8月26日消息 據(jù)《福布斯》網(wǎng)站報(bào)道，從公式翻譯程式語言（FORTRAN）中的穿孔卡片到使用Go語言編寫分布式系統(tǒng)，這個(gè)學(xué)科基本上保持相同的思路：深入思考問題，提出一種聰明的方法（即算法），向機(jī)器提供一組執(zhí)行指令。
這種方法可稱為“顯式編程”，從大型機(jī)到智能手機(jī)，從互聯(lián)網(wǎng)熱潮到移動革命，它都不可或缺。它促進(jìn)了一個(gè)全新市場的誕生，使蘋果、微軟、谷歌、Facebook等公司家喻戶曉。
然而，還是少了些東西。早期計(jì)算機(jī)時(shí)代作家設(shè)想的智能系統(tǒng)，如，菲利普?迪克《銀翼殺手》中的機(jī)器人出租車和喬治?盧卡斯《星球大戰(zhàn)系列》的C-3PO機(jī)器人，仍然是科幻小說的內(nèi)容。看似簡單的任務(wù)也頑固地拒絕哪怕最有才華的計(jì)算機(jī)科學(xué)家設(shè)計(jì)的自動化方法。專家們指責(zé)硅谷在面對這些挑戰(zhàn)時(shí)，回避這些基本問題上的進(jìn)展，卻專注于增量業(yè)務(wù)或熱門業(yè)務(wù)。
當(dāng)然，這即將發(fā)生改變。Waymo的自動駕駛汽車最近完成了800萬英里的路測里程。微軟的翻譯引擎在中譯英任務(wù)中幾乎接近實(shí)現(xiàn)人類譯員的準(zhǔn)確程度。初創(chuàng)公司在智能助理、工業(yè)自動化、欺詐檢測等領(lǐng)域正不斷取得新突破。
這些新技術(shù)有望從不同方面各自影響我們的日常生活�？偟膩碚f，它們代表了我們對軟件開發(fā)的看法的巨大變化，與顯式編程模式明顯不同。
這些進(jìn)步背后的核心突破是深度學(xué)習(xí)，這是一種受人類大腦結(jié)構(gòu)啟發(fā)的人工智能技術(shù)。它最初只是用途相對較窄的數(shù)據(jù)分析工具，現(xiàn)在已幾乎發(fā)揮著一種通用計(jì)算平臺的作用。在廣泛的任務(wù)范圍內(nèi)，它的性能優(yōu)于傳統(tǒng)軟件，最終可能催生長久以來計(jì)算機(jī)科學(xué)家難以實(shí)現(xiàn)的智能系統(tǒng)。媒體有時(shí)會夸大其詞地報(bào)道人工智能技術(shù)的這些前景。
然而，在對深度學(xué)習(xí)的大肆宣傳中，許多觀察者都遺漏了對其未來持樂觀態(tài)度的最大理由：深度學(xué)習(xí)需要編碼人員編寫非常少的實(shí)際代碼。深度學(xué)習(xí)系統(tǒng)并非依賴預(yù)設(shè)規(guī)則，而是根據(jù)過去的范例自動編寫規(guī)則。軟件開發(fā)人員只需要創(chuàng)建一個(gè)“粗糙的骨架”，然后讓計(jì)算機(jī)完成其余工作。例如，特斯拉聘請了深度學(xué)習(xí)和計(jì)算機(jī)視覺專家安德烈?卡帕斯（Andrej Karpathy），正是希望他在自動駕駛業(yè)務(wù)中融入深度學(xué)習(xí)技術(shù)。
在這個(gè)新世界中，開發(fā)人員不再需要為每個(gè)問題設(shè)計(jì)特有的算法。相反，大多數(shù)工作的重點(diǎn)是生成反映所需行為和管理訓(xùn)練進(jìn)程的數(shù)據(jù)集。來自谷歌TensorFlow團(tuán)隊(duì)的皮特?沃頓（Pete Warden）早在2014年就指出這一點(diǎn)：他寫道，“我曾是一名程序員，現(xiàn)在我教電腦自己編寫程序�！�
當(dāng)今，驅(qū)動最重要的軟件進(jìn)步的編程模型不需要大量的實(shí)際編程。
這對軟件開發(fā)的未來意味著什么？
編程和數(shù)據(jù)科學(xué)將日益趨同。在可預(yù)見的未來，大多數(shù)軟件將不采用“端到端”學(xué)習(xí)系統(tǒng)，而是依靠數(shù)據(jù)模型提供核心的認(rèn)知能力和明確的邏輯，以便與用戶交互及闡釋結(jié)果。一個(gè)問題將越來越多地被提出：“我應(yīng)該使用人工智能還是傳統(tǒng)方法解決這個(gè)問題？”實(shí)際上，智能系統(tǒng)的設(shè)計(jì)者將需要精通這兩方面。
人工智能從業(yè)者將成為搶手的人才。人工智能技術(shù)的研發(fā)難度大。普通的人工智能開發(fā)人員將成為未來軟件公司最寶貴的資源之一。對傳統(tǒng)的編碼人員而言，這確實(shí)有一絲諷刺意味。20世紀(jì)50年代開始，他們使其他行業(yè)的工作自動化了，而現(xiàn)在他們自己的工作卻被部分自動化了。對他們工作的需求肯定不會降低，但那些想要保持前沿地位的人必須以適度的懷疑態(tài)度來試水人工智能。
我們需要構(gòu)建人工智能工具鏈。 Lyft的機(jī)器學(xué)習(xí)主管吉爾?阿爾迪蒂（Gil Arditi）對這個(gè)問題闡述得很清楚。他說，“機(jī)器學(xué)習(xí)處于初始階段。它類似于上世紀(jì)80年代早期或70年代末期的數(shù)據(jù)庫。你必須成為全球?qū)＜也拍茏屗鼈冋＿\(yùn)作�！� 研究還表明，許多人工智能模型很難解釋，很容易被欺騙，容易受到偏見。掌握解決這些問題的工具對于發(fā)掘人工智能開發(fā)人員的潛力是必要的。
我們都需要接受不可預(yù)測的行為。開發(fā)人員和用戶都已習(xí)慣計(jì)算機(jī)“指令”這個(gè)比喻�！爸噶睢睆�(qiáng)化了這樣一種信念，即計(jì)算機(jī)完全按照我們的指令行事，輸入總能產(chǎn)生近似等量的輸出。相比之下，人工智能模型就像有生命的呼吸系統(tǒng)。新型工具將使它們更像顯式編程，特別在關(guān)鍵的安全設(shè)置中，但如果我們把限制設(shè)置得太嚴(yán)密，我們就會面臨一種風(fēng)險(xiǎn)——喪失這些人工智能系統(tǒng)的特殊價(jià)值，如AlphaGo的意外棋步。我們開發(fā)和使用人工智能應(yīng)用時(shí)，需要理解并接受各種概率結(jié)果。
希望世界被人工智能接管的可能性幾近為零。
