更好的算法

数字神经网络在20世纪50年代就被发明出来，但是计算机科学家花费了几十年时间学习如何驾驭数百万甚至数亿神经元之间多如天文数字的组合关系。其中的关键在于将神经网络组织成叠层（staked layers）。可以用相对简单的人脸识别任务举例。当神经网络中的一组数位被发现能触发某种图案，比如一只眼睛的图像,这个识别的结果（“啊，是只眼睛！”）会被移到神经网络的下一层级做进一步解析。

下一层级可能会将双眼归在一组，并把这个有意义的数据块传到层级结构的更下一层级，该层级能够将双眼和鼻子的图案关联在一起。识别一张人脸可能需要数百万这类节点（其中每个节点产生一个计算结果供周围的节点使用），并需要叠加多达15个层级。2006年，当时就职于多伦多大学的杰夫·辛顿（Geoff Hinton）对这个方法做出了关键改进，并将其称为“深度学习”。他能对各个层的数据结果进行数学上的优化，从而加快了进一步叠层时的学习速度。数年后，当深度学习算法被移植到GPU集群上时，速度有了大幅提升。深度学习代码本身不足以产生复杂的逻辑思维，但它是当下所有人工智能产品的基本组成部分，这些产品包括IBM的沃森、DeepMind、谷歌的搜索引擎以及脸谱网的算法。

由并行计算、更大量的数据、更深层次的算法组成的这场完美风暴,让酝酿了60年的人工智能仿佛一夜间获得成功。它们的组合表明，只要这些技术趋势继续下去——没有不继续的理由，人工智能就将持续进步。

这样下去，这种基于云端的人工智能愈将成为我们日常生活中根深蒂固的部分。但这是有代价的。云计算遵循收益递增（increasing returns）法则，有时又叫网络效应（network effect）。这一法则指出，网络规模扩大的速度远远赶不上其价值增加的速度。网络规模越大，对新用户的吸引力越强，这就让它（的规模）变得更大，从而更具吸引力，如此往复下去。一个为人工智能服务的云端也将遵循这一法则。越多人使用人工智能，它就会变得越聪明；它变得越聪明，越多人就会使用它；当它更聪明时，就会有更多人使用它。一家公司进入这个良性循环后，规模会变得极大，发展速度极快，以至于对其他新兴竞争对手形成压倒性优势。结果就是，未来的人工智能将由两到三家寡头公司主导，并以基于云端的多用途商业产品为主。

1997年，沃森的前辈——IBM的（超级电脑）深蓝（Deep Blue）在一场著名的人机对弈中击败了当时具有统治地位的国际象棋大师加里·卡斯帕罗夫（Garry Kasparov）。当电脑又赢得了几场比赛后，人类选手基本上对这种比赛失去了兴趣。你或许会认为这就是故事的结局（如果不是人类历史的终结），但卡斯帕罗夫意识到，如果他也能像深蓝一样即时访问包含先前所有棋局中棋路的大规模数据库，就能表现得更好。如果人工智能选手使用数据库工具被认为是公平的，那么人类为什么不能使用呢？为了实现用数据库加强人类大师的心智的想法，卡斯帕罗夫率先提出了“人加机器”（manplus-machine）的概念，即在比赛中用人工智能增强国际象棋选手水平，而不是让双方互相对抗。

如今，这种比赛被称为自由式国际象棋比赛，它们和混合武术对抗赛相似，选手们可以使用任何他们想用的作战技巧。你可以在没有协助的情况下比赛；也可以成为极其聪明的国际象棋电脑的傀儡，仅仅按照它的指示移动棋子；或者你可以当一个卡斯帕罗夫提倡的“半人马”型选手，也就是人类和人工智能结合的赛博格（Cyborg）[7] 。

这种选手会听取那些人工智能提出的走棋建议，偶尔也会否决他们，颇似我们开车时使用GPS智能导航的情景。对任何模式的选手开放的2014年自由式国际象棋对抗锦标赛上，纯粹使用人工智能国际象棋引擎的选手赢得了42场比赛，而“半人马”型选手则赢得了53场。当今世界上最优秀的国际象棋选手队伍就是“半人马”型的Intagrand，它由一个人类团队和几个不同的国际象棋程序组成。

但更让人意外的是人工智能的出现并未削弱纯人类国际象棋选手的水平。恰恰相反，在廉价且超级智能的国际象棋软件的激励下，下国际象棋的人数、锦标赛的数量以及选手的水平都达到了历史之最。

与深蓝首次战胜卡斯帕罗夫时相比，拥有国际象棋大师头衔的人数至少翻了一番。现今排名第一的人类国际象棋选手马格努斯·卡尔森（Magnus Carlsen）就曾和人工智能一起训练，并且被认为是所有人类国际象棋选手中最接近电脑的一个。他还是有史以来评分最高的人类国际象棋大师。

既然人工智能可以帮助人类成为更优秀的国际象棋选手，那么合理地推测，它也能帮助我们成为更优秀的飞行员、医生、法官、教师。大多数人工智能完成的商业工作都将由专注某个狭小领域的专门化智能软件负责。比方说，它能把某种语言翻译成另一种语言，但不能干别的；它可以开车，却不能和你交谈；它能记得YouTube上所有视频里每个像素，却无