考慮如何投資于人工智能功能的公司首先應(yīng)該明白，未來5年，應(yīng)用程序和機(jī)器將變得更加智能。他們將減少對自下而上的大數(shù)據(jù)的依賴，更多地依賴自上而下的推理，這種推理更類似于人類處理問題和任務(wù)的方式。這種一般性的推理能力將使人工智能得到比以往任何時候都更廣泛的應(yīng)用，并為早期使用者創(chuàng)造機(jī)會。

最近，人工智能通過深度學(xué)習(xí)和機(jī)器學(xué)習(xí)取得了進(jìn)步，通過對海量數(shù)據(jù)的訓(xùn)練，自下而上地建立了有關(guān)系統(tǒng)。例如，無人駕駛汽車被要求在盡可能多的交通場景下進(jìn)行訓(xùn)練。但是這些被稱為“數(shù)據(jù)饑渴神經(jīng)網(wǎng)絡(luò)”有著嚴(yán)重的局限性。他們在處理“邊緣”情況(即數(shù)據(jù)很少的情況)時尤其容易陷入困境。一輛能夠應(yīng)對人行橫道、行人和交通堵塞狀況的無人駕駛汽車在處理異常情況時遇到了麻煩，比如孩子們穿著怪異的萬圣節(jié)服裝，在黃昏后穿梭于各個街道。

許多其他系統(tǒng)也很容易陷入困境。iPhone X的面部識別系統(tǒng)不能識別“清晨睡夢中醒來的臉”——用戶在第一次醒來時浮腫、憔悴的表情。神經(jīng)網(wǎng)絡(luò)打敗了國際象棋冠軍，并在古老的日本圍棋比賽中獲勝，但如果把一幅圖像倒過來或稍微進(jìn)行改變，神經(jīng)網(wǎng)絡(luò)可能會識別錯誤。

數(shù)據(jù)饑渴的系統(tǒng)還面臨業(yè)務(wù)和道德約束。并不是每家公司都有足夠的數(shù)據(jù)來構(gòu)建使用神經(jīng)網(wǎng)絡(luò)的獨(dú)特功能。使用大量公民數(shù)據(jù)還會引發(fā)隱私問題，可能導(dǎo)致政府采取更多行動，比如歐盟的《通用數(shù)據(jù)保護(hù)條例》，該條例對個人數(shù)據(jù)的使用提出了嚴(yán)格要求。此外，不清楚這些系統(tǒng)如何使用輸入數(shù)據(jù)來獲得諸如操作或決策之類的輸出。這就使得它們?nèi)菀资艿叫膽巡卉壢耸康牟倏v(比如干涉2016年美國總統(tǒng)大選的人士)，當(dāng)出現(xiàn)令人尷尬的錯誤時，組織很難解釋其中的原因。

然而，在未來，我們將擁有自上向下的系統(tǒng)，它不需要那么多的數(shù)據(jù)，而且速度更快、更靈活，并且像人類一樣，它天生就更聰明。許多公司和組織已經(jīng)在使用這些更自然的系統(tǒng)。為了規(guī)劃未來幾年人工智能的發(fā)展方向，并據(jù)此規(guī)劃投資和測試，企業(yè)應(yīng)該在以下四個領(lǐng)域?qū)ふ野l(fā)展:

更高效的機(jī)器人推理。當(dāng)機(jī)器人像人類一樣對世界有一個概念性的理解時，用更少的數(shù)據(jù)訓(xùn)練他們東西就更容易了。加州聯(lián)合市的初創(chuàng)公司Vicarious正致力于開發(fā)機(jī)器人的人工通用智能，使它們能夠從很少的例子中進(jìn)行歸納總結(jié)。該公司的投資者包括馬克·扎克伯格、杰夫·貝佐斯和馬克·貝尼奧夫(Salesforce首席執(zhí)行官)。

想想那些用雜亂的字母和數(shù)字判斷你是人類還是機(jī)器人的網(wǎng)站。這種方式被稱為驗(yàn)證碼(完全自動化的公共圖靈測試，一種用于區(qū)分計(jì)算機(jī)和人類的方式)，它們對人類來說很容易解決，但對于計(jì)算機(jī)來說很難。基于計(jì)算神經(jīng)科學(xué)，Vicarious公司的研究人員開發(fā)了一種模型，該模型能以遠(yuǎn)高于深度神經(jīng)網(wǎng)絡(luò)的速度破解驗(yàn)證碼，數(shù)據(jù)效率是深度神經(jīng)網(wǎng)絡(luò)的300倍。要以67%的準(zhǔn)確率解析驗(yàn)證碼，替代模型每個字符只需要5個訓(xùn)練示例，而最先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)需要5萬倍的實(shí)際驗(yàn)證碼字符串訓(xùn)練集。這些模型能夠比現(xiàn)在常用的人工智能方法更快地訓(xùn)練和更廣泛地推廣，將對世界有類似人類概念理解的機(jī)器人引入人類世界。

模擬人類專家行為。在面對高度不確定性和極少的數(shù)據(jù)時，自上向下的人工智能能夠模擬人類專家將會做什么。在設(shè)計(jì)和控制多種工廠設(shè)備方面，自上向下的人工智能可以擊敗饑餓數(shù)據(jù)的方法。西門子正在使用自上而下的人工智能技術(shù)來控制燃?xì)廨啓C(jī)中高度復(fù)雜的燃燒過程。在燃?xì)廨啓C(jī)中，空氣和氣體流入燃燒室，在高達(dá)1600攝氏度的高溫下點(diǎn)燃和燃燒。從氣體的質(zhì)量到空氣的流動，再到內(nèi)部和外部的溫度，渦輪產(chǎn)生的排放量以及最終能持續(xù)運(yùn)轉(zhuǎn)多久，取決于許多因素的相互作用。

使用自下而上的機(jī)器學(xué)習(xí)方法，燃?xì)廨啓C(jī)需要運(yùn)行一個世紀(jì)才能產(chǎn)生足夠的訓(xùn)練數(shù)據(jù)。相反，西門子的研究人員Volar   Sterzing和Steffen   Udluft使用的方法在機(jī)器的學(xué)習(xí)階段幾乎不需要數(shù)據(jù)。由此產(chǎn)生的監(jiān)測系統(tǒng)對渦輪機(jī)的排放和磨損進(jìn)行了精細(xì)的調(diào)整，優(yōu)化了渦輪機(jī)的運(yùn)行方式，不斷地實(shí)時尋找最佳解決方案，就像專家智能地協(xié)調(diào)旋轉(zhuǎn)多個旋鈕一樣。

常識。各種各樣的組織都在努力教會機(jī)器使用常識來理解世界——理解日常物體和行為，自然地交流，處理不可預(yù)見的情況，并從經(jīng)驗(yàn)中學(xué)習(xí)。但沒有明確的訓(xùn)練或數(shù)據(jù)，人類天生就會做的事情，對機(jī)器來說極其困難。艾倫人工智能研究所的首席執(zhí)行官Oren Etzioni說:“目前部署的人工智能系統(tǒng)無法可靠地回答一系列簡單的問題，比如，‘如果我把襪子放在抽屜里，它們明天還會在那里嗎?’”或者“你怎么知道牛奶盒里裝的是什么?”

為了幫助定義對機(jī)器來說具有常識意味著什么，艾倫人工智能研究所正在開發(fā)一個任務(wù)組合，可以根據(jù)它來度量進(jìn)度。DARPA在人工智能研究方面投資了20億美元。在其機(jī)器常識(MCS  Machine Common   Sense)項(xiàng)目中，研究人員將創(chuàng)建模擬人類認(rèn)知核心領(lǐng)域的模型，包括“對象領(lǐng)域(直觀物理)、位置領(lǐng)域(空間導(dǎo)航)和代理領(lǐng)域(有意參與者)”。微軟和麥吉爾大學(xué)(McGill  University)的研究人員聯(lián)合開發(fā)了一種系統(tǒng)，有望解開自然語言中的歧義，這一問題需要多種形式的推理和知識。

利用高斯過程進(jìn)行預(yù)測。人類通常且能毫不費(fèi)力地對可能性進(jìn)行預(yù)測，并采取最佳的行動，即使之前的經(jīng)驗(yàn)相對較少。機(jī)器現(xiàn)在正在學(xué)習(xí)通過應(yīng)用高斯過程來模擬這種推理——概率模型可以處理廣泛的不確定性，并從經(jīng)驗(yàn)中學(xué)習(xí)。谷歌的母公司Alphabet推出了Project Loon，旨在通過一套漂浮在平流層的巨型氣球系統(tǒng)，向世界上服務(wù)不足的地區(qū)提供互聯(lián)網(wǎng)服務(wù)。他們的導(dǎo)航系統(tǒng)采用高斯過程來預(yù)測氣球在分層且高度可變的高空風(fēng)中需要飛向何處。氣球不僅可以通過分析過去的飛行數(shù)據(jù)做出合理準(zhǔn)確的預(yù)測，還可以在飛行過程中分析數(shù)據(jù)并相應(yīng)地調(diào)整預(yù)測。

這種高斯過程很有前途。它們不需要大量的數(shù)據(jù)來識別模式;推理和學(xué)習(xí)所需要的計(jì)算是相對容易的，如果出了問題，它的原因是可以追蹤的，這與神經(jīng)網(wǎng)絡(luò)的黑匣子不同。

盡管所有這些進(jìn)步都是相對較近的時期內(nèi)取得的，但它們可以追溯到上世紀(jì)50年代人工智能剛剛起步的時候，當(dāng)時一些研究人員開始追求模仿人類智能的自上而下的模型。但是，當(dāng)進(jìn)步被證明是難以捉摸的，并且自下而上的機(jī)器學(xué)習(xí)方法的豐富潛力變得顯而易見時，自上而下的方法基本上就被拋棄了。然而，今天，通過強(qiáng)大的新研究和計(jì)算技術(shù)，自上而下的人工智能又重生。當(dāng)它的光明前景開始顯露出來，聰明的公司會把錢投在最有價值的地方。