两位人工智能杰出人物谈论了AI的未来——什么可能做到，什么还遥不可及。

人工智能未来故事的第一部分阐释了技术发展如何引领一个领域的复苏，该领域自从上世纪50年代开始就在一阵一阵的发展中。如今，便宜的存储和令人兴奋的不贵的电脑能力，加上数据大爆炸，使人们恢复对深层学习和“神经网络”的兴趣。“神经网络”，运用多层数据处理，支持者们有时候将此跟大脑如何处理信息相提并论。

这块领域最近红的发紫。Google、Facebook和其他技术巨头竞相在消费产品中应用该技术。文章第二部分，《SearchCIO》高级新闻记者Nicole Laskowski报道AI专家—— Facebook的Yann LeCun和微软的Eric Horvitz预测AI未来发展趋势。

像微软、IBM、Google和Facebook，下赌注在深度学习、神经网络和自然语言处理方面。社会媒体行家最近通过聘用深度学习和神经网络的公认权威Yann LeCun来领导它的新人工智能实验室，像业界发出了他们承诺促进机器学习之类的信号。恢复聚焦神经网络的真实的副产品之一，是Facebook的数字私人助理M，它在几个月前就开始海选试用用户。

今天，私人助理M的人工智能技术依靠人类的辅助。人们监督M如何响应各种问题（比如，处理一个外卖订单，或者记录一个预定），并且在必要时继续跟进处理。根据一篇在线文章说法，AI结合人类的系统正帮助Facebook建造一个模型：当人类助理干预AI执行任务时，该过程会被记录，产生对AI系统有价值的数据。

一旦搜集了足够的“正确数据”，基于神经网络的M会被制造出来。而神经网络正是LeCun的团队研究的方向。然而，根据文章描述，即便M背后的AI发展到神经网络，人类仍然需要不断循环的持续培养该技术。

任重道远

因为像大多数同期的AI系统，M是个监督学习系统，这意味着该系统不能自己教自己。如果LeCun想要一套算法来辨识狗，他不得不向该系统提交狗的样貌的各种模型——绝不仅仅是一小撮模型。“你必须做百万次，” LeCun在《MIT Technology Review》主办的新兴技术会议EmTech上说道：“不过，当然，人类不是以那种方式学习的。我们通过观察世界来学习。我们辨识出世界是三维的，物理独立移动……我们很希望机器也能这样做，但是目前没有更好的技术来实现这一目标。”

依照LeCun的说法，建造拥有某种人类常识的机器对于AI未来是一个巨大的挑战。“这需要解决问题，而目前我们真的还没有好解决办法——那就是不用监管的学习。”他说。

Facebook使用一种叫做向量嵌入的方法，尝试往AI系统中嵌入基本推理能力。该方法是将松散的数据排列成一列数字，描述文本或者物体的细节。LeCun说，这个过程将感知、推理、透视和语言能力组合在一起，以便当算法遇到不熟悉的文字或图像时，能通过比较和对比大量未知事物和已知事物的算术表达式来做出有根据的推测。他关于向量嵌入如何工作的最清晰的解释之一，与语言翻译有关：“我们可以取来两篇文章，一篇用法文，一篇用英文，并且我们能辨别出它们是否表达一样的意思。”

Facebook不是唯一用这种方法改善AI的公司。《ExtremeTech》最近的一篇文章指出，“思考向量”作为Google训练计算机理解语言的方法。目前，计算机还没有理解语言的能力。

AI未来

然而，语言理解力与机器能做人类完成的智力任务相差甚远。LeCun说，开发一款常识程序，或者所谓的“人造普通智力”，还有一段路要走。他与 Eric Horvitz（微软在华盛顿州雷德蒙德市的研究实验室主管）共享EmTech的舞台。“如果Eric抓起他的水瓶，离开舞台，你可以闭上眼睛，脑中会浮现他会做的各种动作。”相反，AI机器却做不到。

“我们想出的训练计算机最好的方法就是让它们看大量的视频。预测能力是智力的精髓，这正是我们努力做的。”LeCun说。

科幻电影，比如《她》和《机械姬》可能带给大家的印象是AI未来是有意识的机器，但是LeCun和Horvitz认为普通智能真的是很难解决的问题。“我们在想清楚这点上仍一无所获，”Horvitz说。“我确实认为通向智能的道路任重道远，我们会有能力，新样式的机器，并且深层能力被认为是意识。”

Horvitz正在解决的一个基础障碍是一个典型的IT问题：AI技术基本上是在仓里建造。为了让整个系统变得更强大，系统的各部件需要紧密结合在一起。“当我说我们正尝试建造一个系统——整个系统的能力要大于系统各部分的能力总和。我们有时会发现能力上的进步令人惊讶，比如，当我们将语言和视觉联合在一起时。”Horvitz说道。他最近在斯坦福大学启动（也资助，与她妻子一起）了“人工智能的100年研究”，这是对AI效果的跨学科研究工作。

到底AI系统应该怎么整合在一起，仍然处于争论中。“可是，我非常确信AI的下一次飞跃会来自于这种整合方案。”Horvitz说。仓爆裂可能不会像创造有意识的机器那样迷人，但是它会引起Horvitz所说的“智力交响乐”。

“随着每一次进步，尤其是随着最近的机器学习和深层学习，我们获得了更多的工具。这些工具通常真的是有趣的组件，供我们添加到老的组件上，从而看到它们点亮一条新的道路。”他说。