AI這個詞是在1955年由達特茅斯大學的數學教授John McCarthy提出的，他在次年組織了這個主題的開創性會議。從那以后，或許是由于這個令人回味名字的原因，這個領域的發展遠遠超過了人們的想象。1957年，經濟學家 Herbert Simon 預言計算機將在10年內擊敗人類(實際上花了40年)。1967年，認知科學家Marvin Minsky說，“在一代人的時間內，人工智能的問題將得到極大的解決。” Simon和Minsky都是智力巨人，但顯然他們都錯了。

我們先來看看AI已經在做什么，以及這個領域的進展有多快。最大的進展來自于兩大領域：感知(perception)和認知(cognition)。在前一類中，最前沿的進展大部分是和語音相關的。語音識別還沒有達到完美，但現在有數百萬人已經在使用它們了——想想Siri、Alexa和Google Assistant。你現在正在閱讀的這篇文章最初是由我們口述給計算機的，已經比我們自己打字更快了。斯坦福大學計算機科學家James Landay和他的同事進行的一項研究發現，語音識別的速度大約是手機上打字速度的三倍。語音識別的錯誤率已經從過去的8.5%，下降到4.9%了。令人驚訝的是，這種實質性的進步并非在過去10年，而是從2016年夏天開始。

圖像識別領域的進展也讓人驚嘆。你可能已經注意到，Facebook和其他app現在已經能從你上傳的圖片中識別出你的朋友，并提示你用他們的名字來標記他們。在你的智能手機上運行的app可以識別任何野生鳥類。圖像識別甚至取代了公司門禁卡。自動駕駛汽車中所使用的視覺系統，在識別一個行人的時候，通常會在30幀中出現一次錯誤(在這些系統中，相機記錄大約每秒30幀);而現在，它們的錯誤頻率要少于1千萬幀。ImageNet這個大型數據庫中識別圖像的錯誤率，已經從2010年的30%下降到了2016年的4%。

近年來，隨著大規模深度神經網絡的使用，AI領域的進展日新月異。當然，目前基于機器學習的視覺系統還遠遠沒有完美無缺——但即使是人也不是無所不能的嘛。

AI領域第二類的主要進步是集中在認知和問題解決方向。機器已經打敗了最優秀的(人類)撲克玩家和圍棋選手——雖然原來專家們預測至少還要再過十年。谷歌的DeepMind團隊使用了機器學習系統來提高數據中心的冷卻效率提升了15%。像Paypal這樣注重網絡安全的公司也正在用AI來檢測惡意軟件。由IBM技術支撐的系統使得新加坡一家保險公司的索賠過程進入了自動化。數十家公司正在使用機器學習來幫助進行金融交易決策，而且越來越多的信貸決定是在AI幫助下做出的。亞馬遜采用機器學習來優化庫存，并提升給客戶的產品推薦。Infinite Analytics公司開發了一個機器學習系統來預測用戶是否會點擊某個特定的廣告，為一家全球消費包裝產品公司的在線廣告位置進行了優化。另一個開發的系統幫助巴西的一家在線零售商改進客戶的搜索和發現過程。第一個系統將廣告的ROI提升了三倍，而第二個系統使得年收入增加了1.25億美元。

機器學習系統不僅在許多應用中取代了舊有的算法，而且在許多曾經被人類做得最好的任務上也占盡先機。盡管這些系統并不完美，但它們的錯誤率已經表現比人類更好了。語音識別，即使在嘈雜的環境中，現在也幾乎等同于人類的表現。這為改變人們的工作和經濟帶來了巨大的新可能性。一旦基于AI的系統在給定的任務中超過人類的表現，它們就更有可能迅速傳播。例如，Aptonomy和Sanbot，這兩家分別是無人機和機器人的制造商，他們正在使用改進的視覺系統來自動化大部分保安人員的工作。軟件公司Affectiva使用它們來識別諸如快樂、驚訝和焦點小組的憤怒等情緒。Enlitic是幾家利用AI來識別醫療影像，進而幫助診斷癌癥的深度學習的初創公司之一。

這些成果都令人印象深刻，但是基于AI的系統的適用性仍然相當狹窄。例如，既然AI在擁有數百萬圖片的ImageNet數據庫上表現出色，也并不總能在現實環境中取得同樣的成功。因為在現實世界里，光線條件、角度、圖像分辨率和背景可能會非常不同。更重要的是，如果人類完成了一項任務，我們會很自然地假設此人在相關任務中具有一定的能力。但是，機器學習系統是被訓練來完成特定的任務，因此通常他們的知識不會泛化。我們離那些能在不同領域展現通用智力的機器還非常遙遠。