人工智能
大多數個人電腦、智能手機和其他設備的硬件性能非常相似，由操作系統定義，通過下載其他軟件“學習”。早期計算機的學習完全依賴于與人類的交互，而現在則通過互聯網接收更新。

隨著越來越多的數據存儲到云端，服務器代理的作用不斷增強。這些代理負責計算密集型任務，類似于中樞神經系統。相反，面向消費者的電子產品正在改善它們的輸入/輸出能力，變得有點像外圍神經。

由此也衍生出了物聯網。在物聯網中，擁有數十臺高度專業化的微型設備，每臺只執行一項或幾項功能。基于云計算的中央“大腦”負責協調所有設備來控制房屋、工廠甚至整個區域。

相比之下，機器人技術專注于更加自主的主體。機器人必須實時處理復雜的現實情況。自動駕駛汽車就是典例:

圖中簡化了結構，真實的系統有超過100個傳感器，具有恒定的輸入流。自動駕駛汽車的設計是當今人工智能研究中最困難的領域之一。

面向消費者的機器人只是人工智能研究中的微小分支，是一個相對較新的趨勢，而大多數機器人是為工業和軍事需求設計的。與武裝無人機或核電站控制員的失誤相比，自動駕駛出租車的不當行為更像一場小型事故。此類系統的策略編程不依賴于黑盒算法，但其工作的每個方面均需要嚴格的數學規范。

量子世界（Quantum world）

量子力學是人工智能和生物智能的共同基礎。量子力學的出現，為以半導體為核心的計算機技術奠定了基礎。

300多年前發展起來的計算行星運動的數學方法作為了反向傳播和梯度下降的基礎。概率論、統計力學和矩陣力學成為了量子力學的基礎，是現代人工智能的近親。目前，深度學習就像煉金術，物理學則可以幫助我們更好地理解它。

雖然量子計算機還處于起步階段，但目前的實驗表明它能有效地加速處理某些優化問題。例如，玻爾茲曼機器是一種人工神經網絡，但難以在大多實際場景中進行應用，所以研究學者提出了一種受限的變體，成為最早的深度神經網絡之一。量子計算機則有可能結合玻爾茲曼機器和其它概率模型的全部計算能力。

理解量子力學非常難，概率振幅只是冰山一角。盡管許多人批評人工神經網絡的解釋性很差，但他們也無法直觀地描述量子力學。

生物智能（Biological Agents）
生物智能存在了約30億年。地球上數百萬種生物都有一個共同點:DNA。

DNA是細胞的“中樞神經系統”。人們認為，在基于DNA的生命出現之前就有基于RNA的生物體，它們在功能和結構上非常相似。

生物學家們在很長一段時間里都認為，約98%不編碼蛋白質的DNA是無用的。但后來的研究發現，它們在控制編碼DNA以適應動態環境中起著關鍵作用。DNA自身的某些部分可能會被甲基化失活，但這是可逆的，且在整個生命周期中發生多次。

現代科技已能合成和編輯我們想要的DNA，人工和生物智能已無太大區別。

細胞（Cells）
具有基本功能的細胞稱為原細胞：

它們代表了最初生命有機體的樣子。大約30億年前的地球環境模型表明，在足夠多的核苷酸中能夠捕獲脂類氣泡，從而產生第一個基因組，而基因組又能通過從周圍環境中捕獲營養物質實現復制。在積累了足夠數量的基因和其他化學物質后，這些氣泡在內部壓力的作用下分裂。

另一個簡單的例子是病毒。兩者的主要區別在于病毒不維持內部代謝，需要利用其他生物體進行自我復制。病毒的基因組通常很短，只編碼1到2個蛋白質。然而，病毒可以通過DNA交換與宿主進行“交流”，這一過程稱為水平基因轉移。許多單細胞生物都有這種能力，它在整個進化過程中扮演著重要的角色。

相比之下，細菌可以對不同的化學物質，光，壓力，溫度等進行感應。許多細菌在分子水平上具有類似于普通內燃機的運動機制。

此外，它們有相當強的溝通能力，可以成群結隊地聚集在一起，能借助自身基因組和周圍的蛋白質消化大量的營養物質，并執行相當復雜的行為。它們的結構與原細胞和古細菌非常相似。

真核細胞與此相反，它們有許多細胞器。其中，像線粒體和葉綠體都有自己的DNA片段，在過去可能是獨立的生物體。此外，線粒體在克雷布斯循環中發揮著至關重要的作用，能夠促進新陳代謝。

真核細胞內部結構雖然復雜，但缺乏自行移動的能力。動物細胞也缺乏葉綠體和細胞壁，使其失去自主性。生物細胞雖然逐漸失去了獨立生存的能力，但卻獲得了更為復雜的“社會”能力。

細胞通過動作電位對環境變化做出快速反應。當傳感器檢測到化學物質、壓力或其他刺激時，細胞膜電勢迅速變化。

但動作電位信號僅限于源細胞和與其有直接膜-膜連接的細胞。它可以通過信號分子傳遞給其他細胞，但過程耗時長。大多數動物進化出了專門的細胞——神經元克服該問題。

神經元形狀各異，可以長出新的突觸或移除舊的突觸。外圍神經元通常只有幾百個連接，而中間神經元的連接可能超過10000個。這些機制使它們能夠快速移動信號，并通過調整突觸強度進行轉換。此外，脊椎動物的許多軸突都有髓鞘，可以使電位移動得更快，同時激活更少的膜通道，節省能量。

下面介紹到目前為止研究得最好的神經系統之一，線蟲：

研究人員對其進行了長達50年的剖析，了解其全部302個神經元的詳細結構，其中包含5000多個突觸：

即使只有302個神經元，研究人員也很難判斷它們在做什么。它們持續地“學習”，且功能可能會實時變化，而人類大腦擁有數十億個細胞。

考慮到復雜性，神經科學的大多數研究都集中在特定的區域、通路或細胞類型上。大多數進化的舊結構負責呼吸、心跳、睡眠/蘇醒周期、饑餓和其他重要功能。大腦皮層是最受研究人員關注的。

大腦皮層是一層折疊的層狀薄片，厚度約為2-3毫米，大腦的其他部分被一塊類似于餐巾紙的結構所覆蓋。

大腦皮層涉及一些高級認知功能，如語言、意識、計劃等。新皮層約占大腦皮層的90%。

另一研究充分的區域是海馬體：

所有的脊椎動物都有一個類似的結構叫做蒼白球，但哺乳動物有一個更進化的版本，海馬體。它在空間記憶和情景記憶中起著至關重要的作用，其功能類似一個時空地圖。有了這張地圖，大腦就可以把復雜的記憶儲存在專門用于視覺、聽覺和其他表現形式的區域。

最初對大腦的研究集中在損傷外傷和內部損害上。在大腦皮層中，大腦區域缺失和認知功能缺失之間的相關性較弱。研究結果表明，記憶分布在整個大腦皮層，甚至在手術切除鄰近神經元的某些部分后，還可以重新學習缺失的功能。研究人員提供了如下區域圖:

但上圖在實際和理論兩方面都缺乏精確性。在實驗環境中，你可以刺激大腦的某一部分，觀察其反應。但是，除了主要的感覺和運動區域外，得到的結果并不準確。另一方面，功能性磁共振成像可以跟蹤受試者，判斷在執行某些任務時大腦的活躍部分，但這些區域并非專門處理特定任務，結果也不準確。同時，功能性磁共振成像實際上是在測量氧氣的供應水平，所以僅僅測量單個神經元的活動水平是不夠的，就像這樣:

?

大腦活動的另一個有趣的特征是它以波的形式進行：

以上研究能夠幫助理解和治療神經系統疾病，卻并不能描述人類的行為。但是，這種自下而上的思維研究方法仍然取得了重大發現，比如基于神經活動來預測一個人的選擇，以及大腦沒有“中心”部分。

從心理學角度分析，人類行為在很大程度上受到遺傳、文化和環境因素的影響。智商及智商測試方法是其中最著名的研究成果。雖然有理論試圖對智力做出解釋，如多元智能理論，智力的三位一體理論等，但并未被廣泛接受。

這些理論的主要問題在于沒有提供一種定量證明的方法。即使是像走路或說“嗨”這樣簡單的行為，涉及到的神經結構也極其復雜，再加上考慮到每個細胞內DNA和其他生物機制的復雜性，對神經科學研究的做出心理學解釋往往比實驗本身還要復雜。

什么是智能？
答案雖然多樣，但到目前為止都沒有一個被廣泛接受的統一理論。也許AIXI和IIT的結合會推動其產生。要把兩者結合起來，需要一個獎勵的概念，這個概念可能來自醫學和經濟學，適用于每一種人工和生物智能。

當前幾乎所有的智能衡量都基于某些任務的性能，這在瞬息萬變的現實環境中不夠靈活。或許，將意識定義為“任何可能的經驗”，以及與AIXI背后的智能框架相關聯的IIT框架，可以提供一幅更廣闊的認知圖景。
任何主體工作都可以被描述為量子系統的波函數，但這不僅難以計算，還對習得的中間表征以及生物智能和人工智能的解釋提出了巨大的挑戰。

雖然人工智能的進步和對人類智能的深層次理解有著巨大的應用前景，但仍存在一些挑戰：
1、?隱私（Privacy）
2、?偏差（Bias）
3、?一致性（Alignment）：大多數人工智能訓練都是基于效用最大化或誤差最小化，而這些目標函數并不能代表所有的人類價值和道德。
4、?替代（Displacement）：科技取代人類完成特定任務已經有一段時間了，但人類的進化比人工智能要慢得多。
5、?網絡攻擊（Cyberattacks）
6、?心理工程（Psycho-engineering）：大量的心理實驗和歷史教訓表明，即使沒有任何暴力傾向的人，如果被適當地操縱，也會對別人造成傷害。

?

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的到底什么成就了今天的人工智能？（下）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。