错误的推断，有限的想象力，以及其他常见的错误使我们无法更有效地思考未来。我们对人工智能和机器人的未来充满了歇斯底里的情绪：它们将会变得多么强大、多么迅速，以及它们将对就业产生怎样的影响。



我最近在­MarketWatch（道琼斯旗下的新闻网站）上看到一个故事，说机器人将在10到20年的时间里取代当今人类的一半工作。甚至有一个图形来证明这些数字。故事似乎表明，我们将从美国的100万名维修工人发展到10到20年后的5万名，因为机器人将接管这些工作。

问：目前有多少机器人在这些岗位上运行? 答：零
问：在这个领域，机器人有多少实际的演示? 答：零

类似的故事也适用于所有其他类别，我们将看到超过90%的工作需要在某个特定的场所进行。

错误的预测会导致人类对那些不会发生的事情产生恐惧，无论是对工作的大规模破坏，奇点，还是人工智能的出现，这些都与我们的价值观不同，可能会试图毁灭我们。我们需要对这些错误进行反击。但是人们为什么制造了这些错误呢? 我看到了七个常见的原因。

1.高估和低估
Roy Amara是硅谷未来研究所的联合创始人。他认为，我们倾向于高估短期内技术的影响，低估长期的影响。这句话有两种理解方式。乐观主义者可以从一种方式解读，而悲观主义者则可能有另一种解读看法。

这句话有一个很好的例子可以诠释--美国的全球定位系统。从1978年开始，有24颗卫星(现在包括备件共有31颗)被放置在轨道上。GPS（全球定位系统）的目标是让美国军方精确地提供军火。但在20世纪80年代，这个项目几乎被取消了。它的第一个用途是在1991年的“沙漠风暴”中;军方接受了它的效用，还取得了几次成功。

现如今，GPS指的是Amara所说的长期影响，而它的使用方式在最初是不可想象的。我的第2款Apple Watch在我外出跑步时使用了GPS，准确地记录了我的位置，还可以看到我沿着街道的哪一边跑步。对于早期的GPS工程师来说，接收器的尺寸和价格是不可思议的。这项技术在全球范围内同步进行物理实验，并在同步美国电网和保持其运转方面扮演着重要的角色。它甚至允许那些真正控制股市的高频交易员避免灾难性的定时误差。我们所乘坐的飞机，无论大小，都使用它来导航。GPS在一开始就有一个目标，但要让它像最初预期的那样工作的话是十分困难的。现在它已经渗透到我们生活的方方面面。

在过去的30年里，我们看到了与其他技术相似的模式。最开始技术为人类带来一个巨大的承诺，然后令人失望，最后对超出最初预期承诺的结果再次开始缓慢恢复信心。这在计算、基因组测序、太阳能、风能，甚至是食品杂货的送货上门领域亦是如此。

在20世纪60年代，或是在20世纪80年代，人工智能被高估了，我现在又相信了这一观点，它的长期前景也可能被低估了。但问题是:长期的时间到底是多长? 接下来的6个错误会解释为什么人工智能的未来会被严重低估。

2.想象魔法
在1962年至1973年间，科幻小说作家亚瑟·克拉克制定了克拉克三大定律:

• 定律一：如果一个年高德劭的杰出科学家说，某件事情是可能的，那他可能是正确的；但如果他说，某件事情是不可能的，那他也许是非常错误的；


• 定律二：要发现某件事情是否可能的界限，唯一的途径是跨越这个界限，从不可能跑到可能中去；


• 定律三：任何非常先进的技术，初看都与魔法无异。

现在假设一个人告诉我们，他看过一张人们在公园里玩飞盘的照片。我们很自然地假设这个人可以回答出关于这张照片的一些问题。比如:飞盘的形状是怎样的? 飞盘飞了多远？等等。

而电脑，没有机会回答这些问题。除此之外，它们只能给更多地给图片加标签，但却不能回答问题。

但这并不意味着这些系统是无用的;它们对搜索引擎很有价值。人们听说一些机器人或人工智能系统已经执行了一些任务。然后，他们将这种表现归纳为一种能力。人类将这种泛化应用到机器人或人工智能系统中。

如今的机器人和人工智能系统在它们所能做的事情上是非常狭隘的。人类风格的归纳并不适用。

4.手提箱词汇(suitcase word)
“学习”是一个有力的手提箱词汇。学习可以指很多不同类型的经验。学习使用筷子是一种不同于学习演唱新歌的体验。学习编写代码也是一种非常不同的体验。

当人们听说机器学习在一些新领域取得巨大进步时，他们倾向于将其作为一种思维模式，即人们学习新领域知识的方式。然而，机器学习是非常脆弱的，它需要大量的准备工作，包括特殊用途的编码，特殊的训练数据集，以及每个新问题领域的自定义学习结构。今天的机器学习并不是人类所从事的那种像海绵一样的学习，比如说在不需要有一个的特定目的的情况下，机器学习在一个新的领域取得了快速的进展。

同样地，当人们听说计算机可以击败世界象棋冠军(在1997年)或者世界上最好的围棋选手(在2016年)时，他们往往认为它就像人类一样“玩”游戏。当然，在现实中，这些程序根本不知道游戏到底是什么，甚至不知道它们在玩什么。它们的适应能力也不强。当人类玩游戏时，规则的微小变化不会让他们放弃，而对于AlphaGo或Deep Blue来说则不是这样。

手提箱词汇误导人们，说机器在人们能做的事情上做得有多好。这在一定程度上是因为人工智能研究人员的新闻机构渴望在一个手提箱概念的实例中取得进展。新闻标题大肆宣扬“手提箱”这个词，并扭曲人们对人工智能的普遍理解。

 

本文为编译作品，作者为Rodney Brooks，转载请注明出处。