1956年，一群数学家和工程师聚首达特茅斯学院，制定了一项建设人工智能的远大计划。他们希望对计算机进行编程，使其能够推理、规划、导航、处理自然语言并进行翻译，感知周边世界，还可以展现创造力和直觉。
这在当时看来，似乎野心过大。然而时至今日，计算机已经在国际象棋中战胜人类，智能手机为我们提供旅行指南，聊天机器人能够起草论文，应用程序几乎可以即时进行语言翻译。
凯洛格学院的金融学教授塞尔吉奥·雷贝洛表示：“我们在人工智能领域已经取得了长足的进步，但这些进步是在多年的失败之后才实现的。”
在近期一场由凯洛格高管教育和《凯洛格洞察》主办的网络研讨会上，雷贝洛从宏观经济学家的视角回顾了人工智能过去的经验教训，以帮助我们准备好迎接人工智能今后在社会中迅速扩大的作用。
一夜成名可能需要几十年的准备
美国国防部在冷战期间曾经采用这种策略，试图发明一种机器，能够快速把捕获的俄语短语翻译成英语。计算机科学家向机器输入了大量的单词、规则和定义，然后让它逐一翻译单词。
然而，机器往往无法捕捉语言中的细微差异，以至于翻译不够准确。例如，将《圣经》中的“你们的灵魂固然愿意，肉体却软弱了”这句话翻译成俄语，然后再译回英语，就变成了“威士忌虽然烈，肉却腐烂了”。
几十年后，谷歌翻译的团队仍然在翻译中使用专家人工智能这一概念。因此译文往往过于直白，忽略了语言的微妙之处，也就不足为奇。直到谷歌在2016年放弃了这种方法，其人工智能翻译才发生腾飞。该团队利用神经网络一次处理整个句子，使用上下文来完善翻译结果。
雷贝洛称，这种成功并非一蹴而就，而是经过多年的反复试验，人工智能翻译才达到今天的水平。“我们现在看到生成式人工智能的成功也有点类似。它看似一夜成名，但其实花了50多年来打造。”
雷贝洛补充道，这些进步在很大程度上得益于政府对人工智能研究的长期资助。
“我们今天可以取得这样的成就，是因为过去50年来尽管一再失败，但政府还是一直坚持资助这项研究。”
直觉能够引导你走向明智的风险
计算机科学家李飞飞在职业生涯早期担任斯坦福大学的助理教授，当时她就意识到阻碍人工智能发展的原因。
她的直觉告诉她：“缺少的是数据。”雷贝洛说：“如果你有更多的数据和处理数据的计算能力，就可能得到神奇的结果。”
李飞飞受到启发，投入所有资源来追求这一直觉。因此，她和她的博士生开始手动标记图像，从而创建足够庞大的数据集来训练算法，希望人工智能最终可以理解图像。
“她决定做一件冒险性十足的事情。”雷贝洛说李飞飞为这项任务投入了大约两年半的时间，而不是专注于更有把握、能够帮助她更容易获得终身教职的项目。
这场赌博最终导致ImageNet的创建，这是一个包含数百万张图像的公共数据集。由“人工智能教父”杰弗里·辛顿领导的另一个计算机科学家团队利用这个数据集，开发出一种可以标记图像并描述其内容的算法。该团队在2012年的一场人工智能竞赛中，使用他们的算法分析一组新图像，彻底打败了其他算法。
雷贝洛表示：“改善极其显著。这是一个惊人的突破，也是现代人工智能的分水岭。”
从那时起，人们开始竞相获取足够的数据来培养这些永不满足的算法。他们开始认识到，人工智能的发展更多依赖于通过大数据来扩展算法，而不是在算法中积累知识。
人工智能随后的进步之所以成为可能，是因为一位刚进职场的科学家决定冒险一搏。
我们说要坚持几十年吗？试试一个世纪吧
数学家安德雷·马尔可夫曾经投入多年时间研究一个早期语言模型，他在1921年给圣彼得堡科学院写了一封信，告知他的研究有所突破。
马尔可夫一直在研究一种用来写诗的算法。但有一个问题，他没有办法亲自到科学院展示他的研究成果。于是科学院给他寄了一双靴子以示帮助，但是尺码不合适。马尔可夫始终未能成行进行演示。大约一年后，他就去世了。
近一个世纪之后，一群谷歌计算机科学家在2017年使用一种新型的神经网络（transformer）解决了马尔可夫研究的问题，该网络最终成为当今流行的大语言模型（LLM）（比如ChatGPT）的基础。
“如果我们没有在1921年丢失那篇论文，也许现在（在大语言模型方面）取得的突破就会来的更早。”雷贝洛说，“无论如何……神经网络现在取得了惊人的成果。”
尽管人工智能已经有长足的发展，但仍然有许多问题尚待解决。幻觉是一种常见的现象，亦即人工智能虚构了部分信息。这一缺陷令许多团体望而生畏。例如，在发现一名律师向法官递交了一份由人工智能撰写、其中充斥了虚构案件的辩护状后，一些律师事务所甚至禁止员工在工作中使用大语言模型。
但雷贝洛认为，因为恐惧而决定停止使用人工智能工具是个错误，只会让人们走回头路。
他说：“人们很担忧人类会被人工智能取代。但是我要说，最先被取代的就是那些不知如何使用人工智能的人。取代他们的不是人工智能，而是懂得如何使用人工智能的人。”
警惕炒作
截至2019年，科学家们已经确定了大约17万种蛋白质的结构，这是一个巨大的成就，因为光是折叠一个蛋白质就是一个需要耗费数年、值得撰写博士论文的项目。然而在2020年，人工智能程序AlphaFold确定了超过两亿种蛋白质的独特结构。
“显然，我们正处于一个新的开端。”雷贝洛说，“但同时，也存在很多吹捧和炒作。”
人们会有一种印象，认为“人工智能是一种神奇的万能工具”。但他指出，事实却截然不同。
以ChatGPT为例。在普通用户的眼中，它像是一种单一而复杂的算法，可以胜任从撰写文本到音频处理等众多任务。但在幕后，它是一套专门的算法，它们在单独执行特定任务时非常出色，但在其他大多数任务上却表现的很糟糕。
“有时人们会认为人工智能看似一套美丽闪亮的铜管。”雷贝洛表示，“但事实上，它更像我的地下室，其中所有东西都是用胶带来修理。人工智能中有很多胶带补丁。”
人们还担心人工智能会遇到瓶颈，并且OpenAI新推出的大语言模型Orion不一定比其前身ChatGPT更好。对于谷歌的Gemini和Anthropic最新版本的聊天机器人Claude，也存在类似的传言。
雷贝洛说：“数据扩展是否会继续成为人工智能巨大改进的源泉，还是我们正在进入一个收益递减的时代……没有人知道。”
但是我们不应据此就不庆祝目前的成就，因为“我们最近取得的成就确实相当惊人。”（财富中文网）
在财富Plus，网友们对这篇文章发表了许多有深度和思想的观点。一起来看看吧。也欢迎你加入我们，谈谈你的想法。今日其他热议话题：
查看《哪吒汽车官网已无法访问，显示“系统维护中”》的精彩观点
查看《刚刚，人民币传来大消息》的精彩观点
1956年，一群数学家和工程师聚首达特茅斯学院，制定了一项建设人工智能的远大计划。他们希望对计算机进行编程，使其能够推理、规划、导航、处理自然语言并进行翻译，感知周边世界，还可以展现创造力和直觉。
这在当时看来，似乎野心过大。然而时至今日，计算机已经在国际象棋中战胜人类，智能手机为我们提供旅行指南，聊天机器人能够起草论文，应用程序几乎可以即时进行语言翻译。
凯洛格学院的金融学教授塞尔吉奥·雷贝洛表示：“我们在人工智能领域已经取得了长足的进步，但这些进步是在多年的失败之后才实现的。”
在近期一场由凯洛格高管教育和《凯洛格洞察》主办的网络研讨会上，雷贝洛从宏观经济学家的视角回顾了人工智能过去的经验教训，以帮助我们准备好迎接人工智能今后在社会中迅速扩大的作用。
一夜成名可能需要几十年的准备
美国国防部在冷战期间曾经采用这种策略，试图发明一种机器，能够快速把捕获的俄语短语翻译成英语。计算机科学家向机器输入了大量的单词、规则和定义，然后让它逐一翻译单词。
然而，机器往往无法捕捉语言中的细微差异，以至于翻译不够准确。例如，将《圣经》中的“你们的灵魂固然愿意，肉体却软弱了”这句话翻译成俄语，然后再译回英语，就变成了“威士忌虽然烈，肉却腐烂了”。
几十年后，谷歌翻译的团队仍然在翻译中使用专家人工智能这一概念。因此译文往往过于直白，忽略了语言的微妙之处，也就不足为奇。直到谷歌在2016年放弃了这种方法，其人工智能翻译才发生腾飞。该团队利用神经网络一次处理整个句子，使用上下文来完善翻译结果。
雷贝洛称，这种成功并非一蹴而就，而是经过多年的反复试验，人工智能翻译才达到今天的水平。“我们现在看到生成式人工智能的成功也有点类似。它看似一夜成名，但其实花了50多年来打造。”
雷贝洛补充道，这些进步在很大程度上得益于政府对人工智能研究的长期资助。
“我们今天可以取得这样的成就，是因为过去50年来尽管一再失败，但政府还是一直坚持资助这项研究。”
直觉能够引导你走向明智的风险
计算机科学家李飞飞在职业生涯早期担任斯坦福大学的助理教授，当时她就意识到阻碍人工智能发展的原因。
她的直觉告诉她：“缺少的是数据。”雷贝洛说：“如果你有更多的数据和处理数据的计算能力，就可能得到神奇的结果。”
李飞飞受到启发，投入所有资源来追求这一直觉。因此，她和她的博士生开始手动标记图像，从而创建足够庞大的数据集来训练算法，希望人工智能最终可以理解图像。
“她决定做一件冒险性十足的事情。”雷贝洛说李飞飞为这项任务投入了大约两年半的时间，而不是专注于更有把握、能够帮助她更容易获得终身教职的项目。
这场赌博最终导致ImageNet的创建，这是一个包含数百万张图像的公共数据集。由“人工智能教父”杰弗里·辛顿领导的另一个计算机科学家团队利用这个数据集，开发出一种可以标记图像并描述其内容的算法。该团队在2012年的一场人工智能竞赛中，使用他们的算法分析一组新图像，彻底打败了其他算法。
雷贝洛表示：“改善极其显著。这是一个惊人的突破，也是现代人工智能的分水岭。”
从那时起，人们开始竞相获取足够的数据来培养这些永不满足的算法。他们开始认识到，人工智能的发展更多依赖于通过大数据来扩展算法，而不是在算法中积累知识。
人工智能随后的进步之所以成为可能，是因为一位刚进职场的科学家决定冒险一搏。
我们说要坚持几十年吗？试试一个世纪吧
数学家安德雷·马尔可夫曾经投入多年时间研究一个早期语言模型，他在1921年给圣彼得堡科学院写了一封信，告知他的研究有所突破。
马尔可夫一直在研究一种用来写诗的算法。但有一个问题，他没有办法亲自到科学院展示他的研究成果。于是科学院给他寄了一双靴子以示帮助，但是尺码不合适。马尔可夫始终未能成行进行演示。大约一年后，他就去世了。
近一个世纪之后，一群谷歌计算机科学家在2017年使用一种新型的神经网络（transformer）解决了马尔可夫研究的问题，该网络最终成为当今流行的大语言模型（LLM）（比如ChatGPT）的基础。
“如果我们没有在1921年丢失那篇论文，也许现在（在大语言模型方面）取得的突破就会来的更早。”雷贝洛说，“无论如何……神经网络现在取得了惊人的成果。”
尽管人工智能已经有长足的发展，但仍然有许多问题尚待解决。幻觉是一种常见的现象，亦即人工智能虚构了部分信息。这一缺陷令许多团体望而生畏。例如，在发现一名律师向法官递交了一份由人工智能撰写、其中充斥了虚构案件的辩护状后，一些律师事务所甚至禁止员工在工作中使用大语言模型。
但雷贝洛认为，因为恐惧而决定停止使用人工智能工具是个错误，只会让人们走回头路。
他说：“人们很担忧人类会被人工智能取代。但是我要说，最先被取代的就是那些不知如何使用人工智能的人。取代他们的不是人工智能，而是懂得如何使用人工智能的人。”
警惕炒作
截至2019年，科学家们已经确定了大约17万种蛋白质的结构，这是一个巨大的成就，因为光是折叠一个蛋白质就是一个需要耗费数年、值得撰写博士论文的项目。然而在2020年，人工智能程序AlphaFold确定了超过两亿种蛋白质的独特结构。
“显然，我们正处于一个新的开端。”雷贝洛说，“但同时，也存在很多吹捧和炒作。”
人们会有一种印象，认为“人工智能是一种神奇的万能工具”。但他指出，事实却截然不同。
以ChatGPT为例。在普通用户的眼中，它像是一种单一而复杂的算法，可以胜任从撰写文本到音频处理等众多任务。但在幕后，它是一套专门的算法，它们在单独执行特定任务时非常出色，但在其他大多数任务上却表现的很糟糕。
“有时人们会认为人工智能看似一套美丽闪亮的铜管。”雷贝洛表示，“但事实上，它更像我的地下室，其中所有东西都是用胶带来修理。人工智能中有很多胶带补丁。”
人们还担心人工智能会遇到瓶颈，并且OpenAI新推出的大语言模型Orion不一定比其前身ChatGPT更好。对于谷歌的Gemini和Anthropic最新版本的聊天机器人Claude，也存在类似的传言。
雷贝洛说：“数据扩展是否会继续成为人工智能巨大改进的源泉，还是我们正在进入一个收益递减的时代……没有人知道。”
但是我们不应据此就不庆祝目前的成就，因为“我们最近取得的成就确实相当惊人。”（财富中文网）
在财富Plus，网友们对这篇文章发表了许多有深度和思想的观点。一起来看看吧。也欢迎你加入我们，谈谈你的想法。今日其他热议话题：
查看《哪吒汽车官网已无法访问，显示“系统维护中”》的精彩观点
查看《刚刚，人民币传来大消息》的精彩观点
