人工智能的机遇和挑战

复杂的人工智能（AI）曾经仅限于研发实验室和超级计算机领域，但现在已成为消费类产品和服务的重要组成部分，这其中包括体积更小、价格更便宜、功耗更低的设备和物联网产品。无可否认，在某些情况下，人工智能主要用于用表面的流行语来提升产品价值，但更多的情况下是启用真正的新功能和新特性。

苹果最新的iPhone CPU A11包括一个“神经引擎”，其中有两个处理器内核，用于运行机器学习算法，并提供诸如人脸识别解锁和面部表情追踪等功能。LG公司展示了具有人工智能的家用电器，包括机器人吸尘器、冰箱、空调和洗衣机等。美国初创公司Buoy表示，即将推出的水泵将采用机器学习算法优化水流量，并能够检测泄漏等异常情况，以便在紧急情况下远程或自动关闭供水。

目前有数量众多的公司都在从事各种具有人工智能的助理产品开发，苹果、谷歌、亚马逊和微软等都包括在其中，这些产品能够以专有的硬件和应用程序，通过使用人工智能来更好地理解人的要求，并可以更自然地回应他们。未来的阀门、婴儿监视器、相机或耳机等许多日常设备的功能在某种程度上将依赖于现代人工智能技术，与传统的愚笨产品相比，这些新产品能够以更细致和更有益的方式来对事件做出反应并处理数据，我们距离这一天已经为时不远。

人工智能是如何以及为什么能够走出实验室并进入主流社会？正是几种趋势的组合推动了这一深远的变化。

互联网、视频游戏和科学推动了AI革命

在过去的十年中，我们已经看到许多由研发而驱动的重大实用突破，这大大提高了AI软件的有效性。将深度学习技术应用于训练神经网络已经使它们从一个有趣的玩具变成了一个偶尔能够胜过人类的强大工具。这项研究突破的影响力由于最近的两个最新进展而得到了进一步加强，一个进展是互联网提供的大量现实世界训练数据，另一个进展则是最初为3D视频游戏图形开发的功能强大、低成本、并行处理硬件恰好正是AI的理想选择。

鉴于这种新AI研究的优点和实际应用已经从实验室过渡到产业，目前业界已经开发了易于使用的软件工具，而且培训计划和相关文档也大大改善。现在的开发人员、设计师和工程师已经对AI技术以及如何使用它们有了更好的理解。

在产业意识到图形处理器单元（GPU）对AI的价值后，GPU制造商就开始致力于开发专门针对AI的功能和软件工具。这种趋势的第一波浪潮是利用GPU的并行处理能力，但下一波则包括运行AI软件的通用处理器、GPU和专用AI芯片。苹果公司的新型iPhone CPU神经引擎内核就是其中的例子，而ARM和Qualcomm都在开发专门针对AI的处理器和处理器内核，这些专用芯片自然可以提供更高能效、更加紧凑的AI功能，适用于移动、物联网和嵌入式设备等领域。

AI：在板上还是在云端？

在可能的情况下，把人工智能置于板上是一个明显的趋势，因为这可以消除连接性、延迟和隐私等顾虑（因为人工智能通常需要处理相机和音频输入等私密的或个人的数据，因而最后一个方面很重要）。但即使将AI构建到设备中不太实际时，无处不在的低延迟、高带宽互联网连接将可使几乎任何设备都能够充分利用数据中心的集中式AI功能。例如，移动电话的翻译apps（如Google翻译）可以将处理任务卸载到中央服务器，个人助理apps和设备通常会在云端执行一些处理功能，导航apps则可能会使用类似的方法进行高级路线规划。

亚马逊网络服务（Amazon Web Services）等云计算提供商宣称能够利用虚拟化GPU条件来运行深度学习应用。目前，客户仍然有责任提供运行在这些云服务上的软件，但这种趋势最终会采用更为通用的形式，可能被称为“人工智能服务（AI as a service）”。在这种模式下，设备会将数据发送给有用的基于AI的固定处理服务（canned processing services），这些服务功耗太大，无法在本地运行，并在几分之一秒内才会收到反馈结果。

无处不在AI的挑战

在AI这个瞬息万变、不断发展的领域，那些希望在产品中集成AI技术的公司可能会受到资深工程师和软件开发人员稀缺的困扰。如上所述，随着时间的推移，AI知识的不断传播，以及教育资源的改善，这种技能的短缺已变得越来越不成问题。但在短期内，雇佣优秀的AI开发人员需要付出高于平均水平的薪金，而且许多开发人员仍缺乏实际经验。

另一个重大挑战是，尽管AI可以产生一些显著的、几乎是神奇的结果，但它也会对调试过程带来一些根本性的变化，产生一些不可预知的行为，并且可能使制造商无法保证其产品始终按事先的预期来运行。事实上，任何软件程序都可能出错，但AI却增大了产品性能可能会超出预期参数的风险。

一些开发人员将高级人工智能看作是一个神秘的“黑盒子”，输入的是数据，输出的是决定。但即使是设计人员也不能完全理解这些决定是如何做出的，或者“黑盒子”内到底发生了什么。

AI黑盒子透视

自动驾驶汽车软件开发商Drive.ai的共同创始人兼首席执行官Sameep Tandon最近在接受IEEE Spectrum采访时将黑盒子困境描述为“一个严重问题”，但他也提到了一些控制风险、监控黑盒子以及调试AI系统的技术。Tandon的公司采用具有不同功能的独立部件或模块来构建其驾驶系统，其中一些可能不是基于AI的部件，目的是不要创建一个全部大规模基于AI的车辆驾驶系统。这种模块化方法可帮助开发人员隔离和调试有问题的组件

此外，该公司经常以严格限制的输入数据来测试其系统。例如，某些图像识别测试可能会遮蔽场景的大部分区域，以便让系统集中在某个细节及其反应，这是一种与传统调试方法有些类似的隔离方法。最后，Drive.ai将这种技术与广泛的仿真结合起来，来测试在出现AI问题的驾驶场景中大量的微小变化，以便寻找不正常的行为并训练系统以最佳方式运行。

尽管AI还有明显的改进空间，但人工智能的本质是这些应用会在学习过程中被“训练”或“成长”，而不像传统程序那样被“书写”或“构建”，因而意想不到的行为可能总是一个难以应对的问题。对于安全至关重要的应用，可能需要增大冗余量，由两个或多个单独的程序或设备“投票”决定最佳的行动方案，或者至少监视彼此的行为，并在检测到特殊情况时发出警告或实施关闭。

和技术发展历程中的任何根本性转变一样，AI虽然会带来一些革命性的变化，但为了充分利用其潜力，设计师和工程师也需要学习并改变产品开发的方式。事实上，即使是最终用户，如果他们能够学习适应这种新技术，而不是以对待简单老式设备的方式来应对AI增强型产品，那么他们也会从强大的AI新工具中获益更多。这种观念上的改变需要经过深思熟虑的设计和市场推广，以及大量的终端用户教育。