近年來的三大突破推動了人們期待已久的人工智能的到來。

　　1. 廉價的并行計算

　　思考天然就是一個并行過程，數十億神經元同時運作來創造同步的皮層計算波。為了打造作為AI軟件主要架構的神經網絡，需要多個不同的進程同時進行。神經網絡的每一個節點都大致代表大腦的一個神經元，與周邊節點互動，理解接收到的信號。為了理解一個說出來的詞，程序必須能聽到所有相關的音素；為了識別一張圖片，它需要看到每一個像素以及周邊像素；這些都是需要深度并行計算的任務。但直到最近，通常的計算機芯片都只能一次處理一項任務。

　　這一切從十多年前就開始改變了，圖形處理單元（GPU）芯片的出現，可以用來滿足視頻游戲中繁重的視覺和并行計算需求，即每秒需要多次重新計算數百萬像素。這一任務需要一塊專門的并行計算芯片，作為PC主板的補充。這種并行圖形處理芯片奏效了，游戲性大幅飆升。到2005年，GPU價格大降。2009年，斯坦福大學的吳恩達（Andrew Ng，現已加入百度）及其團隊意識到，GPU芯片可以并行運行神經網絡。

　　這一發現釋放了神經網絡新的可能性，使得神經網絡節點的連接數可達數億。傳統處理器計算一個一億節點神經網的所有級聯可能性需耗時數周。而吳恩達發現，一個GPU集群完成同一任務只需一周。如今，諸多使用云的公司使用運行在GPU之上的神經網絡，比如識別照片中用戶好友的Facebook，為其5000萬訂戶提供可靠推薦的Netflix。

　　2. 大數據

　　每一種智能都需要教育。就算是天生能進行分類的人腦，也需要看到十幾個例子，才能分辨貓和狗。這一點對于人工智能而言更是如此。即便是編得最好的程序也需要玩至少一千局國際象棋才能表現良好。AI突破的部分原因是我們收集到的海量數據，為訓練AI提供了所需的材料。巨型數據庫、自追蹤、網絡cookie、在線足跡、TB級存儲、十幾年的搜索結果、維基百科以及整個互聯網都成了讓AI變得更聰明的老師。

　　3. 更好的算法

　　數字化神經網絡發明于20世紀50年代，但計算機科學家們花了數十年時間來駕馭100萬到1億個神經元之間龐大的組合關系。解決問題的關鍵是按層來組織神經網絡。就比如識別人臉這個相對簡單的任務。當一個神經網絡中有一組比特被發現符合某個模式（比如眼睛）時，這一結果就會傳輸給神經網絡的另一層來進一步解析。下一層可能會將兩只眼睛組合到一起，然后將這一有意義的結果傳輸給下下一層，而下下一層又可以將這一結果與鼻子的模式聯系在一起。識別一個人臉可能需要幾百萬個節點（每個節點都會生成供周圍節點使用的結果），層數可達15層。2006年，當時供職于多倫多大學的Geoff Hinton對這一方法進行了一次關鍵改良，并將它命名為“深度學習”。他能從數學上優化每一層的結果，從而使學習速度加快。幾年后，深度學習算法被移植到GPU上，速度提升巨大。深度學習算法并不足以保證復雜的邏輯思考，但它是目前所有AI必不可少的組成部分，包括IBM的Watson、Google的搜索引擎以及Facebook的算法。　

　　這一由并行計算、大數據和深度學習算法組成的完美風暴使得進行了60年的AI一夜成真。而這一交叉也表明，只要這些技術趨勢延續下去（也沒有理由不延續），AI將繼續得到改進。

　　隨著改進的繼續，這一基于云的AI將日益成為我們日常生活不可或缺的一部分。但這一切都有代價。云計算遵循收益遞增的法則（有時候也被稱為網絡效應），即網絡越大，增長越快。網絡越大，對新用戶的吸引力就越大，從而使得網絡變得更大，這又進一步增大了吸引力，如此往復。提供AI的云也遵循同樣的法則。越多人使用AI，AI就會變得越聰明。一旦一家公司進入這一良性循環，它就會變得更大，增長得更快，沒有任何新興競爭對手能與之匹敵。因此，未來的AI將由兩到三家大的通用云AI公司統治。

　　半人半AI

　　1997年，Watson的前任深藍擊敗了當時的國際象棋大師Garry Kasparov。在機器又勝了幾場類似的比賽后，人類基本上失去了對此類比賽的興趣。你可能以為這就是故事的結局了，但Kasparov意識到，如果自己也能像深藍一樣立刻訪問此前國際象棋棋局的海量數據庫，他能表現得更好。如果這一數據庫工具對于AI來說是公平的，為什么人類不能用呢？為了探索這一想法，Kasparov率先倡導人加機器比賽的概念，即用AI增強人類國際象棋選手，而不是人類對抗機器。

　　如今這類比賽被稱為自由風格國際象棋比賽，選手們可以使用任意對抗技術，可以單人上，也可以完全按照國際象棋計算機的要求移動棋子，或者如Kasparov 所倡導的成為“半人半AI”選手。“半人半AI”選手將聽取AI提供的下棋建議，但通常會不顧這一建議，就像我們在汽車上使用GPS導航一樣。在2014年的自由風格國際象棋冠軍賽中，純粹的國際象棋AI引擎贏了42場比賽，而“半人半AI”選手贏了53場比賽。現在最優秀的國際象棋選手就是“半人半AI”的Intagrand，這是一個由人類和多個國際象棋程序組成的團隊。

　　但最令人驚訝的是：AI的出現并沒有降低純人類國際象棋選手的表現。相反，便宜、超級聰明的國際象棋程序激發了更多人來玩國際象棋，聯賽場數增多，選手們也變得更好了。現在的國際象棋大師人數是深藍擊敗Kasparov時的兩倍多。如今排名第一的人類國際象棋選手Magnus Carlsen接受了AI的訓練，他被視為最像計算機的人類國際象棋選手，同時也是有史以來排名最高的人類國際象棋大師。

　　AI定義了人類

　　如果AI能幫助人類成為更好的國際象棋選手，它也能幫助我們成為更好的飛行員、醫生、裁判和老師。大多數由AI完成的商業工作都將使用專門的軟件AI，比如某個AI能將任意語言翻譯成另一語言，但在其他方面就無能為力了；能開車，但不能對話；或者能回憶起YouTube上所有視頻的每一個像素，卻不能預測用戶的日常工作。在未來10年中，人們直接或間接打交道的AI中有99%會是高度專一的專家AI。

　　事實上，這并非真正的智能，起碼不是我們所認為的智能。實際上，智能可能是一種傾向，尤其是如果我們認為“智能”是自我意識的話。我們希望自動駕駛汽車只專注于道路，而不是和車庫爭論。醫院里的Watson應該專心于自己的工作，而不是想是否應該先主修英語。隨著AI的發展，我們可能要預防AI產生意識，最高級的AI服務可能會以無意識來標榜自己。

　　相反，我們想要是人工智慧而非智能。與通常的智能不同，智慧專注、可度量，具有專門性。智慧也能以完全不同于人類認知的方式思考。這種非人類思考方式的有趣例子是，IBM研究人員在今年3月的西南偏南大會上演示了用Watson生成菜譜。其中一個菜譜是使用了酸橘汁腌魚和油炸車前草的炸魚和薯條。有人試吃了后，感覺味道還不賴！人類可能根本就想不到這種菜譜。

　　非人類智能不是問題，而是功能。AI的主要優點就是它們的異類智能。AI思考食物的方式與大廚不同，從而也能讓我們以不同的方式思考食物，思考制造材料、衣服，思考金融衍生物，或是任一門類的科學和藝術。人工智能的異類性對我們的價值將比其速度或力量更大。

　　AI將幫助我們更好地理解智能。過去，我們會說超智能AI將駕駛汽車，或是在國際象棋大賽上擊敗人類。而一旦AI做到這些事情，我們就覺得這些成就并不足以稱之為真正的智能。AI取得的每一次成功都重新定義了自己。

　　但我們不只是在重新定義AI的含義，我們也在一直重新定義人類的含義。在過去60年中，隨著機械加工復制了我們曾以為只有人類具有的行為和能力，我們不得不改變之前將人類與機器區分開的看法。隨著更多種類AI的發明，我們將被迫放棄更多被視為只有人類具有的東西。我們將在接下來的十年或一個世紀中面對一場永久的身份危機，不斷追問人類存在的意義。最諷刺的是，日常使用的實用性AI帶給人類最大的好處不是增加了效率，帶來了豐饒經濟，或是進行科學研究的新方式，而是幫助定義人類。我們需要AI來告訴我們是誰。