放弃人机对立吧，人机协同才能推动社会发展。这是IBM研究院的高级副总裁约翰·凯利博士(Dr. John Kelly)在召开于旧金山的提高人类智力认知水平研讨会上传达的中心思想。
在IBM公司的组织下，这场研讨会聚集了行业内与学术界中机械学的领袖人物，,共同讨论了人类如何利用人工智能处理每天产生的万亿兆字节数据来提升智力水平。
“这并不关乎机器获得智慧或是夺取世界，”凯利说到，“更不关乎重建人类大脑或其基础结构。这是将脑中的意识——或者任何我们所能得到的意识——提取出来，然后转移到当下的计算架构中，从而更好地处理数据，扩展我们对世界的认知。”
“我认为关键的疑问在于：不知的代价是什么？”凯利问道。
约翰·凯利博士“计算界的未来”主题演讲，介绍了我们的“认知时代”
大约有80%的数据未成结构，这意味着当下的计算架构不能对其作出任何阐释。到2020年，这个数字将会达到93%。对人类而言，未建构的数据并不陌生——想象向一个朋友介绍一个街景的录影。轻而易举。然而，对当下的电脑而言，这项任务却难如登天。
但是，未建构数据的分析问题远远不只停留在理论上。
IBM希望通过认知计算阐释医学图像
“拿医学作为例子。一生中，一个人能够产生超过10兆亿字节的健康数据，它们当中的绝大部分以电子记录和医学图像的形式存在。再乘上当前人口，‘健康的秘密’可能就藏在这些数据中。”凯利说道。然而，我们并没有从这巨大的资源中作出分析，解释以及推断的手段。
问题同时处于硬件与软件面前。“这是个难以对付的挑战，”来自蒙特利尔大学的神经网络及深度学习专家及受邀演讲者尤舒·本吉奥博士(Dr. Yoshua Bengio)如是说，“但科学家们正在这两个方面取得进展。”
智慧芯片
当下，计算机计算进程的基本元件硅芯片依靠的都是相同的过时计算架构，这种架构最早提出于将近70年前。这些芯片将数据处理和数据存储——这是该芯片搭载的两种主要功能——分离到不同的物理区域，这就需要区域间不断地传递信息从而降低了效率。尽管这样的体系足以应对基础的数据运算和表格处理，但在未建构数据的洪流的冲击下，像在视觉及语言的处理中，这种体系便举步维艰。
IBM TrueNorth 芯片
“这便是为什么我们要走这条蜿蜒绵长的大规模神经形态电脑芯片生产的道路。” 哈门德拉•默德哈博士(Dr.Dharmendra Modha)，IBM的首席科学家这么说道。在去年权威杂志《科学》上，默德哈和他在IBM与康奈尔大学的同事提出了一种名为TrueNorth的芯片，其运行方式更像哺乳动物的大脑而非当下用于智能手机中的微电子芯片。“当你观察大脑时会发现，它既是数字的也是模拟的。”受邀演讲者，索尔克研究所计算神经学先驱人物泰瑞·索诺斯基博士说道。
大脑的数据性体现在它活动进程的尖脉冲性，尤其对于那些需要长途无衰减传递的信息。但同时在整合信息的方式上它又是模拟性的。信息十分杂乱，可能很不准确，但大脑可以在严格的能量制约中——一些完全不同于当下电脑芯片的东西——作出“尚可”的解决方案，从而将信息处理得不错。
大脑也是个多线程运算的大师，而且足以胜任十分复杂的工作。一部分的原因在于神经元——大脑的基本计算单元——的动态连接机制，每一个独立的神经元都通过突触处的化学信号与数以千计邻近的神经元相连。一个信息可以通过1 000亿个神经元与100万亿个突触，且不需预先编程：常被一同激活的神经网络得以强化，不常激活的则被淘汰。
这是一种分布于多个处理层次以及大脑物理区域，高效率、强适应性的节能型计算架构。
“这意味着从一个区域到另一个区域的数据传输需求减少了。”索诺斯基说道。
TrueNorth模仿大脑，通过连接54亿个晶体管作为100万个“神经元”，并通过2.56亿个“突触”相互连接。然而这种芯片尚未拥有对突触强度进行动态调节的能力，但整个小组正往这一方向努力。
“这种芯片与当今的架构有着根本区别。”默德哈说道。但他强调这并不是对大脑功能的精确诠释。
想到我们可以从人工智能延及生物学便十分令人兴奋，但TrueNorth并非大脑的模仿。大脑在一些方面处理得相当不错：图形感知，直觉认知，推理，乃至道德感，但不擅长阐释大量数据的意义。
“我们在尝试利用人工智能增加人类的智慧而不是单纯地复制。”默德哈强调。
意识驱动的软件
科学家们同时也从大脑中汲取灵感，致力于建立更智能的算法。
小辣椒：一个可以通过IBM沃森数据库的开发与人类进行自然语言交流的日产机器人
“在人工智能方面仍有许多艰难的问题，像是如何从已知推广到未知，如何以自然的日常语言推理逻辑问题。”本吉奥说道。以常人作出决断的速度（大约50毫秒）进行真实时间下的在线学习，是另一块难啃的骨头，这像是一种高效的多模块处理，即将视觉数据与音频流和其他类型的传感器连接起来。
然而机械学习小组却不愿承认深度学习的基本局限性。“直到数学给予证明，否则我不能说什么策略是不可能的。”本吉奥笑道。
“这个领域正在稳步发展。现在，我们为了更好地解决语言翻译以及其他在过去难以克服的问题，正将内存存储集成入日常网络。”本吉奥说道。
下一个重要的问题是去理解“为什么”，即算法是如何建构再现以表达它们的回答的。
问题在于，人们想要知道为什么计算机会在人们相信它们之前作出一系列的决定。比如说上班族，他们想知道为什么无人驾驶汽车突然在路中央停了下来，或是冒险走了一条不寻常的道路，我们畏惧我们所不知道的，这便是推广新科技时会遇到的问题。小组成员对此也表示认同。
然而当下，对于人类而言，算法生成的表述非常难以理解，而且它们的推理链隐藏在数以百万计的计算背后。“我认为，自然语言编程的发展将有助于此，”本吉奥说道，“从而我们的计算机可以回应我们。”
深度学习算法“黑盒子”的性质也给这个领域带来了一种“神奇的”创新品质。我们都是实验家，专家一致承认。这一领域靠人类的直觉发展；如果它成功了，科学家们将回头尝试找出其背后的理论。
Robonaut机器人：由NASA和通用汽车公司共同设计制造的第一个人形空间机器人。
这种高度灵巧的机器人能助人完成一切事情：从简单的房屋清洁到监测氨气的泄漏。
这是人类与机器协同作用的绝佳例子。人类意识驱使机器，机器反过来通过解读数据来增加人类智慧。
“我们正在建设先进的智能自动化系统作为我们自身的扩展以及亲密的合作者。”迈伦·迪弗特勒博士(Dr. Myron Diftler)，NASA约翰逊太空中心的机器人构造学家在小组讨论中说道。
未来，人与机器将携手并进。
科幻星云网翻译出品，转载请注明出处，原文链接：
http://singularityhub.com/2015/10/14/forget-humans-vs-machines-its-a-humans-machines-future/
精华评论