據(jù)外媒(VentureBeat)報(bào)道，如果你是X戰(zhàn)警系列漫畫的粉絲，你一定對(duì)X教授的腦波增幅器(Cerebro)不陌生。這是一個(gè)虛構(gòu)的設(shè)備，X教授用它來觀察人類的腦電波，并根據(jù)個(gè)人的思維特征來識(shí)別變種人。如果腦波增幅器真的存在，是否是一件可怕的事呢，全球范圍的大腦閱讀是否會(huì)讓人們沉迷其中?

雖然目前人類尚未有能力打造這樣一款神器(量子糾纏神經(jīng)系統(tǒng))，然而社交網(wǎng)絡(luò)上鋪天蓋地的帖子卻正在從另一個(gè)方面展示著20億人的“大腦活動(dòng)”。只是我們?nèi)狈τ行У姆椒▉頇z查和分析這些變相呈現(xiàn)的腦波，蘊(yùn)藏其中的意義有待發(fā)掘。

在許多方面，軟件給人發(fā)聲提供了幫助?，F(xiàn)有工具能夠幫助消費(fèi)者和企業(yè)之間快速對(duì)話溝通。這些工具使得企業(yè)通過開放、真實(shí)的對(duì)話吸引客戶群體，并了解客戶的需求和關(guān)注點(diǎn)。

然而，仍然有許多研究有待展開，特別是在統(tǒng)觀層面。通常社交網(wǎng)絡(luò)會(huì)顯示房間里最響亮的聲音。我們的技術(shù)只是收集和呈現(xiàn)聲音，而未能深入探究其下的原因。表象之下的原因不會(huì)自動(dòng)呈現(xiàn)，而是需要復(fù)雜的推斷或者是冒險(xiǎn)的假設(shè)。

人們通常只是關(guān)注網(wǎng)絡(luò)言論和流行熱詞，而不能深入理解它。知道當(dāng)下在發(fā)生什么并不等同于對(duì)當(dāng)下人事的充分理解?，F(xiàn)實(shí)人事是三維的，并非口頭言語那么簡(jiǎn)單。

在過往，我們精密的算法和高超的技術(shù)從業(yè)者不足以把握人心和探究聯(lián)系因果的精微。以最近的美國大選為例，無論是復(fù)雜的民調(diào)，還是專家學(xué)者的分析，都沒能預(yù)測(cè)到最后的結(jié)果。在最后令所有人意外的結(jié)果出爐之后，各方又開始回過頭來試圖弄明白到底哪里出錯(cuò)了。有人認(rèn)為社交網(wǎng)絡(luò)對(duì)本此大選影響重大，答案也許就藏在數(shù)十億的社交帖子中。

有沒有可能使用人工智能來調(diào)查和獲得結(jié)論呢?試想一個(gè)隨時(shí)聽候差遣的AI，這個(gè)數(shù)字助理能夠分秒不斷地監(jiān)測(cè)和理解成千上萬的帖子，從紛亂信息中梳理出概要。

不過恐怕今日之AI尚不能勝任這個(gè)任務(wù)。

雖然我們的AI系統(tǒng)能夠抓取頭條新聞，但其能力常常有限。Uber等公司正在使用AI來讓自動(dòng)駕駛汽車更好地感知周圍環(huán)境，從而可以智能地轉(zhuǎn)彎或躲避行人。但它們永遠(yuǎn)不會(huì)長出翅膀?qū)W會(huì)飛行。谷歌打造的AlphaGo能夠擊敗人類最佳棋手，但關(guān)于圍棋的歷史文化它一無所知，它也無法“獨(dú)立”去進(jìn)行另一場(chǎng)比賽。

今天的“人工智能”一詞仍然是一個(gè)誤稱。牛津英語詞典對(duì)智能(intelligence)的定義為“獲取并應(yīng)用知識(shí)的能力”。以數(shù)字經(jīng)濟(jì)麻省理工學(xué)院(MIT)數(shù)字經(jīng)濟(jì)倡議的研究員兼AI意見領(lǐng)袖湯姆·達(dá)文波特(Tom Davenport)的話來說：“深度學(xué)習(xí)并不是深刻的學(xué)習(xí)。”另一位專家奧倫·埃佐尼(Allen Institute of AI)也有類似意見：“AI只是簡(jiǎn)單的數(shù)學(xué)的大規(guī)模執(zhí)行。”簡(jiǎn)單說，AI實(shí)質(zhì)只是一種強(qiáng)大的計(jì)算方式，并沒有達(dá)到人腦那種堪稱智能的方式。

那么，未來AI有沒有可能實(shí)現(xiàn)自足的智能水平呢?

目前的AI研究正朝著更深入的方向前進(jìn)。該領(lǐng)域的一個(gè)主要目標(biāo)是使機(jī)器偽裝成人類，并通過圖靈測(cè)試?，F(xiàn)在我們有了進(jìn)階版的圖靈測(cè)試：威諾格拉德模式挑戰(zhàn)(Winograd Schema Challenge)。圖靈測(cè)試檢驗(yàn)機(jī)器能否思考，而威諾格拉德模式進(jìn)一步檢測(cè)AI系統(tǒng)的常識(shí)推理能力以及對(duì)世界的運(yùn)作方式的了解程度。

威諾格拉德模式挑戰(zhàn)讓人們意識(shí)到當(dāng)下的AI水平并不像人們?cè)O(shè)想的那樣順利。為了理解這個(gè)測(cè)試，我們來看看今年O’Reilly AI大會(huì)上的一個(gè)例子：

“大球穿過桌子是因?yàn)樗砂l(fā)泡膠制成”和“大球穿過桌子是因?yàn)樗射撝瞥?rdquo;。兩句話中“它”各指什么?這個(gè)問題隨便一個(gè)7歲的小孩子都能答得出。然而AI卻不具有思索貫通的能力，相反它只會(huì)從網(wǎng)絡(luò)上搜索大量信息，然后給出“它”的定義。

只有當(dāng)AI實(shí)現(xiàn)更接近人類的深度學(xué)習(xí)和理解能力時(shí)，使用AI來處理人腦力不能及的龐大數(shù)據(jù)才能成為可能。

像威諾格拉德模式挑戰(zhàn)這樣的測(cè)試能夠敦促AI更好地理解語言暗示和事物之間的關(guān)聯(lián)?；镜恼Z言理解能力是實(shí)現(xiàn)強(qiáng)智能的基礎(chǔ)。只有在此之上，獨(dú)立習(xí)得和應(yīng)用知識(shí)才能成為可能。

目前的AI只是略微超過了圖靈測(cè)試的水準(zhǔn)，未來還有很多工作要做。