動的能力。
這些才是人工智慧時代最有價值的，最值得培養和學習的技能。
最後用一句科幻作家、雨果獎得主郝景芳的話結束總結
很顯然，我們需要去重視那些重複性標準化的工作所不能夠覆蓋的領域。包括什麼呢？包括創造性、情感交流、審美、藝術能力，還有我們的綜合理解能力、我們把很多碎片連成一個故事這樣的講述能力，我們的體驗。所有這些在我們看來非常不可靠的東西，其實往往是人類智慧非常獨特的能力