Published on:
追溯人工智慧的興起：從人類的好奇心到認知革命
「身為一名記者，我對世界始終充滿好奇。」透過這些話，中國媒體人楊瀾為紀錄片《探尋人工智能》揭開序幕，開啟了一場由定義我們時代的問題所驅動的旅程：機器是否正變得比人類更聰明？人工智慧是否有一天會取代我們？以及科技能將人類智慧的邊界擴展到多遠？
這些問題在 2016 年變得全球緊迫，這一年被廣泛認為是人工智慧的爆發時刻。從大數據、雲端運算到深度學習與自主系統，人工智慧迅速從實驗室走進大眾視野。
一個標誌性事件是 AlphaGo 擊敗世界冠軍李世乭的歷史性對決，象徵著人類對機器智慧認知的一種轉變。
語言、認知與機器思維
人類智慧透過語言演化。大約 70,000 年前，複雜語言系統的發展讓人類能夠描述環境、交換抽象想法並建立社會。這場「認知革命」從根本上重塑了文明。
這部紀錄片提出了一個平行的問題：機器如何理解語言？
早期的嘗試較為簡單。1952 年，貝爾實驗室的科學家教會機器辨識十個英文口說數字，並將該系統命名為「Audrey」。雖然這具有開創性，但離真正的自然語言理解仍有很大距離。進展是漸進的，且常受限於數據和算力的不足。
進展是漸進的，且常受限於數據和算力的不足。
一個重要的轉折點出現在 1980 年代，當時李開復在卡內基梅隆大學開始了語音辨識研究。他的工作引入了能夠理解多人連續語音的系統——這是邁向自然人機互動的關鍵一步。機器第一次能夠以類似真實對話而非孤立指令的方式處理口說語言。
從規則導向系統到深度學習
儘管取得了這些進步，語音和語言系統仍掙扎了數十年。突破出現在 2000 年代中期，由一種新的範式驅動：深度學習。
2006 年，傑弗里·辛頓（Geoffrey Hinton）發表了關於深度神經網絡的有影響力的研究，靈感源自人腦結構。他的工作強調了規模——更大的模型、更多的層次以及海量的數據。這種方法引起了像鄧力（Deng Li）這樣的研究人員的共鳴，他證明了當結合大數據集和現代算力時，語音辨識的錯誤率可以大幅下降，在早期實驗中甚至下降了超過 20%。
在 1990 年代阻礙神經網絡發展的並非錯誤的理論，而是數據和計算資源的不足。隨著網路產生海量數據以及處理能力提升，深度學習突然蓬勃發展。曾經看似棘手的問題開始迎刃而解。
機器進入物理世界
紀錄片還探討了人工智慧如何跨越軟體，進入物理環境。在史丹佛大學的人工智慧實驗室，類人機器人 PR2 執行各種任務，例如在走廊穿梭、使用電梯以及為研究人員購買咖啡。
其設計並非為了模仿人類，而是為了在以人類為中心的世界中高效互動——觀測、抓取並施加受控的力量。
這反映了機器人技術更廣泛的轉變：機器不再侷限於工廠。它們正學習與人共處，適應複雜且非結構化的環境。
加速人類智慧
在造訪了五個國家的 30 多個人工智慧實驗室並採訪了 80 多位領軍人物後，楊瀾得出結論：人工智慧不僅僅是為了取代人類智慧。相反地，它加速了人類智慧。
從語音辨識和語言理解到機器人技術與深度學習，人工智慧已成為擴展人類能力的工具。核心問題不再是人工智慧是否會改變社會，而是人類選擇如何塑造這種改變。
