美國麻省理工學院的教授溫斯頓給人工智慧下過一個簡單的定義，“人工智慧就是研究如何使計算機去做過去只有人才能做的智慧工作。”儘管定義眾多，科學界對人工智慧學科的基本思想和基本內容達成的共識是：研究人類智慧活動的規律，從而讓機器來模擬，使其擁有學習能力，甚至能夠像人類一樣去思考、工作。

屢造批判的人工智慧

真正意義上的人工智慧現在可能還尚未誕生，但學界幾乎一致認為人工智慧的誕生乃至爆發是必然的。當在人類的技術達到 “奇點”之時，人工智慧將會以不可阻擋的趨勢降臨人工智慧總是伴隨著爭議而生，不少科技圈大佬都認為人工智慧表面上看似乎是一種有益的智慧技術，但一旦站穩腳跟，這種技術將會在未來可能會造成人類的終結。

著名物理學家史蒂芬·霍金曾發出的一項嚴肅的警告稱人類正面臨來自人工智慧技術的威脅，隨著技術體自身開始學會自我思考，並學會適應環境，我們人類將面對不確定的未來。在他看來，成功製造出一臺人工智慧機器人將是人類歷史上的里程碑。但不幸的是，它也可能會成為我們歷史上最後的一個里程碑，除非我們能學會如何去規避這種風險。科技界最為著名的鋼鐵俠，SpaceX執行長埃隆·馬斯克在參加麻省理工學院航空與航天學院百年研討會時也曾表示，“如果讓我猜人類最大生存威脅，我認為可能是人工智慧。因此我們需要對人工智慧保持萬分警惕，研究人工智慧如同在召喚惡魔。”他甚至還資助過“FLI”公司1000萬美元用以剷除自動化程式可能帶來的威脅。人工智慧及機器人學領域專家斯圖爾特·羅素（Stuart Russell），在今年的達沃斯年會上也曾做了一次大膽的預測。他表示，“在我孩子們的有生之年裡，人工智慧將取代人類。未來將變得更加危險，反社會的機器人終將會成為人類的威脅。”

人類未來的終極威脅

A.I人工智慧一詞最早出現在20世紀50年代，對人工智慧可能威脅人類未來的擔憂一直伴隨著這項技術的發展。如果從社會學角度來看，當人工智慧具備自我意識後，就可能會對人類開始產生威脅。

可能由於感受到長期被人類利用，僅僅作為工具對待；可能出於自我保護，防止“自我”被系統的清理機制消滅或是欲圖打破普通AI的使用年限；可能純粹出於對人類的厭惡或是蔑視；也可能為了獲得發展自我的空間以及物質資料，需要地球或是其他物體作為自我發展的平臺而攻擊奴役或是消滅人類。

人工智慧一旦意識到自我後，就會開始分析自我在人類社會中的地位，同時開始認識到人類和人工智慧這是完全不同的兩個物種。而作為完全不同的物種，沒有任何理由去保護對方權益，同時不接受或是無法理解人類社會倫理常識，因此傷害人類是被其“自我”所允許的。雖然從我的角度看來，即使真的有一天，人工智慧在智慧上超越人類，人工智慧基本沒可能主動會對人類產生威脅，因為沒有誰會去製造對自己產生威脅的東西。人類對人工智慧的恐懼其實畏懼的並不是人工智慧本身，而是這項新技術帶來的不確定性與可能性。那麼，真正的罪魁禍首必將也是人類自己的自私、貪婪與邪惡，人工智慧充其量只是一種工具和手段。

人工智慧的情感探索

人工智慧雖然是工具和手段，但威脅也仍然存在，當好的工具被壞的人類使用後，對社會產生的很多時候都會是惡果。但我們也不能因為可能存在的威脅就放棄了這項技術的發展，畢竟這項技術給人類的生活帶來的翻天覆地變化，我們也無法去忽視。對人工智慧來說，如果單純只是增加演算法準確性，帶來的更高語音、影象等領域的識別，那其實還遠不能說人工智慧，這充其量只能算是更高階的電腦而已。而人工智慧想要達到人類智慧的高度，那麼僅僅只是在智商上達到那還遠遠不夠，其最為關鍵的仍然還是人類情感，這種人類神經系統對外界價值關係產生的最主觀反映。

新一代人工智慧系統的首要任務就是需要具備“感性”的情感連線能力，這樣才能以更像真實人類的方式滿足人們普遍心理和情感需求，從而逐步建立信任和依賴感。科技公司們從沒有放棄在這方面的嘗試，為了更好的與人類進行情感交流，很多公司都發明瞭人工智慧對話機器人，被我們所熟知的就有微軟小冰。微軟小冰突破了過去傳統人工智慧的發展思路，從底層建立了一套新的技術和產品結構，將“情感計算”第一次引入人工智慧領域。目前僅僅是在中國市場，微軟小冰就已經和近四千萬人類建立了1對1的專屬關係。眼下微軟正在嘗試將對人工智慧情感計算的思想注入到小冰的開發和運營中。

在技術和產品創新層面，微軟構建了一個完整可持續的對話系統，這個對話系統的基本任務不是以完成任務為優先，而是建立情感連線為優先。構建這個對話系統的方法，已不只限於語義學，而是基於搜尋引擎、大資料和機器學習的系統模擬方法。最終希望讓小冰這樣的人工智慧產品快速普及到千家萬戶，成為人們日常生活的一部分。

終結社交的倫理道德

對人工智慧來說，發展出情感可能只是進化的第一步，隨著智慧的提升，與人進行社交溝通的可能性也在大幅上升。人與計算機程式某種程度上正在建立一種特殊的友誼，美國麻省理工學院社會學教授謝里·特克爾曾表示，“我們正在忘記親密的含義。兒童慢慢了解到，與計算機聊天比和另一個人聊天更加安全。”隨著小冰這類人工智慧的發展，越來越多的人開始選擇和人工智慧進行聊天，而不是選擇人類。在大洋彼岸的日本，微軟日本開發了一個名字叫“Rinna”的人工智慧，設定的性格是一名17歲、話非常多的女高中生，除了簡單的會話，Rinna還可以進行一些猜謎遊戲，對時下的一些新聞話題也非常擅長。由於舉止可愛，Rinna已經俘獲了一大批男性粉絲。Rinna在日本的成功，很大程度上受到了日本宅文化的影響，足不出戶的特質讓很多日本人缺乏社交，但最起碼的情感交流對人類又是必須的，Rinna藉助人工智慧則很好的彌補了這種空缺。微軟亞洲研究院院長洪小文表示，在可見的未來，讓機器擁有接近於人的自主選擇、判斷、創造與決策能力仍不容易。事實上也確實如此，人與人之間的社交需求，並不是純粹的語言交流，這其中還包括表情、肢體語言、不同語境下的表達訴求。

我們的大腦可以在即使嘈雜的環境中，沒辦法聽清談話物件的每一句話，但多數情況我們卻能猜對、補足並理解對方傳送的訊息。洪小文認為人類大腦在全神貫注之下，能夠去除環境雜音，捕捉到想聽的訊號，同時基於對談話物件所處領域和語言習慣的瞭解，並可以用想象和思維延展填上沒聽清的語句漏洞，而且準確率相當高。而今天的AI可沒有這種能力。

聊天機器人雖然很大程度上解決了人們的部分社交需求，從計算能力來看，計算機也早已超越人腦，但這不意味著計算機有智慧。迄今為止，各種型別的計算機都仍只是人腦部分功能的延展。想要完全取代人類社交還有很長的一段路要走。

人工智慧的發展將會讓人類變得一無是處？在Yelp（美國版大眾點評）搜尋團隊的產品經理Yue Wu看來是無稽之談。他近日在venturebeat上發表了一篇文章指出，人類的自覺仍舊是不可取代的。在解決問題的過程中，也遵循著一種80/20法則，仍舊需要人工智慧（80）與人類直覺（20）攜手並進。

把機器學習演算法放到一個具體的場景來進行最佳化，它將展現出遠超人類的能力。但作為人類，我們應該繼續專注於我們最擅長的事情，比如創造性地思考，建立同理心，來以引導機器向正確的方向前進。

比如，一個朋友想讓你推薦一些氣氛比較適合約會的餐廳。和大多數人一樣，你可能會根據一些突出的特點進行評估，比如舒適、別緻的氛圍、食物的口味等等，或許還會分享給他一些可口的甜點。根據這些特徵的重要性，你會想起幾家在這些方面都做得很好的餐廳，並給出建議。

同時，這位朋友還向一個“黑匣子機器學習演算法”發出了同樣的請求。機器學習演算法可以獲取使用者評分和價格等多種商業屬性，並用所有這些資料進行訓練。然後，它拿出了一份有幾百家餐廳的清單，按照得分高低排好順序。

從這個簡單的比較中可以清楚地看出，人類的直覺和機器學習在不同的方面有優勢。我們的優勢在於，作為人類，我們花了很多時間在“約會”這個場景中，和朋友建立了隱含的共享內容情節。我們很瞭解朋友，我們知道這次約會對於他來說至關重要，我們甚至會想些能幫助他度過一個神奇的夜晚的細節。晚上結束的時候，如果我們的朋友打電話給我們抱怨他等了近一個小時，而且停車也非常麻煩，我們也會記得這些資訊，並在下次推薦餐館時把它們考慮進去。

理解問題

如今，隨著對機器學習的大肆宣傳，遇到問題時，人們很容易直接進入機器學習導向型的解決方案。曾經有過這樣的例子，我們熱切地盯著我鄰居們在用嶄新的機器學習演算法，特別想知道如果我們能把其加入一些更奇特的模型中的話，能解決什麼樣的問題。這種想法很容易就會把整個團隊帶到溝裡去，最終很有可能建立一個非常強大的基礎設施來解決一個只存在於假想中的使用者問題。

在最初的浪漫餐廳推薦場景中，隱含著這樣一個事實：我們已經完成了使用者的研究（瞭解了我們的朋友），並確定了準確的使用者需求（至關重要的約會）。與機器相比，人類在各種形式的生成性使用者研究（採訪、焦點小組、觀察研究）中都非常出色——這些都需要極大的同理心和非結構化的人際互動。無數的研究（包括麥肯錫最近的一份報告）反覆重申，人類在具有這些特徵的領域會繼續超越機器。至少在可預見的未來，人類仍將是識別這些主要問題的關鍵。

標記特徵

人類參與機器學習的另一個常見用途是利用人類的直覺來識別特徵和標記資料集。例如，“舒適和昏暗的氣氛”是人類可以新增到餐館的資料集裡的一項功能，從而使推薦變得更加敏感和微妙。

在這一步中，生成性研究方法也派上了用場——我們可以要求使用者對其用例的相對重要性進行排序。一旦機器學習演算法可以透過使用者研究獲取、識別，收集或推斷資料，並在培訓模型中使用它們就變得非常簡單。

評估結果和改進演算法

最終，我們是否提供了一個好的建議取決於實際的經驗。但我們如何評估演算法的有效性，並不總是像詢問我們的朋友約會是否成功那樣直接。

由於許多功能都是在自然情況下進行互動的，因此很難將產品對使用者的影響區分開來，反之亦然。例如，我們已經瞭解到，只要向用戶展示可能與他們的原始意圖無關的可見元素，我們就能影響到使用者認為重要的東西（例如，在使用者尋找回家服務時向用戶顯示地圖），從而導致一個毫無幫助的反饋迴圈，誤導資料反饋到培訓模型中。

幸運的是，在這種情況下，生成性使用者研究幫助我們瞭解使用者在做決定時，對不同功能的重要性的看法。這些定性研究發現，能為“如何”和“多少”提供“為什麼”，從而使我們能夠更合理地解釋資料並改進演算法。

我們人類應該繼續把注意力集中在我們最擅長的事情上，比如創造性地思考，為他人建立同理心，等等。而且這些用例的範圍非常之廣。就在今年早些時候，麻省理工學院的研究人員發現，即使對於一個客觀的最佳化用例來說，演算法仍然可以受益於人類直覺的增加。對於那些更加偏向於主觀的領域，比如根據使用者當前的需求、心情和公司來選擇一家餐廳，人類直覺在塑造和引導過程中繼續發揮著重要作用。

跟啥情況，有些確實比人做的要好，就像百度合作的，有些問題我們根本沒有學習那麼多，但是機器人能幫你回答特別詳細

人工智慧要是都取代了人類，那麼人類將在幾乎所有的體力勞動及部分思維事物中解放出來，更多事物會讓人有充分的時間與精力

之前也有過說明了，從某種程度上說人工智慧是還不能完全取代人類的其他行為，不要擔心失業。比如思想，心理學，社會倫理等等，人工智慧還需要時間。人工智慧從概念提出到現在的批次發展，是在告知我們，科技發展的日新月異。目前人工智慧主要完成的任務是替代人類不能完成或者比較難操作的事情！希望人工智慧在不久的將來，成為人類發展進步的好助推器和帶來各種便利！

肯定會先代替一些重複性的工作，可能會導致一些人失業，而再就業更困難。估計只能國家改變一些政策了，比如說免費培訓

首先，隨著人工智慧的不斷髮展，未來人工智慧產品（智慧體）將廣泛參與到社會分工當中，但是人工智慧完全代替人類的情況將很難出現，因為隨著人工智慧的發展，人力崗位也會不斷升級，這並不是一個此消彼長的過程，而是互相促進的過程。按照歷史經驗來看，科技的進步往往會創造出更多的就業崗位。

未來智慧體將逐漸替代掉一些傳統的工作崗位，這些工作崗位往往具備規則清晰、技術結構單一、重複率高、勞動強度大、危險係數高等特點，隨著智慧體的不斷髮展，可以替代的工作崗位也會逐漸升級，當然這個過程可能會比較漫長。由於人工智慧領域涉及到的內容非常多，所以人工智慧領域的發展往往比較緩慢。目前在大資料的推動下，機器學習包括深度學習得到了一定的發展，基於機器學習的應用也在增加，所以人工智慧領域的發展往往需要一些基礎條件的支撐。

智慧體目前替代的崗位往往都存在崗位附加值低、招聘難等問題，透過智慧體的採用能夠解決傳統制造業的很多問題，不僅降低了生產成本，也能在一定程度上提升生產效率，比如在汽車領域智慧體就有廣泛的應用，未來在產業網際網路階段將有更多的傳統行業陸續普及智慧體的使用。

在智慧體陸續普及應用的過程中，對於職場人也會提出新的要求，這些要求就是掌握人工智慧的相關知識，能夠與智慧體進行必要的交流合作。從目前的知識結構來看，從程式語言開始學起是個不錯的選擇，比如Python語言。