Published on:
追溯人工智能的崛起：从人类的好奇心到认知革命
“作为一名记者，我一直对世界充满深度的好奇。”中国媒体人杨澜以这些话拉开了纪录片《探寻人工智能》的序幕，开启了一场由越来越多定义我们时代的疑问所驱动的旅程：机器会变得比人类更聪明吗？人工智能有一天会取代我们吗？技术能在多大程度上扩展人类智慧的边界？
这些问题在 2016 年变得具有全球紧迫性，这一年被广泛认为是人工智能的爆发时刻。从大数据和云计算到深度学习和自主系统，AI 迅速从实验室走向公众视野。
一个标志性事件是 AlphaGo 击败世界冠军李世石（Lee Sedol）的历史性对弈，这象征着人类对机器智能看法的转变。
语言、认知与机器思维
人类智能通过语言进化。大约 7 万年前，复杂语言系统的发展使人类能够描述环境、交流抽象思想并建立社会。这场“认知革命”从根本上重塑了文明。
纪录片提出了一个平行的问题：机器如何理解语言？
早期的尝试规模较小。1952 年，贝尔实验室（Bell Labs）的科学家教机器识别 10 个英文口语数字，并将其命名为“Audrey”。虽然这具有开创性，但距离真正的自然语言理解还很遥远。进展是渐进的，且往往受到有限的数据和计算能力的限制。
进展是渐进的，且往往受到有限的数据和计算能力的限制。
一个重大的转折点出现在 20 世纪 80 年代，当时李开复（Kai-Fu Lee）在卡内基梅隆大学开始了语音识别研究。他的工作引入了能够理解多位发言者连续语音的系统——这是通往自然人机交互的关键一步。机器首次能够以类似于真实对话而非孤立指令的方式处理口头语言。
从基于规则的系统到深度学习
尽管取得了这些进步，语音和语言系统仍挣扎了数十年。突破出现在 21 世纪初，由一种新的范式驱动：深度学习。
2006 年，杰弗里·辛顿（Geoffrey Hinton）发表了关于深度神经网络的有影响力的研究，其灵感源自人脑结构。他的工作强调了规模——更大的模型、更多的层级以及海量的数据。这种方法引起了邓力（Deng Li）等研究人员的共鸣，他证明了当与大数据集和现代计算能力相结合时，语音识别的错误率可以大幅下降，在早期实验中甚至下降了 20% 以上。
20 世纪 90 年代阻碍神经网络发展的不是理论缺陷，而是数据和计算资源的不足。随着互联网产生海量数据集以及处理能力的提升，深度学习突然蓬勃发展。曾经看似棘手的问题开始迎刃而解。
机器进入物理世界
纪录片还探讨了人工智能如何超越软件进入物理环境。在斯坦福大学的人工智能实验室，类人机器人 PR2 执行诸如在走廊穿梭、使用电梯以及为研究人员买咖啡等任务。
它的设计并非为了模仿人类，而是为了与以人类为中心的世界高效互动——观察、抓取并施加受控的力量。
这反映了机器人技术更广泛的转变：机器不再局限于工厂。它们正在学习与人类共存，适应复杂的非结构化环境。
加速人类智能
在走访了五个国家的 30 多个人工智能实验室并采访了 80 多位领军人物后，杨澜得出的结论是，人工智能不仅仅是为了取代人类智能。相反，它加速了它。
从语音识别和语言理解到机器人技术和深度学习，AI 已成为扩展人类能力的工具。核心问题不再是 AI 是否会改变社会，而是人类选择如何塑造这种改变。
