本文發表於《大眾科學》的前部落格網路，反映了作者的觀點，不一定反映《大眾科學》的觀點
過去幾年，基於機器的分析技術的發展異常活躍，這些技術都被廣義地標記為人工智慧。聽起來很酷的術語層出不窮：有神經網路、多線性子空間學習、隨機森林、深度玻爾茲曼機、深度Q網路等等。
這些工具不僅為計算和自動化（從大資料分析到自動駕駛汽車、無人機和其他機器人實體）開闢了新的前景，它們還引發了關於其承諾和危險的新一輪辯論。技術飛躍可以減輕我們的家務，但也可能奪走我們的工作。如果人工智慧變得越來越強大（並且像我們一樣在智力上更通用），那麼人們有理由擔心，對我們世界的物質控制將在不久的將來被輕易地從我們手中奪走。
但我願意保持樂觀。即使是我們初步的人工智慧也已經在為我們做一些積極的事情。它正在幫助我們以不同的方式思考，以全新的眼光看待世界。這樣做可能有助於我們更深入地探索宇宙的運作方式。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保未來能夠繼續產出關於塑造當今世界的發現和想法的具有影響力的報道。
一個簡單的例子是谷歌Deepmind的AlphaGo系統所發生的事情。這個深度學習系統不僅擊敗了頂尖的人類棋手，還揭示了關於這項古老遊戲的新事物。世界排名最高的生物棋手柯潔表示：“在人類花費數千年改進我們的戰術之後，計算機告訴我們，人類是完全錯誤的……我甚至可以說，沒有一個人類觸及到圍棋真理的邊緣。”
拋開誇張的說法，這有力地說明了人工智慧在尋找解決問題的新方法方面的效用。學生變成了老師。
對於從事這類人工智慧開發前沿工作的人來說，這些都不是秘密。但是，前進的道路上仍然存在許多挑戰。我猜想，主要的障礙將僅僅是確定我們可能需要人工智慧代表我們進行不同思考的領域。目前，這些機器在非常特定的領域工作，這些領域有規則集和無休止的試錯機會，或者有大量資料可供挖掘相關性和因果關係機率。
科學肯定有一些可能符合要求的難題。我們是否應該嘗試將人工智慧應用於大量的粒子加速器資料，以在沒有物理學先入為主觀念的情況下找出“規則”？或者，也許可以使用像NASA開普勒任務的整個恆星光變曲線檔案這樣的資料庫，讓人工智慧告訴我們關於恆星和行星的哪些是有意義的或沒有意義的？不足為奇的是，類人工智慧工具實際上已經應用於這些領域。
但我認為，最終目標是構建一個機器系統，它可以體驗世界，而沒有任何人類發明者的束縛和先入為主的觀念。換句話說，我們想要一臺機器，它代表著外星物種獨自發現宇宙的思想實驗。同樣，如果能夠對我們自己的知識歷史進行“重來”，倒回歷史的錄影帶並以不同的方式向前播放，以找出我們錯過了什麼，那將是令人難以置信的。
人們有時會問我們是否知道我們不知道什麼。在科學領域，我認為答案是我們既知道又不知道。例如，宇宙學這樣的領域可能因我們存在的特定宇宙時間和我們進行觀察和測量的地點而受到永久阻礙。如果我們在遙遠的過去來到這裡，我們可能會錯過暗能量加速宇宙膨脹的跡象。在遙遠的未來，我們可能無法從追蹤原始核合成的資料中解讀出大爆炸的線索，因為早期的元素丰度可能早已被幾代恆星核聚變所抹去。
另一個例子是地球上生命的起源問題。我們仍然沒有完全瞭解無生命物質如何產生有生命物質。部分挑戰在於，我們只在生命經歷了四十億年的進化之後才看到和體驗生命。即使是基本的分子成分——像核糖體這樣複雜的元件——本身也是進化而來的物體，是選擇過程的產物。在這些尺度和細節層面上，化石和地質記錄仍然過於模糊，難以輕鬆解決這個難題。
今天，我們可能在不知不覺中被類似的令人困惑的環境轉移了對宇宙更深層次的理解，並且在涉及生命本質本身時，被我們地球直覺和本能的特殊性所矇蔽。也許合適的人工智慧可以讓我們窺視那些柵欄。
顯然，我們應該保持謹慎，但繞過偶然和進化賦予我們的智力侷限的機會是我們應該非常認真考慮的事情。
在那種情況下，我個人歡迎我們具有科學頭腦的人工智慧霸主……