這項技術充滿了許多機會和風險。先進的計算機將能夠完成很多的日常任務，使生活變得更加美好和方便，並創造新的機會去做更多的事情。然而，偉大的科學家史蒂芬·霍金曾警告說，他相信，人工智慧會毀滅人類，還有很多其他的風險。

那麼AI會被用來做什麼呢?主要的領域應該是工作，特別是手工、不熟練的工作和車輛，但也有一些公司計劃利用人工智慧來豐富美容系統。下面，一起來看看我們生活中的三個主要領域，這些領域都將會被AI所取代和超越。

工作

人類擔心人工智慧最大的問題是，超級智慧機器容易在各種不同的工作領域中取代人類。最大可能的是體力工作，比如在運輸或製造業，很多人認為人工智慧機器可能獲得46%-56%和的工作機會。

在長期的工作中，由於人工智慧的存在而面臨風險，在採用人工智慧的公司中創造了更多的工作機會。有可能，只要有正確的機會或專業的技能，那些被機器人取代的工作者就可以進入新的工作崗位，這要麼是機器無法完成的，要麼是與計算機相關的工作。

車輛

另一個關於人工智慧技術的應用是無人駕駛汽車，尤其是在汽車領域。到2020年，無人駕駛汽車將開始上路，數量可觀。人們普遍預計，到2040年，95%的新車將實現無人駕駛，完全自動化。大量的證據表明，自動駕駛汽車每年將拯救成千上萬的生命，消除人為錯誤的駕駛風險。

儘管如此，最近的一項民意調查顯示，絕大多數人(76%)不願意相信無人駕駛或無人駕駛技術，78%的人會在自動駕駛汽車中感到恐懼或擔憂。為了確保人們為未來的交通做好心理準備，我們需要進行大量的宣傳和教育工作，但毫無疑問，這些自動駕駛汽車對我們所有人來說都是好的。

美容

許多美容行業的公司正在做的一項創新，就是設計一個人工智慧來幫助顧客美容。隨著人工智慧和網際網路技術的發展，機器將能夠收集和處理關於顧客的身體和美容習慣的資料，並向顧客提供個性化的美容建議。

這將是美容程式的一個完整的轉變，完全為你量身定製，從一個擁有無限資訊的機器和關於美容技術的機器。迪奧已經向這個方向邁出了一步，透過一份標準化的調查問卷，建立了一個使用Facebookmessenger來收集顧客資訊的基本人工智慧。該工具還允許使用者與聊天機器人聯絡，詢問產品資訊和建議。

在人工智慧領域，有一種方法可以讓一個完全智慧化的機器人提供定製的建議，並就顧客的需求進行完整的對話，在這個革命性的開發過程中已經取得了進展。

AI技術一個好漢三個幫

　　如果說新演算法、新資料和新硬體是AI的三大支柱，那麼背後還有3種力量也是居功至偉。

　　1 雲計算

　　經過10年的發展，雲計算已經走過了概念驗證（POC）的階段，進入了規模落地的時期，正在發展成為新時期的關鍵資訊基礎設施。雲計算就像20多年前TCP/IP那樣，正在改變這個世界。

　　雲計算不僅直接推動了大資料的興起，也正在讓AI as a Service 成為現實。業界大佬紛紛推出了“GPU/FPGA/演算法/資料 as a Service”，方便使用者做深度學習，透過雲端直接租用就可以了。

　　2 開源框架

　　如果說20多年前，以Linux為代表的開源，主要是在模仿商業軟體的做法。那麼今天，開源已經能夠引領技術發展的潮流了。10年來，不僅是軟體定義世界，更是開源軟體定義世界。

　　2016年前後，AI巨頭們紛紛開源了深度學習框架。比如Facebook的Torch和Caffe、谷歌的Tensorflow、亞馬遜的MXnet、微軟的CNTK、IBM的SystemML等。10年前，Google開源了Android 作業系統，成功打造了智慧手機的Android生態。現在，Google等紛紛開源AI框架，希望往日的輝煌重現。

　　3 摩爾定律

　　50多年來，摩爾定律一直支配著半導體行業的發展，並且已經擴充套件到了儲存、功耗、頻寬和畫素等。摩爾定律說，同樣成本每隔18個月電晶體數量會翻倍，反過來同樣數量電晶體成本會減半。

　　過去的30多年裡，以CPU為代表的微處理器的計算能力提升了100多萬倍。當今世界約有30多億人使用的智慧手機，每部的效能都超過1980年佔據整個房間的超級計算機。

　　摩爾定律是CPU、GPU和TPU等快速發展的基礎。雖然Google號稱TPU把摩爾定律加速了7年，但摩爾定律仍然支配著CPU、GPU和TPU的效能曲線。

　　深度學習的效果取決於網路結構的設計、訓練資料的質量和訓練方法的合理性。無論是從統計學還是對智慧的基本認知的角度看，這次以深度學習牽引的AI產業化浪潮，還處於發展初期的階段，存在不少瓶頸。

　　首先是在演算法方面。一是深度學習還是黑盒子，缺乏理論指導，對神經網路內部湧現出的所謂“智慧”還不能做出合理解釋。二是事先無法預知學習的效果。為了提高訓練的效果，除了不斷增加網路深度和節點數量、喂更多資料和增加算力，然後反覆調整引數基本就沒別的招數了。三是調整引數還是在碰運氣。還沒有總結出一套系統經驗做指導，完全依賴個人經驗，甚至靠運氣。四是通用性仍有待提高，沒有記憶能力。目前幾乎所有的機器學習系統都是被訓練於執行單一任務，無之前任務的記憶。

　　其次是在計算方面。目前的機器學習基本還是蠻力計算，是吞噬“算力”的巨獸。一是線上實時訓練幾乎不可能，還只能離線進行。二是雖然GPU等並行式計算硬體取得了巨大進步，但算力仍然是效能的限制性瓶頸。三是能夠大幅提高算力的矽晶片已逼近物理和經濟成本上的極限，摩爾定律即將失效，計算效能的增長曲線變得不可預測。

　　第三是在資料方面。一是資料的透明度。雖然深度學習方法是公開透明的，但訓練用的資料集往往是不透明的，在利益方的誘導下容易出現“資料改變信仰”的情況。二是資料攻擊。輸入資料的細微抖動就可能導致演算法的失效，如果發起對抗性樣本攻擊，系統就直接被“洗腦”了。三是監督學習。深度學習需要的海量大資料，需要打上標籤做監督學習，而對實時、海量的大資料打上標籤幾乎不可能。

　　第四是無法與其他學派結合。目前AI取得的進步屬於連線學派，缺乏常識，因此在對智慧的認知方面，缺乏分析因果關係的邏輯推理能力等。比如，還無法理解實體的概念，無法識別關鍵影響因素，不會直接學習知識，不善於解決複雜的數學運算，缺乏倫理道德等方面的常識等。

　　現在，業界只知道深度學習在影象處理和語音識別等方面表現出色，未來在其他領域也可能有潛在的應用價值，但它究竟做不了什麼，如何與符號主義的邏輯推理等結合起來仍然不清楚。深度學習還需要更安全、更透明和更可解釋。

　　前文這波AI熱潮是由機器學習引發的。到2017年，機器學習的神經網路已具有數千到數百萬個神經元和數百萬個的連線。這樣的複雜度還只相當於一個蠕蟲的大腦，與有1000億神經元和10000億連線的人類大腦，差了N個數量級。但儘管如此，神經網路下圍棋的能力已遠高於一隻蠕蟲。與此同時，一隻蠕蟲所具有的自繁衍、捕食和躲避天敵等智慧，無論是人類智慧還是人工智慧，都望塵莫及。

　　現在的AI是建立在“認知即計算”的理論之上的，實現時必須依靠計算機、伺服器和GPU等各種“圖靈機”。但基於圖靈可計算理論，“盧卡斯論證”和彭羅斯“皇帝新腦”等早已論證或分析了，人的意識是非演算法的，計算機無法建立起“自我”的概念。換言之，基於圖靈機的AI在理論上是無法覺醒的，或者說，能夠覺醒的AI不會基於這一代的計算機技術和理論。

　　AI讓智慧和意識分離，AI的智慧完全有可能會超越人類，雖然它一直是無意識的。“AI已經在幾乎所有需要思考的領域超越了人類，但是在那些人類和其他動物不需要思考就能完成的事情上，還差得很遠”。計算機專家Donald Knuth對AI現狀的評價，也將會是相當長時間內的未來。

目前階段的人工智慧已經是一種平臺級的技術，也就是說不是由誰來壟斷，而是大家都能用。但同時基於「深度學習」演算法的人工智慧技術潛力也達到了瓶頸，未來如果在演算法上沒有突破的話人工智慧會再次進入“寒冬期”。

人工智慧的概念從1956年被提出以來已經經歷了“三起二落”，最近一次爆發是從2010年開始。相比起前兩次潮流，目前基於「深度學習」演算法的人工智慧由於有了“大資料”和“算力”這兩樣新武器，在商業中的應用價值已經比過去任何時候更高。但也正是因為「深度學習」演算法的侷限性，使得目前的人工智慧離不開海量資料，並且在邏輯判斷、常識理解上還和人類有著不小的差距。換句話說，現階段的人工智慧只能在特定的、封閉的場景中（比如：圍棋）依靠自己計算能力和儲存能力的優勢發揮作用；但是在更廣泛的、開放的場景中（比如：像一個三歲孩子那樣認識世界）往往還不如一個孩子。

未來的人工智慧要有突破，歸根結底還是在演算法上。如何模仿人類（甚至是智慧更低一些的動物）來透過“小資料”、“低算力”就能和這個變化的世界互動，而不是隻能和靜態的資料打交道，是人工智慧未來的一個重要研究方向。

能夠更好地模仿生物智慧的演算法，就是人工智慧在未來發展的關鍵！

會朝替代人的方向發展。

這本來就是人工智慧這個領域的目的：讓計算機去做那些傳統上只有人才能做的事情。

具體來說，有這樣幾個方向正在迅速發展中。

第一個是計算機視覺。讓計算機認出邊緣、輪廓或者一些有點線面構成的物體並不容易，但是計算機視覺是很重要的領域。當計算機能夠識別物體、識別人、或者識別其他特定物體的時候，將會大大減少人類的勞動。畢竟人類透過視覺獲取的資訊佔總資訊量的65%，而且佔據了相當大的精力。若是計算機能夠靈活地識別物體，那麼將會是一大助力。

第二個是機器人。機器人其實本質上就是一臺計算機，只是有了一些可以控制的活動部件。但是說起來容易做起來難，能夠兩組自由行走的機器人已經很難，若是奔跑迅速、能夠自動避障的機器人則更難。這是一個重要的領域，如果足夠成熟，它將可以取代許多人類的工作。

第三個是自然語言處理。理解人的自然語言、將語言翻譯成其他語言等等，現在都有了一些應用，但是並不能讓人十分滿意。交流是人類的重要需求，當自然語言處理技術發展成熟後，巴別塔問題將不再出現。

第四個是自動決策。輸入大量資訊，迅速得出決策。自動駕駛是這個領域的一個常見應用。但是人類思維活動的根本就是作出決策。當人工智慧能夠更好地作出決策之後，許多工作就都可以移交給人工智慧來完成了。