伊隆·馬斯克致力于創(chuàng)造人類的未來。作為連環(huán)創(chuàng)業(yè)者，他起步于互聯(lián)網(wǎng)早期階段。如今，他不僅創(chuàng)建一家純電動汽車公司，把人類從汽油的噩夢(污染與高價)中解救出來，還希望有生之年使用自己制造的火箭——SapceX將普通人送入太空。這一切的跡象似乎都在透露：對于未來科技的前景，馬斯克保持樂觀的態(tài)度。

不過，馬斯克并非看好所有前沿科技，比如人工智能。去年10月美國MIT的一次公開訪談上，馬斯克稱人工智能就是「召喚惡魔」——對人工智能的研究將成為人類未來最大的敵人。很多人對他的這一看法表示支持，比如牛津大學(xué)哲學(xué)教授NickBostrom，他曾推動「人類生存危機(jī)」(譯者注：指威脅到全人類生存的危險，例如氣候極端變化、核戰(zhàn)和生態(tài)系統(tǒng)等。)的研究——其中將超級智能作為人類的重大威脅，與小星球沖撞地球和大規(guī)模的核戰(zhàn)爭并列。與此同時，前英國皇家學(xué)會會長LordRees在劍橋大學(xué)建立了一所人類生存危機(jī)研究中心，該研究中心十分重視人工智能帶來的威脅。

過去十幾年來，人工智能獲得快速發(fā)展，上述一系列的擔(dān)憂與人工智能的火爆形成鮮明對照?？萍季揞^們——谷歌、Facebook、亞馬遜和百度紛紛涉足這個領(lǐng)域：四處挖掘人才、建立研究實驗室、高價收購創(chuàng)業(yè)公司等等?？偟膩碚f，這些業(yè)內(nèi)人士并不擔(dān)心被自己研發(fā)出的「產(chǎn)品」所超越。他們能夠用機(jī)器完成一些原先只能靠人類才能完成的任務(wù)，這種工作其實并沒有創(chuàng)造出許多新的思維方式，而是消除了對舊方式的依賴。

全球移動設(shè)備如計算機(jī)、平板電腦、智能手機(jī)的普及，使我們邁入了大數(shù)據(jù)時代，而人工智能具有強(qiáng)大的計算能力，這意味著人工智能的算法可處理這些數(shù)據(jù)，包括語音識別、圖片識別等等。數(shù)字技術(shù)變革的速度加快，會讓我們擔(dān)心數(shù)以萬計的技術(shù)人才會因此失業(yè)，因為許多工作所需要的技能是識別出圖像、理解語言，等等。如果計算機(jī)可以替代人類完成這些工作，不管是通過提供完全自動化的解決方案還是通過幫助員工提升工作效率，那么未來將會有更多的工作者從白領(lǐng)步入領(lǐng)取政府救濟(jì)金的行列。

人工智能興盛的跡象到處都是。去年就盛傳谷歌為收購人工智能新創(chuàng)公司DeepMind花費(fèi)了四億美元，它在Facebook的眼皮底下挖走了這家公司。而Facebook也毫不示弱，邀請來自紐約大學(xué)的人工智能著名學(xué)者YannLeCun 牽頭來建立屬于自己的人工智能研發(fā)實驗室。谷歌曾雇用過斯坦福大學(xué)畢業(yè)的人工智能專家吳恩達(dá)，直到去年他被百度挖走在硅谷建立了屬于自己的實驗室。來自芝加哥的公司Narrative Science希望開發(fā)智能寫作的產(chǎn)品(該技術(shù)已經(jīng)被商業(yè)雜志福布斯采用，用于基本財經(jīng)報道的寫作)。位于麻州劍橋的Kensho旨在將金融工程師現(xiàn)有的工作自動化，這已經(jīng)讓投資者們嘗到了甜頭。在今年的4月13日，IBM宣稱將使用沃森計算機(jī)來做健康分析和醫(yī)藥研究，沃森計算機(jī)曾在2011年美國寓教于樂的智力競猜比賽Jeopardy中碾壓了兩位人類冠軍。

深層思考

人們對于人工智能的研究就和計算機(jī)本身一樣久遠(yuǎn)。現(xiàn)在大多的興奮點(diǎn)都集中在一個稱作「深度學(xué)習(xí)」的分支，相較于在一大堆數(shù)據(jù)中自我生成任務(wù)的「機(jī)器學(xué)習(xí)」來說，這是一個現(xiàn)代化的進(jìn)步。這些代碼將在所有人工智能的研究中搭建一個橋梁，彌補(bǔ)一個鴻溝：有一些對人類非常難的事情對機(jī)器卻非常容易，反之亦然。如果來求解復(fù)雜模型的公式，最簡單的電腦也能擊敗人類。反之，最厲害的計算機(jī)在過去相當(dāng)長的一段時間里也會被人類一眼就能解答的問題所困擾，比如人臉識別、編譯演講或者在圖像中甄別中具體物件。

有一種理解是，對于那些人們覺得困難的事情比如求解復(fù)雜方程，人們必須要擬定一套規(guī)定。然后按照這套規(guī)律再來計算就會非常簡單。對于那些人們覺得簡單的事情，就沒有必要去創(chuàng)造一個法則來解答，想要創(chuàng)造也很難。舉一個非常有名的例子，成年人能區(qū)分色情圖片和非色情圖片的不同。但1964年時美國最高法庭的法官PotterStewart 發(fā)現(xiàn)要想定義人們是怎么區(qū)分的幾乎是不可能的。他對于要用嚴(yán)謹(jǐn)合法的文字來定義色情而幾乎絕望，于是他甩手寫道：盡管無法給出色情的定義和大致內(nèi)容，「但我一看到就能分辨出來」。

而機(jī)器學(xué)習(xí)的方式是通過計算機(jī)內(nèi)部的程序去識別和分析，通常這種分析都是由大量數(shù)據(jù)高負(fù)荷運(yùn)算解析完成的。

很多系統(tǒng)采用了一種古老但很有價值的人工智能技術(shù)——神經(jīng)網(wǎng)絡(luò)來開發(fā)他們需要的統(tǒng)計模型。神經(jīng)網(wǎng)絡(luò)這個概念在20世紀(jì)50年代被研究者提出，雖然當(dāng)時人們還不知道什么是智能，但是人們知道大腦里擁有它。而人類大腦在信息處理時不是使用晶體管，而是通過神經(jīng)元。如果能模擬這些傳遞電化學(xué)信號的纖長且高度互連的神經(jīng)細(xì)胞，可能就會產(chǎn)生一些或多或少的智能行為。

天羅地網(wǎng)

神經(jīng)系統(tǒng)擁有龐大的復(fù)雜性。即使在今天的科技水平下，人工智能對神經(jīng)網(wǎng)絡(luò)的模擬也很拙劣，就像簡筆畫和照片的區(qū)別一樣。但近期的研究表明，即使是最粗糙的神經(jīng)網(wǎng)絡(luò)，也能很好地完成一些任務(wù)。微軟的人工智能研究者ChrisBishop指出，從20世紀(jì)60年代開始，電話公司就開始采用神經(jīng)網(wǎng)絡(luò)中發(fā)現(xiàn)的「回音消除算法」。但這些早期的成功應(yīng)用逐漸失去了魅力。人們可利用的計算能力，大大局限了神經(jīng)網(wǎng)絡(luò)模擬的規(guī)模，也限制了這項技術(shù)的應(yīng)用范圍。

然而，在過去的幾年中，電子游戲?qū)D像的需求重燃了人們的興趣，這使得芯片的運(yùn)算能力有了顯著提升。早期的人工神經(jīng)網(wǎng)絡(luò)規(guī)模很小，僅有幾十個或幾百個神經(jīng)元，通常組織成單層。而最近，谷歌等公司使用的神經(jīng)網(wǎng)絡(luò)已經(jīng)能夠模擬數(shù)十億的神經(jīng)元。有了如此巨量的神經(jīng)元，研究者們便能夠更好地模擬大腦，將神經(jīng)元組織成彼此不同、金字塔式的多層網(wǎng)絡(luò)。正是這些互相關(guān)聯(lián)的層級，為深度學(xué)習(xí)提供了「深度」。

每一層神經(jīng)網(wǎng)絡(luò)用來處理不同程度的抽象概念。比如說，要處理一張圖片，最低層級識別了原始圖片。它記錄下圖片中每個像素點(diǎn)的亮度和顏色，以及這些屬性在區(qū)域中的分布情況。第二層將這些觀察數(shù)據(jù)綜合起來，組織成更抽象的類別，識別出其中的邊緣、陰影等特征。第三層則開始分析這些邊緣和陰影，在其中搜尋各種組合特征，比如象征著眼睛、嘴唇和耳朵的特征。而這些特征，以一定方式組合起來，就代表著一張臉——不僅能識別出任意一張普通的臉，甚至還能認(rèn)出它以前見過的某一張臉的新照片。

神經(jīng)網(wǎng)絡(luò)要發(fā)揮作用，必須先接受訓(xùn)練。比如說，一臺機(jī)器要教會自己識別人臉，必須先被展示一個「訓(xùn)練集」，其中包含成千上萬的照片。這些照片中，有的包含人臉，有的沒有。每張都必須進(jìn)行人工標(biāo)記。這些照片就像一個系統(tǒng)的「輸入」，而「有臉」或「無臉」的標(biāo)記則好似「輸出」。計算機(jī)的任務(wù)就是總結(jié)出一個「輸出」與「輸入」相符合的統(tǒng)計規(guī)律。為了實現(xiàn)這一點(diǎn)，它會在自己神經(jīng)網(wǎng)絡(luò)的每一個不同抽象級別的層級中進(jìn)行搜尋，尋找與人臉照片相似的所有特征。當(dāng)相關(guān)性達(dá)到足夠程度時，這臺機(jī)器就能夠切實可靠地從訓(xùn)練集中分辨出哪些照片是有臉的，哪些是無臉的。接下來，你可以隨意給它一組新照片，檢驗一下它之前總結(jié)出來的「人臉識別規(guī)則」是否符合真實世界。

通過這樣一種自下而上的工作，機(jī)器學(xué)習(xí)算法學(xué)著去識別特征、概念和類別，這就是人類非常擅長但一直很難用代碼去實現(xiàn)的任務(wù)。但這樣的算法在很長時間里時過分狹窄和細(xì)分。程序經(jīng)常需要從它們的開發(fā)者那里獲得提示，根據(jù)特定的具體任務(wù)來設(shè)計出一套專門的「手工制作」的代碼，這些具體任務(wù)包括圖像處理和語音識別等。

此外，早期的神經(jīng)網(wǎng)絡(luò)只擁有有限的數(shù)據(jù)處理能力。超過這個臨界點(diǎn)時，為它們輸入更多信息并不會帶來更好的表現(xiàn)。而現(xiàn)在的神經(jīng)網(wǎng)絡(luò)系統(tǒng)所依賴的開發(fā)者的指導(dǎo)和調(diào)整要少得多。同時，不管你能輸入多少數(shù)據(jù)，系統(tǒng)都能夠?qū)ζ溥M(jìn)行充分利用，而互聯(lián)網(wǎng)也帶來了大量可以提供給系統(tǒng)的數(shù)據(jù)。

百度、谷歌和Facebook等互聯(lián)網(wǎng)巨頭坐擁他們用戶帶來的海量信息。大量的郵件、搜索和交易的歷史信息，無窮無盡的圖像記錄了人臉、汽車、貓、以及紀(jì)錄在他們服務(wù)器上的世界萬物。這些公司的領(lǐng)導(dǎo)人深知這些數(shù)據(jù)中蘊(yùn)含了有價值的模式，但信息的絕對量卻令人生畏，好在機(jī)器不懼怕這些。信息過載是個問題，但歸根結(jié)底，解決方案也孕育其中，尤其是突破了這個關(guān)鍵的時間節(jié)點(diǎn)之后：許多數(shù)據(jù)在人為加標(biāo)簽之前就已經(jīng)能被使用了?；谡_算法的加強(qiáng)，計算機(jī)能使用這些帶注釋的數(shù)據(jù)來自行學(xué)習(xí)，從而辨認(rèn)出里面的那些有用的模式、規(guī)則和類別。

在這方面已經(jīng)取得了驕人成績。Facebook于2014年公布了名為DeepFace的算法，它從圖片中能夠識別出特定人臉的準(zhǔn)確度能達(dá)到97%，甚至他們的臉部被部分遮擋或亮度不足。這就做到了之前只有人類才能做到的事情。微軟稱，其為語音助手Cortana開發(fā)的物體識別軟件能夠告訴用戶彭布羅克威爾士柯基犬和卡迪根威爾士柯基犬的區(qū)別，這兩個犬類品種的照片看起來非常像(見下圖)。有些國家，比如說英國已經(jīng)使用人臉識別技術(shù)來進(jìn)行邊境安防控制，這套系統(tǒng)能夠從一端影像中識別出某個人，這對警察和偵探非常有吸引力。5月5日發(fā)布的一份報告展示了美國的偵探是如何使用語音識別軟件來將語音通話轉(zhuǎn)化成文本的，這樣他們就能更好的對談話內(nèi)容進(jìn)行搜索。

但是，盡管互聯(lián)網(wǎng)是一個巨大的數(shù)據(jù)寶藏，但它并不是無窮無盡的。機(jī)器學(xué)習(xí)算法賴以發(fā)展的那一類人類標(biāo)記過的數(shù)據(jù)資源是有限的。為此，發(fā)展不需要人類輔助的「無監(jiān)管學(xué)習(xí)」算法的比賽已經(jīng)開始。

目前已經(jīng)有了很多進(jìn)展。2012年一支由吳恩達(dá)領(lǐng)導(dǎo)的谷歌團(tuán)隊展示了一個無監(jiān)督學(xué)習(xí)的機(jī)器對數(shù)百萬張YouTube視頻圖像的分析。這個機(jī)器學(xué)會了給它見過的常見物體進(jìn)行分類，包括人類面孔和(供網(wǎng)民娛樂的)貓，包括網(wǎng)上隨處可見的各種動作：睡著的、跳躍的、玩滑板的。人類沒有在這些視頻上標(biāo)明包含「面孔」或「貓」的字眼。相反，機(jī)器在看了每個物體不計其數(shù)的例子后簡單斷定，它們表現(xiàn)出來的統(tǒng)計模式已經(jīng)具備了足夠的普遍性，從而可以將這些物體進(jìn)行分類。

識別單個物體的下一步是識別多個不同物體。斯坦福大學(xué)AndrejKarpathy和李飛飛發(fā)表的論文描述了一個計算機(jī)視覺系統(tǒng)可以標(biāo)出一個給定圖像的特殊部分。例如給它看一個早餐桌子，它可以識別出餐叉、香蕉片、一杯咖啡和桌子上的花以及桌子本身。它甚至可以在場景中(從右側(cè)看到圖片)用自然英語做出描述——盡管這項技術(shù)還不是特別完美(從下邊看到圖片)

互聯(lián)網(wǎng)巨頭如谷歌都對這項成果感興趣，因為它可以直接影響到這些公司的底線。更完善的圖像分類能夠提高搜索能力從而幫助用戶更好的找到他們所想要的東西。從長遠(yuǎn)來看，技術(shù)可以找到其他更多的革新性應(yīng)用。能夠?qū)ζ浞纸饧斑M(jìn)行某個場景解釋對機(jī)器人研究者來說是有用處的，這有利于使他們正在研發(fā)的產(chǎn)品(工業(yè)機(jī)器人伙伴、自動駕駛汽車，戰(zhàn)爭機(jī)器人)來領(lǐng)航這個雜亂無章的現(xiàn)實世界。

圖像分類也是可以促成「增強(qiáng)現(xiàn)實」實現(xiàn)的技術(shù)，增強(qiáng)現(xiàn)實主要應(yīng)用在可穿戴設(shè)備，比如谷歌眼鏡或微軟的HoloLens，它是把有用的信息覆蓋到現(xiàn)實世界之上。Enlitic，一家總部設(shè)在舊金山的公司，希望通過圖像識別分析X射線和核磁共振掃描的圖像，以發(fā)現(xiàn)人類醫(yī)生可能漏掉的問題。

深度學(xué)習(xí)并不局限于圖像。它是一項通用的模式識別計算，這意味著，從本質(zhì)上來說，任何利用到大數(shù)據(jù)的活動，從運(yùn)營保險業(yè)務(wù)到基因研究，都能找到它的用處。最近在CERN(歐洲核子研究組織)——世界最大的粒子物理實驗室舉辦的一次競賽中，深度學(xué)習(xí)算法比物理學(xué)家寫的軟件更好地識別了亞原子粒子的特征——盡管創(chuàng)造這些算法的程序員們沒有專門的物理學(xué)知識背景。更驚人的是，一組研究者(譯者注：即谷歌收購的DeepMind)寫出了一個程序，在學(xué)習(xí)玩視頻游戲例如 Space Invaders時會比人類更擅長。

深度學(xué)習(xí)同樣也能改進(jìn)機(jī)器翻譯。得益于可以從網(wǎng)上獲取大量的多語言文本，機(jī)器翻譯已經(jīng)開始使用神經(jīng)網(wǎng)絡(luò)。供職于百度的吳恩達(dá)認(rèn)為，智能手機(jī)上運(yùn)行的良好的語音識別程序可以讓中國很多文盲群體接觸到互聯(lián)網(wǎng)，這會導(dǎo)致與普通計算機(jī)的競爭。目前，百度有10%的搜索是通過語音進(jìn)行。他相信，到2020年這會提升到50%。

這些不同類型的人工智能可以整合到一起形成一個更加強(qiáng)大的系統(tǒng)。例如，2014年5月，在加利福尼亞州舉辦的會議上，微軟展示了一款可以實時語音翻譯的程序。公司一名研究人員用英語與一名德國的同事通話。這款程序中的一個人工智能程序?qū)⒙暡ń獯a成多個英語短語，另外一個程序?qū)⑦@些短語從英語轉(zhuǎn)成德語，第三個程序再將德語轉(zhuǎn)成語音。微軟希望未來能夠?qū)⑦@一技術(shù)運(yùn)用到互聯(lián)網(wǎng)電話Skype上。

機(jī)器無魂靈

更好的智能手機(jī)、更新奇的機(jī)器人以及讓文盲群體能夠使用互聯(lián)網(wǎng)都是好事。但這些能夠佐證馬斯克和其他人已有的擔(dān)憂嗎?也許圖像識別、自我編程計算機(jī)正是機(jī)器邁向比它們的創(chuàng)造者更聰明的道路上的早期階段但卻關(guān)鍵性的一步。

末世論者有一個重要的支持論據(jù)。那就是，數(shù)十年的神經(jīng)科學(xué)研究始終沒有結(jié)果能表明大腦不是機(jī)器。它由普通原子組成，使用自然力并遵守普通自然法則。換句話說，并沒有推動其運(yùn)行的神秘「精神」存在。這說明建造一個人工大腦——或者一個與大腦外觀不同但功能類似的機(jī)器——原則上是可行的。

但是原則上可行跟實際去做是截然不同的兩件事。現(xiàn)供職于波士頓RethinkRobotics公司，也是人工智能先驅(qū)之一的RodneyBrooks說，這個問題部分源于對「智能」這個詞的混淆?，F(xiàn)在計算機(jī)能夠完成人類大腦過去可以完成的一些狹義上的任務(wù)(畢竟，最初的「計算機(jī)」是人類，通常是指做那些棘手運(yùn)算問題的女性，而這些問題對數(shù)字設(shè)備而言十分容易)。一個圖像分類器可以很精準(zhǔn)，但是它沒有目標(biāo)，沒有動機(jī)，也沒有意識到自己只是作為一個電子表格或氣候模型而存在。而且，如果你試圖進(jìn)行腦力勞動，你也不必以現(xiàn)在人工智能那種方式來完成它們。人工智能使用很多蠻力來從系統(tǒng)中獲得看似智能的回應(yīng)。這些系統(tǒng)盡管比之前更加龐大，也更佳強(qiáng)大，但在思考方面卻沒比過去提高多少。不要奢求建造一個類似生物大腦的系統(tǒng)。就像另外一位人工智能先驅(qū)EdsgerDijkstra曾經(jīng)評論的那樣，問一臺計算機(jī)是否可以思考就跟問「一艘潛艇是否可以游泳」差不多。

圈套與錯覺

沒有什么比將現(xiàn)有的人工智能程序愚弄一番更能說明問題的了。一篇將在6月份召開的計算機(jī)視覺會議上發(fā)表的論文展示了一些被設(shè)計出來愚弄圖像識別算法的視錯覺。它向我們展示了算法如何運(yùn)行——在模式之間進(jìn)行匹配，但算法的工作卻如此盲目，在理解內(nèi)容方面一無是處(就像是只認(rèn)識到了棒球是個客觀物體，而不能把它當(dāng)成一個對球面的縫合線進(jìn)行模糊聯(lián)想的抽象模式)，它阻止了人們掉進(jìn)類似陷阱。它甚至可能為我們構(gòu)建出某種圖像，這看上去就像毫無意義的電視雪花點(diǎn)一樣，但神經(jīng)網(wǎng)絡(luò)卻無法對其精確分類——就像對實際物體所做的那樣。

至少對某些人來說，這些狀況并不意味著人工智能項目就不能取得令人欣慰的進(jìn)展。同時，相對于那些已經(jīng)過去的科技革新浪潮來說，這些人中相當(dāng)大部分來自中產(chǎn)階級。比如上文提到的微軟的實時翻譯項目，這項技術(shù)從展示效果來看還遠(yuǎn)遠(yuǎn)稱不上完美。但沒有人會將機(jī)器語音翻譯錯認(rèn)為專業(yè)翻譯。但是對于把握交談中的重點(diǎn)，這已經(jīng)足夠了。這比雇傭一個專職的翻譯人員要方便和便宜得多!這樣一個算法能夠?qū)F(xiàn)在的那種昂貴的、定制的專業(yè)翻譯服務(wù)變成每個Skype用戶都能享受到的功能(當(dāng)然，效果會差一些)。這樣一來，對專職翻譯人員也許是壞事，但對于其他所有人卻是好事。而且微軟的這個項目還會不斷優(yōu)化。

在這次新產(chǎn)業(yè)革命中對于人工智能可以勝任白領(lǐng)工作的焦慮，就如同第一個工業(yè)革命中蒸汽機(jī)的出現(xiàn)取代藍(lán)領(lǐng)工作一樣，這需要嚴(yán)肅對待。比如NarrativeScience的機(jī)器財經(jīng)記者和Kensho的機(jī)器數(shù)據(jù)分析師。

Kensho的系統(tǒng)被設(shè)計成能夠描述自然語言的查詢搜索，比如「當(dāng)原油價格每桶降低5美元，汽車企業(yè)的股價將會如何變化」?它會去查找公司財報和上市文件、歷史市場數(shù)據(jù)等，并在幾秒內(nèi)以自然語言的形式做出回復(fù)。Kensho計劃將這套軟件系統(tǒng)推向大型銀行和富有經(jīng)驗的交易員。一家法國企業(yè)Yseop使用自然語言處理軟件來描述查詢需求，搜遍所有數(shù)據(jù)來尋找答案，然后1秒鐘就可以用英語、西班牙語、法語或德語寫出3000頁的答案。歐萊雅和獸醫(yī)在線VetOnline等公司已經(jīng)使用該系統(tǒng)用于網(wǎng)站的用戶支持功能。

這不只是一種理論上的擔(dān)心，因為有一些白領(lǐng)的工作已經(jīng)讓位于機(jī)器了。例如，一些公司用電腦來進(jìn)行電話客服。因為那些令人抓狂的限制，它們在遇到無法理解的問題時也需要人類的支持。很難預(yù)測將來有什么工作會像這樣被機(jī)器取代，即使牛津馬丁學(xué)院在2013年發(fā)表的一篇論文讓他們恐慌不已，論文的結(jié)論是，美國統(tǒng)計學(xué)家追蹤的工作類型中將有一半會遭受到機(jī)器的襲擊。

技術(shù)在給予我們的同時也會索取。自動化的、便宜的翻譯無疑是有用的。擁有一個不知疲倦的且速度飛快的電腦來查看醫(yī)學(xué)影像也是有必要的?；蛟S，思考人工智能的最好方式就是將其簡化成認(rèn)知增強(qiáng)發(fā)展史上的最新成果，人類一直通過研究認(rèn)知增強(qiáng)來提升自身大腦的能力。這項研究的科技含量要高于紙(提供了一種便攜式的、可依賴的存儲方式)和算盤的發(fā)明，它們是用來輔助提升我們的心算能力。就像印刷術(shù)的出現(xiàn)使抄寫員失業(yè)，高端的人工智能也會犧牲掉一些工作。但對于那些他們的工作無法被取代的人，這會進(jìn)一步增強(qiáng)他們的能力，因為這將給每個人賦予使用「智力工具」的機(jī)會，而這在目前只屬于少數(shù)人?，F(xiàn)在，每個擁有智能手機(jī)的人就如同把一個城市中所有的舊時的人類計算員裝進(jìn)了口袋，它們?yōu)槟愎ぷ鲄s不需要任何報酬，無非就是充充電而已。在未來，我們還會擁有任由我們使喚的貼身翻譯和診斷醫(yī)生。

更加聰明的計算機(jī)將會成為真正的變革性技術(shù)，但至少不是基于馬斯克先生和LordRees先生的原因?；蛟S有一天，人類大腦的特有智能能夠在機(jī)器中被創(chuàng)造出來。但截止到目前為止，最好的建議就是無視那些「計算機(jī)將接管世界」的威脅論，而是應(yīng)該弄清楚它們首先不會奪走我們的工作。