本文发表于《大众科学》的前博客网络，反映了作者的观点，不一定反映《大众科学》的观点
过去几年，基于机器的分析技术的发展异常活跃，这些技术都被广义地标记为人工智能。听起来很酷的术语层出不穷：有神经网络、多线性子空间学习、随机森林、深度玻尔兹曼机、深度Q网络等等。
这些工具不仅为计算和自动化（从大数据分析到自动驾驶汽车、无人机和其他机器人实体）开辟了新的前景，它们还引发了关于其承诺和危险的新一轮辩论。技术飞跃可以减轻我们的家务，但也可能夺走我们的工作。如果人工智能变得越来越强大（并且像我们一样在智力上更通用），那么人们有理由担心，对我们世界的物质控制将在不久的将来被轻易地从我们手中夺走。
但我愿意保持乐观。即使是我们初步的人工智能也已经在为我们做一些积极的事情。它正在帮助我们以不同的方式思考，以全新的眼光看待世界。这样做可能有助于我们更深入地探索宇宙的运作方式。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保未来能够继续产出关于塑造当今世界的发现和想法的具有影响力的报道。
一个简单的例子是谷歌Deepmind的AlphaGo系统所发生的事情。这个深度学习系统不仅击败了顶尖的人类棋手，还揭示了关于这项古老游戏的新事物。世界排名最高的生物棋手柯洁表示：“在人类花费数千年改进我们的战术之后，计算机告诉我们，人类是完全错误的……我甚至可以说，没有一个人类触及到围棋真理的边缘。”
抛开夸张的说法，这有力地说明了人工智能在寻找解决问题的新方法方面的效用。学生变成了老师。
对于从事这类人工智能开发前沿工作的人来说，这些都不是秘密。但是，前进的道路上仍然存在许多挑战。我猜想，主要的障碍将仅仅是确定我们可能需要人工智能代表我们进行不同思考的领域。目前，这些机器在非常特定的领域工作，这些领域有规则集和无休止的试错机会，或者有大量数据可供挖掘相关性和因果关系概率。
科学肯定有一些可能符合要求的难题。我们是否应该尝试将人工智能应用于大量的粒子加速器数据，以在没有物理学先入为主观念的情况下找出“规则”？或者，也许可以使用像NASA开普勒任务的整个恒星光变曲线档案这样的数据库，让人工智能告诉我们关于恒星和行星的哪些是有意义的或没有意义的？不足为奇的是，类人工智能工具实际上已经应用于这些领域。
但我认为，最终目标是构建一个机器系统，它可以体验世界，而没有任何人类发明者的束缚和先入为主的观念。换句话说，我们想要一台机器，它代表着外星物种独自发现宇宙的思想实验。同样，如果能够对我们自己的知识历史进行“重来”，倒回历史的录像带并以不同的方式向前播放，以找出我们错过了什么，那将是令人难以置信的。
人们有时会问我们是否知道我们不知道什么。在科学领域，我认为答案是我们既知道又不知道。例如，宇宙学这样的领域可能因我们存在的特定宇宙时间和我们进行观察和测量的地点而受到永久阻碍。如果我们在遥远的过去来到这里，我们可能会错过暗能量加速宇宙膨胀的迹象。在遥远的未来，我们可能无法从追踪原始核合成的数据中解读出大爆炸的线索，因为早期的元素丰度可能早已被几代恒星核聚变所抹去。
另一个例子是地球上生命的起源问题。我们仍然没有完全了解无生命物质如何产生有生命物质。部分挑战在于，我们只在生命经历了四十亿年的进化之后才看到和体验生命。即使是基本的分子成分——像核糖体这样复杂的组件——本身也是进化而来的物体，是选择过程的产物。在这些尺度和细节层面上，化石和地质记录仍然过于模糊，难以轻松解决这个难题。
今天，我们可能在不知不觉中被类似的令人困惑的环境转移了对宇宙更深层次的理解，并且在涉及生命本质本身时，被我们地球直觉和本能的特殊性所蒙蔽。也许合适的人工智能可以让我们窥视那些栅栏。
显然，我们应该保持谨慎，但绕过偶然和进化赋予我们的智力局限的机会是我们应该非常认真考虑的事情。
在那种情况下，我个人欢迎我们具有科学头脑的人工智能霸主……