人工智能和机器人技术是非常近期的技术，对我们的世界存在风险。它们的能力正在迅速发展，并将其发展意图的源头转向其他维度。当人类回顾人工智能和机器人技术的过去历史时，人类可以审视并理解其目标和意图，即在不同环境和情况下使生活更轻松并协助人类。然而，目前以及不久的将来，由于机器人和人工智能发明者及专家态度的改变，以及基于人工智能能够获取和适应环境的自然特性，它们可能会变成捕食者，并使生物面临风险。它们还可能继承生物的全部天性。因此，最终它们将创造自己的新宇宙，或使我们宇宙的命运处于危险之中。
关键词人工智能、宇宙命运、智能、机器人技术
人工智能描述了机器的工作过程，如果这些过程由人类完成，则需要智能（Wisskirchen等，2017年）。因此，“人工智能”这一术语意味着“研究智能的问题解决行为并创建智能的计算机系统”。
有两种智能：• 弱人工智能：计算机仅仅是用于研究认知过程的工具——计算机模拟智能。• 强人工智能：计算机中的过程是智能的、自我学习的过程。计算机可以通过合适的软件/编程“理解”，并能够根据其先前的行为和经验优化自身行为。这包括与其他机器的自动联网，从而产生显著的扩展效应。
根据美国机器人协会（1979年）的定义，机器人是：“一种可重新编程的、多功能的操作机，通过各种编程动作来移动材料、零件、工具或专用设备，以完成多种任务”（Bansal等，2017年）。在韦氏词典中可以找到一个更具启发性的定义。根据韦氏词典，机器人是：“一种执行通常由人类完成的功能的自动装置，或以人类形态出现的机器。”机器人可以被定义为一种由电子、电气或机械单元组成的可编程、自控设备。更广义地说，它是一种代替生物代理运行的机器。机器人特别适用于某些工作职能，因为与人类不同，它们从不感到疲劳；能够承受不适甚至危险的物理条件；可以在无空气环境中运行；不会因重复而感到无聊；并且不会分心于当前任务之外的事情。
机器人技术可以被定义为用于制造机器人的知识与技术领域。机器人技术是工程学的一个分支，涉及机器人的构想、设计、制造和操作。该领域与电子学、计算机科学、人工智能、纳米技术和生物工程相互交叉。机器人技术是允许构建机器人的知识与技术领域。机器人被设计用来代替人类执行各种任务——例如，在工厂装配线上，或执行前往火星或其他危险地点的任务——机器人不仅仅是简单的计算机：它们必须能够感知并响应环境中的变化。
机器人技术智能能高效地应用于广泛的工业领域，这是通过机器人任务的自动化实现的，并且其在应对各个领域最高要求方面的关键技术专长，可带来成本效益高且安全可靠的运营流程。• 可靠地推进设备功能及其控制，以触发各种自动化应用，并加强设备的循环利用，从而提高其按需能力。• 倾斜且受控的机械化布局，以减少运输并高效整合物理与计算机化工件单元。• 由信息技术支持的制造设备，用于在开发与设计、培训及工具维护中实现工件与制造的同步。• 利用机器人测试电子设备（计算机视觉、电子测试设备），以实现100%的卓越品质。• 像粘接、涂覆、连接、布线等先进的工业化工艺；这些是机器人移动和控制的关键工具，同时适用于大规模产品以及机器人的引导和控制。在此，基于激光的工艺将在连接、涂覆、切割和表面处理方面发挥越来越重要的作用。
本文分为九个部分，随后是建议、结论、致谢和参考文献。第2节详细描述了机器人技术和人工智能的历史。第3节对机器人技术和人工智能进行了详细解释。第4节和第5节分别讨论了机器人技术和人工智能的各个发展阶段，以及人工智能技术与相关学科。第6节详细阐述了人工智能和机器人技术的局限性。第7节和第8节分别探讨了弱人工智能与强人工智能及机器人技术，以及政府对人工智能和机器人技术的影响。最后，第9、10和11节分别涉及主要科技公司的人工智能与机器人技术、人工智能与机器人技术所使用的编程语言，以及人工智能与机器人技术带来的风险与担忧。
计算机的诞生始于首批计算器的开发，从巴贝奇的机械计算器到托雷斯‐克韦多的机电式计算器（Perez等，2017年）。自动机理论的黎明可追溯至第二次世界大战时期的“密码破译者”。在不知道转子位置的情况下，对恩尼格玛机器的德文三字母密码进行解码所需的大规模运算，证明手动解决极具挑战性。自动机理论被引入计算领域后，催生了第一批用于执行生成、编码、存储和处理信息等操作的逻辑机器。事实上，这四项任务正是人类所执行的信息处理基本操作。拉蒙·卡哈尔的开创性工作标志着神经科学的诞生，尽管在他之前，许多神经系统结构和刺激响应机制已被发现并研究。历史上首次提出了“神经元”的概念。
麦克库洛赫和皮茨进一步发展了自动机理论与神经科学之间的联系，提出了第一个人工神经元，这一概念数年后催生了第一个计算智能算法，即“感知机”。这一思想引发了巨大的当时著名科学家们的兴趣，比如现代计算机的先驱、为联结主义运动奠定基础的冯·诺依曼。
1956年的达特茅斯会议由马文·明斯基、约翰·麦卡锡以及两位资深科学家——克劳德·香农和IBM的内森·罗切斯特组织。在这次会议上，“人工智能”这一术语首次被提出，并作为该领域的名称（Perez等，2017年）。达特茅斯会议引发了一个发现新知识与无限制探索的新时代。当时开发的计算机程序被大多数人认为仅仅是“非凡的”；计算机能够求解代数问题、证明几何定理，并学会了说英语。当时许多人并不相信机器能表现出如此“智能”的行为。研究人员在私下和科学出版物中都表现出极大的乐观情绪。他们预测，在接下来的20年内将造出完全智能的机器。政府机构，如美国国防高级研究计划局（DARPA），正在对该新兴领域进行大量投资。值得一提的是，上述一些科学家以及当时的主要实验室，如洛斯阿拉莫斯（美国新墨西哥州），与军方有着密切联系，这种联系对人工智能创新产生了重要影响，正如二战期间布莱切利园（英国米尔顿凯恩斯）所起的作用，以及像冷战这样的政治冲突所产生的影响一样。
1971年，美国国防高级研究计划局（DARPA）资助了一个由语音识别领域领先实验室组成的联合体。该项目雄心勃勃地旨在创建一个具备大词汇量的全功能语音识别系统。20世纪70年代中期，人工智能领域遭受了激烈的批评和预算限制，因为人工智能研究的发展未能达到研究人员过高的期望。当承诺的成果未能实现时，对人工智能的投资逐渐减少。在令人失望的结果之后，美国国防高级研究计划局（DARPA）撤回了对语音识别的资金支持，加之机器翻译失败、联结主义被放弃以及莱特希尔报告等其他事件，标志着人工智能的第一个寒冬（莱特希尔，1973年）。在此期间，由于马文·明斯基对感知机的毁灭性批判（明斯基 & 帕佩特，1969年），联结主义在接下来的10年中陷入停滞。
从1980年到1987年，企业开始采用被称为“专家系统”的人工智能项目，知识获取成为人工智能研究的核心焦点。与此同时，日本政府启动了一项大规模的人工智能资助计划，即第五代计算机计划。联结主义也因约翰·霍普菲尔德（1982年）和大卫·鲁梅尔哈特等人（1985年）的工作而得以复兴。那些曾在1974年经历过第一次反弹的人工智能研究人员，对专家系统重新燃起的热情持怀疑态度，而他们的担忧最终被证明是有根据的。风向转变的第一个迹象是1987年人工智能计算机硬件市场的崩溃。苹果和IBM的台式机逐步提升了速度和性能，在1987年它们的性能已超过市场上最先进的Lisp机器。然而一夜之间，整个产业崩溃，损失达数十亿美元。专家系统的更新与重新编程困难，加上高昂的维护成本，导致了第二次人工智能寒冬。人工智能投资下降，美国国防高级研究计划局（DARPA）终止了其战略计算计划，称人工智能已不再是“最新潮流”。日本也因未达成既定目标而停止对其第五代计算机项目的资助。
20世纪90年代，一种名为“智能体”的新概念出现（伍尔德里奇 & 詹宁斯，2009）。智能体是一种能够感知其环境并采取行动以最大化成功机会的系统。智能体的概念首次传达了具有共同目标的智能单元协同工作的理念。这一新范式旨在模仿人类在群体、组织和/或社会中的集体协作方式。智能体被证明是一种更具多用途性的人工智能概念。20世纪90年代末，诸如从概率论、频率学派和可能性（模糊逻辑）等多个角度出发的统计学习领域被引入人工智能，以应对决策中的不确定性。这为人工智能带来了新一轮成功的应用，超越了专家系统在20世纪80年代所取得的成就。这些新的推理方式更适用于处理智能体状态和感知中的不确定性，并在控制领域产生了重大影响。在此期间，基于模糊逻辑控制的高速列车被开发出来（扎德尔，2015年），还有许多其他工业应用（例如工厂阀门、燃气和汽油储罐监控、自动变速系统和核电站反应堆控制）以及具有高级智能水平的家用电器（如空调、供暖系统、炊具和真空吸尘器）。这些与20世纪80年代的专家系统不同；通过学习实现任务推理系统的建模，催生了机器学习领域。然而，尽管机器推理表现出良好的性能，工程上仍然需要将输入空间转化为新的来源，以便智能能够更有效地进行推理。
在机电一体化、电气工程和计算领域取得的进展基础上，机器人技术正在发展出日益复杂的感知运动功能，使机器能够适应不断变化的环境。迄今为止，工业生产系统都是围绕机器组织的；机器根据其环境进行校准，并仅允许极小的变动。
如今，它可以更轻松地集成到现有环境中。机器人在环境中的自主性可以细分为感知、规划和执行（操作、导航、协作）。将人工智能与机器人技术融合的主要思想是通过学习来优化其自主性水平。这种智能水平可以通过预测未来的能力来衡量，无论是规划任务，还是通过操作或导航与世界进行交互。人们曾多次尝试制造具有智能的机器人。尽管创造一个具备类人智能的系统仍然遥不可及，但如今已存在能够执行特定自主任务的机器人，例如驾驶车辆（Rogers，2015）、在自然和人工环境中飞行（Floreano & Wood，2015）、游泳（Chen等，2014年）、在不同地形中搬运箱子和物料（Ohmura & Kuniyoshi，2007）、拾取物体（Kappasson等，2015）并将其放置到指定位置（Arisumi等，2010）。
人工智能在机器人技术中的另一个重要应用是感知任务。机器人可以通过集成传感器或计算机视觉来感知环境。在过去十年中，计算机系统已经提高了传感和视觉的质量。感知不仅对规划至关重要，而且有助于在机器人中创建一种人工的自我意识感，从而支持该机器人与同一环境中其他实体的交互。这一学科被称为社会机器人技术，涵盖两个广泛领域：人机交互（HCI）和认知机器人技术。HCI的愿景是改善机器人对人类的感知能力，例如理解活动（Asada, 2015）、情绪（Zhang等, 2013）、非语言交流（Mavridis, 2015），以及能够与人类一起在环境中导航（Kruse等, 2013）。认知机器人技术领域则致力于赋予机器人自主学习和从基于模仿与经验的高级感知中获取知识的能力。其目标是模拟调节知识获取和理解过程的人类认知系统，该过程通过经验和感官化实现（Mochizuki等, 2013）。在认知机器人技术中，还存在一些模型，通过引入动机和好奇心来提升学习过程中知识获取的质量和速度（Oudeyer, 2014；Chan等, 2015）。
此外，人工智能和机器人技术在当代已迅速发展，并应用于不同学科领域。例如：2019年3月（《遇见世界首位女性人工智能新闻主播，2019》），由中国政府控制的新华社宣布推出了其最新的人工智能新闻主播——一位女性形象的系统，名为新小萌。他们正与中国的搜索引擎公司搜狗合作开发新小萌。值得一提的是，2018年11月，该国营新闻机构在中国世界互联网大会上推出了男性形象的人工智能主播邱浩，其形象基于新华社真实的新闻主播。新华社和搜狗还宣布，他们已打造了一个改进版的男性形象人工智能系统，名为新小浩，能够比新小萌或邱浩更自然地做手势、站立和移动。
太空探险和发现（AI Applications，2019年）总是需要分析大量数据。人工智能和机器学习是处理和加工此类规模数据的最佳方式。经过深入研究，天文学家使用人工智能筛选开普勒望远镜多年获取的数据，以识别一个遥远的八行星太阳系。人工智能也正在被用于美国国家航空航天局下一次火星探测车任务——火星2020探测车。AEGIS是一种基于人工智能的火星探测车，已经位于这颗红色星球上。该探测车负责摄像头的自主目标定位，以便在火星上执行探测任务。
长期以来，自动驾驶汽车（AI Applications，2019年）一直是人工智能产业中的一个热门话题。自动驾驶汽车的发展必将彻底改变交通系统。像Waymo这样的公司在推出首个基于人工智能的公共叫车服务之前，已在凤凰城进行了多次试驾。该人工智能系统从车辆的雷达、摄像头、全球定位系统和云服务中收集数据，以生成控制车辆运行的控制信号。先进的深度学习算法能够准确预测车辆周围物体可能的行为。这使得Waymo的汽车更加高效且安全。另一个著名的自动驾驶汽车例子是特斯拉的自动驾驶汽车。人工智能通过实现计算机视觉、图像检测和深度学习，制造出能够自动识别物体并在无需人工干预的情况下行驶的汽车。
如今，虚拟助手（人工智能应用，2019年）已成为一项非常常见的技术。几乎每个家庭都拥有可控制家用电器的虚拟助手。例如Siri、Cortana等，因其提供的用户体验而越来越受欢迎。亚马逊的Echo就是一个如何利用人工智能将人类语言转化为理想操作的实例。该设备使用语音识别和自然语言处理技术，可根据您的指令执行各种任务。它不仅能播放您喜欢的歌曲，还可用于控制家中设备、预订出租车、拨打电话、订购您喜爱的食物、查看天气状况等等。
另一个例子是谷歌最新发布的虚拟助手Google Duplex，它已经震惊了数百万人。它不仅能响应电话并为您预约，还能增添人性化的感觉。该设备使用自然语言处理和机器学习算法来处理人类语言，并执行管理您的日程、控制您的智能家居、预订等任务。
迄今为止，人工智能的发展经历了多次乐观（春天）与悲观或消极（冬天）的周期循环：• 人工智能的诞生（1952‐1956）：在“人工智能”这一术语出现之前，控制论和神经网络领域已经取得了进展，开始引起科学界和公众的关注。达特茅斯会议（1956）正是这种日益增长的兴趣的结果，并由此开启了人工智能的黄金时代，该领域充满了高度乐观的情绪。• 第一个春天（1956‐1974）：当时的计算机能够解决代数和几何问题，还能说英语。该领域的进展被形容为“令人印象深刻”，整个领域弥漫着普遍乐观的氛围。该领域的研究人员认为，在接下来的20年内将造出完全智能的机器。• 第一个冬天（1974‐1980）：当公众和媒体开始质疑人工智能的承诺时，寒冬便开始了。研究人员陷入夸大其词和预测的恶性循环中，但当时技术所面临的局限性是不可逾越的。美国国防高级研究计划局（DARPA）、国家研究委员会和英国政府等主要机构突然终止资金支持，导致了人工智能的第一个冬天。• 第二个春天（1980‐1987）：专家系统被开发用于通过利用专家推导出的逻辑规则来解决特定领域的问题。联结主义和神经网络在字符或语音识别方面也得到了复兴。这一时期被称为人工智能的第二个春天。• 第二个冬天（1987‐1993）：用于运行专家系统的专用机器被新型台式计算机所取代。因此，一些生产专家系统的公司陷入破产。这导致新一轮悲观情绪，终结了上一个春天启动的资金项目。• 幕后时期（1997‐2000）：从1997年到2000年，人工智能领域在幕后持续进步，因为没有再宣布新的数百万级项目。尽管缺乏重大资金支持，该领域仍继续前进，计算机性能和资源不断增强。在特定领域的新型应用被开发出来，“机器学习”的概念开始成为人工智能的基石。• 第三次浪潮（2000年至今）：自2000年以来，随着互联网和网页的成功，大数据革命开始兴起，并伴随着深度学习等新兴领域的发展。这一新时期被称为人工智能的第三次浪潮，目前看来似乎将持续下去。一些人甚至已经开始预测奇点即将到来——即一场智能大爆发，最终将产生超越人类智能的强大超级智能。这可能吗？
人工智能是研究领域的一个多样化领域，以下子领域对其发展至关重要。这些包括神经网络、模糊逻辑、进化计算和概率方法。
神经网络基于联结主义领域，主要目的是模仿神经系统处理信息的方式。人工神经网络（ANN）及其变体使得人工智能在“感知”相关任务上取得了显著进步。当与当前的多核并行计算硬件平台结合时，可以堆叠多个神经层，以在学习自身特征集的过程中提供更高层次的感知抽象，从而无需手工设计特征；这一过程称为深度学习（LeCun等，2015年）。深度分层 ANN 的局限性包括：1）所得学习模型的可解释性低；2）需要大量数据；训练这些神经模型通常需要大量的训练数据和强大的计算能力。
深度学习是机器学习的一部分，通常与深度神经网络相关联，这些网络由多层级的数据细节或数据表示学习构成。通过这些不同的层次，信息从低级参数传递到高级参数。这些不同层级对应于数据抽象的不同层次，从而实现学习和识别。一些深度学习架构，如深度神经网络、深度卷积神经网络和深度置信网络，已被应用于计算机视觉、自动语音识别以及音频和音乐信号识别等领域，并已在多种任务中展现出领先的成果。
模糊逻辑关注对通常不精确的信息进行处理。大多数计算智能原理都考虑到这样一个事实：尽管观测结果总是精确的，但我们对上下文的知识往往可能是不完整或不准确的，正如许多现实世界情况中那样。模糊逻辑提供了一个框架，用于在一组观测数据存在一定程度不精确的情况下进行操作，同时也提供了增强学习模型可解释性的结构元素（Zadeh, 1996）。它确实为形式化人工智能方法提供了一个框架，并且能够将人工智能模型便捷地转化为电子电路。然而，模糊逻辑本身并不具备学习能力，因此常与其他方面结合使用，例如神经网络、进化计算或统计学习。
进化计算依赖于自然选择原理，或集体行为的自然模式（Fogel，2006）。其中两个最相关的子领域包括遗传算法和群体智能。它对人工智能的主要影响在于多目标优化，能够产生非常稳健的结果。这些模型的局限性与神经网络类似，主要体现在可解释性和计算能力方面。
统计学习旨在使人工智能采用更经典的统计学视角，例如贝叶斯建模，将先验知识的概念引入人工智能。这些方法受益于从经典统计学领域继承的一系列经过充分验证的技术和操作，同时也为构建人工智能的形式化方法提供了框架。其主要缺点在于，概率方法将其推断表达为对总体的对应关系（Breiman，2001），而概率概念并不总是适用，例如在需要度量和处理模糊性或主观性时（Senn，2007）。
集成学习和元算法是人工智能领域中旨在通过结合多个弱基础学习器来提高模型准确性，同时降低其偏差和方差的研究方向。例如，与单一模型方法相比，集成方法在建模某些复杂模式时可以表现出更高的灵活性。一些著名的用于构建集成模型的元算法包括装袋法和提升法。集成方法可以利用大量的计算资源来训练许多基础分类器，从而增强模式搜索的分辨能力——尽管这并不总能保证获得更高的准确性。
基于逻辑的人工智能是人工智能中常用于任务知识表示和推断的一个领域。它可以通过形式逻辑来表示某个领域的谓词描述、事实和语义，这些结构被称为逻辑项目。通过归纳逻辑编程，可以从已知的背景知识中推导出假设。
当前的人工智能和机器人技术仅限于非常特定的应用（Perez等，2017年）。例如，人工智能的一个局限性在于缺乏“常识”；即判断超出其已有知识范围信息的能力。最近的一个例子是微软开发的用于在社交网络上进行对话的人工智能机器人 Toy。它在上线后不久就被迫断开连接，因为它无法区分积极和消极的人类互动。
人工智能在情绪智能方面也存在局限。人工智能只能检测基本的人类情绪状态，如愤怒、喜悦、悲伤、恐惧、痛苦、压力和中立。情绪智能是实现更高层次个性化的重要前沿之一。真正且完整的人工智能目前尚不存在。在此层次上，人工智能将模仿人类的认知，达到能够做梦、思考、感受情绪并拥有自身目标的程度。尽管目前尚无证据表明这种真正的人工智能能在2050年之前出现，但推动人工智能发展的计算机科学原理正在迅速进步，因此评估其影响非常重要，这不仅需要从技术角度出发，还需从社会、伦理和法律的角度进行全面考量。
在定义人工智能的能力时，通常将其分为弱人工智能或强人工智能（Perez等，2017年)。弱人工智能（也称狭义人工智能）旨在尽可能准确地重现观察到的行为。它能执行为其精确训练过的任务。此类人工智能系统可在自身领域内变得极为高效，但缺乏泛化能力。大多数使用机器学习、模式识别、数据挖掘或自然语言处理的现有智能系统都是弱人工智能的例子。基于弱人工智能的智能系统包括推荐系统、垃圾邮件过滤器、自动驾驶汽车和工业机器人。
强人工智能通常被描述为一种具有真实意识的智能系统，能够以与人类相同的方式进行思考和推理。强人工智能不仅能够像弱人工智能一样 assimilate 信息，还能够修改自身的运行机制，即能够自主地重新编程该人工智能以执行通用智能任务。这些过程由类人认知能力所调控，包括意识、感知能力、智慧和自我意识。旨在实现强人工智能的研究主要集中在未来全脑模拟上，然而这种方法受到了批评，因为智能不能简单地解释为源自单一器官的生物过程，而是一个复杂的融合体，涉及智能体与其环境之间通过相互关联的生物过程所产生的多种效应和交互。
政府机构和公共部门正在投入数百万资金以推动人工智能研究。例如，新加坡国家研究基金会正在投资1.5亿美元用于一项新的人工智能国家级项目。仅在英国，政府就通过新的产业战略，从2017年至2018年投入2.7亿英镑用于促进科学、研究和创新，并计划到2021年进一步追加47亿英镑的资金（Yang, 2017年）。这一及时的投资将使英国在全球顶尖技术领域中处于领先地位，并确保英国的技术创新能具备竞争力。最近人工智能的发展已引发金融服务业、银行业、市场营销与广告、医院以及政府管理等各个领域的重大投资。
事实上，截至2016年，软件和信息技术服务在全球所有人工智能投资中占比超过30%，而互联网和电信公司分别以9%和4%紧随其后（Inc，2016）。
还需要注意的是，过去三年中，人工智能安全、伦理以及战略/政策领域的资金几乎翻了一番（Farquhar，2017年）。除了未来生命研究所（FLI）和机器智能研究所（MIRI）等非营利组织外，还涌现出一些新的研究中心，例如人类兼容人工智能中心和未来智能研究中心，它们与主要科技公司共同在2016年投入了总计660万美元的资金。
大型科技公司正在投资语音识别、自然语言处理和计算机视觉的应用。深度学习带来的机器学习算法性能显著提升，利用改进的硬件和传感器技术，通过“大数据”中获取的大量信息来训练人工网络（Andreu‐Perez等，2015年；Ravi等，2017年）。当前最先进的人工智能使得各种流程自动化成为可能，并催生了新的应用，有望彻底改变商业世界的运作方式（图3、4和5）。因此，经济增长潜力巨大，仅在2014年至2015年间，谷歌、微软、苹果、亚马逊、IBM、雅虎、Facebook 和推特就至少收购了26家开发人工智能技术的初创企业和公司，总成本超过50亿美元。
2014年，谷歌收购了位于伦敦的深度学习初创企业DeepMind，交易金额超过5亿美元，创下了人工智能研究领域企业投资的学术标准纪录。事实上，自2012年以来，DeepMind已发表了140多篇期刊和会议论文，并在《自然》杂志上发表了四篇文章。DeepMind的一项成就是开发出能够创建通用软件代理的人工智能技术，这些代理仅基于累积奖励来调整自身行为。这种强化学习方法在许多方面超越了人类水平的表现，并通过击败世界围棋冠军得以证明，成为人工智能发展史上的一个里程碑事件。IBM开发了超级计算机平台沃森，具备从大量非结构化数据中进行文本挖掘并提取复杂分析的能力。为了展示其能力，IBM的沃森于2011年在热门智力竞赛节目“危险边缘！”中击败了两位顶级选手，该节目要求参赛者根据特定答案猜出问题。尽管信息检索对计算机系统而言较为简单，但自然语言理解仍然是一个挑战。这一成就对网页搜索性能以及人工智能系统与人类交互的整体能力产生了重大影响。2015年，IBM收购了AlchemyAPI，将其文本和图像分析能力整合到IBM沃森的认知计算平台中。该系统已被用于处理法律文件并为法律事务提供支持。专家认为这些能力可以变革当前的医疗保健系统和医学研究。
顶级人工智能公司的研究集中在开发能够可靠地与人交互的系统。通过实时语音识别和翻译功能，交互正变得更加自然。到2020年，机器人顾问应用在全球人工智能市场居于首位，预计达到2550亿美元（Inc，2016年）。主要公司已经推出了多个虚拟助手。例如，苹果提供Siri和亚马逊Alexa，微软提供Cortana，谷歌则拥有谷歌助手。
2016年，苹果公司收购了初创企业Emotient Inc.，这是一家利用人工智能技术通过分析面部表情来识别人类情绪的公司。DeepMind开发了WaveNet，这是一种可以模仿人类声音的生成模型。根据该公司网站的说法，这听起来比现有的最佳文本转语音系统更加自然。Facebook也在考虑将人机交互能力作为实现通用人工智能的前提条件。最近，一家非营利组织OpenAI已获得资金支持，作为缓解强人工智能垄断风险战略计划的一部分。OpenAI重新设计了进化算法，使其能够与深度神经网络协同工作，从而提供最先进的性能。由于它提供了类似于谷歌DeepMind发布的深度学习库TensorFlow的开源机器学习库，因此被认为可与DeepMind竞争。然而，OpenAI与其他私营科技公司在所开发技术上的一个重大区别在于，其所创造的知识产权对所有人都是开放的。尽管包括DeepMind和OpenAI在内的多家公司和组织都设想了解决智能创造以及所谓强人工智能的问题，但开发具有自我维持长期目标的机器仍远远超出当前技术水平。此外，关于我们现在是否正处于一个人工智能泡沫之中还存在激烈争论，这种悖论体现在：尽管过去十年间技术进步与创新激增，美国的生产力增长却出现了下降。目前尚难以理解这究竟是反映了统计缺陷，还是当前的创新变革力度不足。这种下降也可能归因于缺乏一致的政策框架和安全标准，而这些框架和标准本应能推动人工智能在具有重大影响的项目中的应用（表1）。
编程语言在20世纪50年代末以来的人工智能发展过程中发挥了重要作用，多个团队开展了重要的人工智能研究项目；例如自动推理程序和游戏程序（国际象棋，西洋跳棋）（McCarthy, 1959）。在这些时期，研究人员发现人工智能的一个特殊需求是能够轻松地处理符号以及符号列表，而不是处理数字或字符字符串。由于当时现有的语言并未提供此类功能，麻省理工学院的一位研究人员约翰·麦卡锡（John McCarthy）在1956‐1958年期间开发了一种用于逻辑编程的专用语言，称为LISP（LISt Processing language，列表处理语言）。自那时起，涌现出数百种衍生语言，即所谓的“Lisp方言”（Scheme、Common Lisp、Clojure）；事实上，对于一名Lisp程序员而言，编写一个LISP解释器并非难事（仅需几千条指令），而相比之下，开发一种经典语言的编译器则需要数万条指令。由于其表达能力和灵活性，LISP在人工智能领域一直非常成功，直至20世纪90年代。
人工智能初期的另一个重要事件是创建一种主要用于表达逻辑规则和公理的语言。大约在1972年，阿兰·科默尔auer和菲利普·鲁塞尔创建了一种名为Prolog（逻辑编程）的新语言。他们的目标是创建一种编程语言，其中可以定义解决方案所期望的逻辑规则，并由编译器自动将其转化为一系列指令。Prolog被用于人工智能和自然语言处理。其语法和语义规则简单，被认为对非程序员来说易于掌握。其中一个目标是为语言学提供一种与计算机科学相兼容的工具。自2008年以来，Python社区一直试图在科学计算领域赶上特定语言，例如Matlab和R。由于其多功能性，Python现在被广泛用于人工智能研究。然而，尽管Python具备一些函数式编程的优势，但其运行速度仍远落后于其他函数式语言，例如Lisp或Haskell，更不用说C/C++了。此外，它缺乏效率在管理大量内存和高并发系统时。
20世纪90年代，C/C++和Fortran等机器语言逐渐流行，并取代了Lisp和Prolog的使用。人们更加注重在这些平台上开发用于科学计算的函数和库，并将其应用于早期机器人的人工智能或密集型数据分析任务。在20世纪90年代中期，Sun Microsystems公司启动了一个项目，旨在创建一种能够解决C++安全漏洞、分布式编程和多线程问题的语言。此外，他们希望该语言能移植到任意类型的设备或平台。1995年，他们推出了Java，其对象导向的概念比C++更进一步。同样，Java最重要的新增特性之一是Java虚拟机（JVM），它使得同一段代码可以在任何设备上运行，而无需考虑其内部技术，也无需为每个平台预先编译。这一特性为人工智能领域带来了新的优势，并被引入云服务器和嵌入式计算机等设备中。Java另一项重要特性是提供了最早的框架之一，具备专门针对互联网的工具，使应用程序可以以Java小程序和JavaScript（即自执行程序）的形式运行，而无需安装。这对人工智能领域产生了巨大影响，并为Web 2.0/3.0以及物联网（IoT）领域奠定了基础。
从2010年开始，主要由于将人工智能转化为可实时供成千上万甚至数百万用户使用的商业产品的迫切需求，IT企业开始寻求替代方案，创造出混合型语言，融合各种编程范式的优点，同时不牺牲速度、容量和并发性。近年来，诸如Scala和Go，以及Erlang和Clojure等新语言已被广泛用于具有极高并发性和并行性的应用，主要集中在服务器端。知名的例子包括Facebook使用Erlang，谷歌使用Go。用于科学计算的新语言也相继出现，如Julia和Lua。然而，使用纯过程式语言开发人工智能成本高昂、耗时且容易出错。因此，人们的关注转向了其他多范式语言，这些语言能够结合函数式和过程式面向对象语言的特点。Python尽管最早发布于1991年，但直到2001年Python 2.2版本发布后才开始作为C/C++的替代方案逐渐流行起来。Python的设计理念是创造一种既像C/C++一样强大，又能像Shell脚本那样简洁实用地执行“脚本”的语言。真正让Python在2008年随着Python 3.0的发布而成为C++、Java以及其他脚本语言（如Perl）的有力竞争者的是其解决了早期诸多缺陷。
尽管函数式编程在学术界一直受欢迎，但在工业界的使用却长期有限，主要集中在20世纪80年代“专家系统”盛行的时期。随着专家系统的衰落，多年来函数式编程一直被视为那个时代的失败遗物。然而，随着多处理器和并行计算日益普及，函数式编程正被越来越多程序员选用来充分发挥其多核处理器的功能。这类高成本计算通常用于复杂的数学运算或模式匹配，而这正是运行人工智能系统的基本组成部分。未来，我们将看到新语言对Haskell和Erlang等现有函数式语言进行简化，使这种编程范式更容易被大众接受。同时，物联网（IoT）的兴起也引起了人们对嵌入式系统编程的关注。因此，效率、安全和性能再次成为讨论焦点。能够借鉴函数式编程思想（例如Elixir）来替代C/C++的新语言将变得越来越流行。同时，另一类新兴语言在保持接近C/C++性能的同时，融合了现代命令式编程的简化设计和一系列功能（例如Rust），也将成为未来的发展方向（表2）。
鉴于人们对人工智能的兴趣呈指数级增长，专家们呼吁开展大规模研究，探讨人工智能对社会的影响，不仅限于技术领域，还包括法律、伦理以及社会经济领域。
回应还包含这样一种推测：自主的超级人工智能有朝一日可能会超越人类的认知能力。这种未来情景在人工智能领域通常被称为“人工智能奇点”（斯宾拉德，2017年）。这通常被定义为机器能够自行制造出更先进的机器的能力。这一未来情景一直受到质疑，并引发了不同看法。
许多专家对此持怀疑态度。如今的人工智能研究人员更加专注于开发在特定应用范围内任务表现优异的系统。这种专注与追求一种能够模仿人类智能所有不同认知能力（如自我意识和情绪认知）的超级通用人工智能系统的理念相悖。除了关于人工智能发展以及我们作为地球上最智能物种之主导地位的争论外，人们还提出了进一步的社会关切。例如，由斯坦福大学领导的人工智能100年研究（AI100）委员会定义了18个对人工智能至关重要的主题（霍尔维茨，2014年）。尽管这些主题并非详尽无遗或最终定论，但它们阐明了需要研究的议题范围，指出了人工智能可能带来的影响，并强调存在若干需要应对的问题。许多类似的评估已经开展，均列出了与人工智能技术更广泛采用相关的类似担忧。
该主题旨在预测近期人工智能技术的未来发展和能力。应建立监测人工智能趋势和影响的观测站，以帮助规划人工智能在特定领域的应用，并制定必要的监管措施，以确保其顺利引入。
探讨人工智能的发展如何助力变革社会服务质量，例如健康、教育、管理和政府领域，涵盖的不仅是经济效益，还包括社会效益和影响。
将人工智能转化为实际应用的速度目前由潜在的经济前景驱动（Lohr，2012年）。有必要采取措施促进那些能够改善或解决我们社会关键需求的人工智能潜在应用的快速转化，例如能够挽救生命或显著改善社会服务组织的应用，即使其经济利用尚未得到保障。
除了隐私之外，还必须考虑以人工智能暗中用于不道德应用所带来的伦理问题。人工智能的使用不应以牺牲或影响民主及人民自由为代价。
当人工智能被部署到真实世界的应用中时，其与世界的互动会引发伦理方面的担忧。哪些人工智能的使用应被视为不道德？这应该如何披露？
人工智能对工作的影响应得到监控和预测，以便制定政策，引导我们的下一代从事不会很快被机器取代的工作。在金融市场中使用复杂的AI技术可能会引发波动性，因此有必要评估AI系统对金融市场可能产生的影响。
人工智能已用于军事领域十多年。为军事目的已开发出机器人狙击手和炮塔（Alston，2011）。智能武器的自主性水平不断提高，因此需要制定新的公约和国际协议，以界定人工智能在武器和战争中使用的安全边界。
人工智能在恶意软件中的应用正变得越来越复杂，因此从受感染设备窃取个人隐私信息的可能性也在不断提高。由于计算机病毒和蠕虫可能利用高度复杂的人工智能技术进行规避，使得恶意软件更难被检测到（Young & Yung, 1997；Kirat 等, 2014）。另一个例子是无人机的使用，以及其可能落入恐怖分子手中的风险，一旦发生将造成灾难性后果。
人类和机器人需要协同工作，有必要设想在哪些场景下协作至关重要，以及如何安全地实现这种协作。此前已发生过机器人与人类协同作业时发生的事故（Bryant & Waters, 2015），因此机器人和自主系统的开发不仅应注重提高任务精度，还应具备理解环境和人类意图的能力。
人工智能具有增强人类认知能力的潜力。实现这一目标的一些相关研究领域包括传感器信息学和人机界面。除了应用于康复和辅助生活外，这些技术还被用于外科手术（Andreu‐Perez，2016年）和空中交通控制（Harrison 等，2014年）。皮层植入物正越来越多地用于控制假肢，我们的记忆和推理也越来越依赖于机器，相关的健康、安全和伦理影响必须被解决。
为了确保智能自主系统的安全运行，应开发形式化验证工具以评估其安全操作。验证可以集中在推理过程上，并确认智能系统的知识库是否正确（Gonzalez & Bar，2000），同时确保智能行为的表述在安全边界之内（Ratschan & She，2007）。
应开展更多研究，以深入了解社会中人们对于广泛使用智能机器的意见和关切。此外，在智能系统的设计中，了解人们的偏好对于提高其可接受性至关重要（布罗德本特 等，2009；斯马尔 等，2012年）。
必须制定沟通和教育策略，以促进人工智能技术在我们社会中的普及。这些策略的制定方式必须便于非专家和公众理解与获取。
神经科学与人工智能能够共同发展。神经科学在指导人工智能研究方面发挥着重要作用，而随着高性能计算的不断进步，也出现了通过计算模型和模拟来研究大脑的新机遇，以检验新的假设（O’Reilly & Munakata, 2002）。
当人工智能能够体验到一定程度的意识和自我意识时，我们就需要理解机器心理的内在世界及其意识的主观性。
此外，由于上述前提及其他因素，正如我在摘要中所述，目前以及未来几十年，机器人技术和人工智能将成为世界生物的掠夺者和威胁，它们可能继承生物的全部自然属性，并可能与其他自然生物融合。因此，最终它们将创造自己的新宇宙，或使我们宇宙的命运处于危险之中。
从人工智能过去的成功与失败中可以吸取许多经验教训。为了持续推动人工智能的进步，需要在特定应用项目与前瞻性研究思想之间建立理性且和谐的互动关系。伴随着人工智能前所未有的热情，人们也对这项技术对社会的影响产生了担忧。必须制定明确的战略，以应对相关的伦理和法律挑战，确保整个社会都能从人工智能的发展中受益，并从早期就减轻其潜在的负面影响。这些担忧不应阻碍人工智能的进步，而应激励我们建立一个系统性框架，为未来人工智能的蓬勃发展奠定基础。最重要的是，必须区分科学小说与实际现实。通过持续的资金支持和负责任的投资，人工智能必将变革我们社会的未来——我们的生活、生存环境以及经济。
以下建议与世界的研究界、产业、政府机构和决策者相关:机器人技术和人工智能正在世界经济及其未来增长中发挥着越来越重要的作用。我们需要对它们给社会带来的变化，以及对劳动力结构和技能基础的转变保持开放并做好充分准备。加强国家层面的参与对于确保公众对机器人技术和人工智能当前及未来的发展有清晰且客观的认识至关重要。机器人技术和人工智能的坚实研发基础对各国至关重要，尤其是在我们已经具备关键规模和国际领先地位的领域。持续投资于机器人技术和人工智能将确保各国研究基础的未来发展，并需要提供资金支持那些具有国际领先地位、侧重于带来更大社会经济效益项目的卓越集群/中心。解决机器人技术和人工智能在实际部署和负责任创新方面的法律、监管和伦理问题至关重要；需要投入更多努力来评估其经济影响，并了解如何在减轻不利影响的同时最大化这些技术带来的好处。政府需要通过调整劳动力技能和企业在新技术基础上创造机会来切实支持劳动力。对数字技能的培训以及对现有劳动力的再教育对于维持各国的竞争力至关重要。持续投资机器人技术和人工智能对于确保各国研究基础的未来发展及其国际领先地位至关重要。同时，也必须投资并培养年轻一代，使其具备扎实的STEM基础，并熟练掌握机器人技术和人工智能，有效利用新的技术技能。
2 阅读
4 阅读
1695 阅读
1602 阅读
1448 阅读
请填写红包祝福语或标题
红包个数最小为10个
红包金额最低5元
小风微灵·cat
你的鼓励将是我创作的最大动力
打赏作者
抵扣说明：
1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。