最近几周，人工智能（AI）比其短暂历史上的以往任何时候都吸引着更多的关注、资金和人才。但突如其来的狂热，乃是该领域之外人士所兜售的神话和误解的结果。
　　多年来，AI领域增长有序，已有方案能令性能每年增进1%～2%。与此同时，AI研究者也得益于更加强大的工具，包括高性价比云计算、高速廉价的数据处理硬件、通过互联网实现的无缝数据共享，以及高质量开源软件的进步等。在这些因素的推动下，机器学习尤其是深度学习，主宰了人工智能，让人兴奋不已。
　　该领域必然还会有进一步的进展，但这种进展未必是线性的。尽管如此，炒作这些技术的人抓住各种诱人的神话，首先便是AI能够解决一切问题。
　　每周，我们都能读到轰动性的报道，比如《智能机器自学量子物理》《人工智能在辨别肺癌方面胜出人类》等等。这些标题常常只是狭隘的正确。对于像“辨别肺癌”这样的一般性的问题，AI只能为问题提供特殊的、简化的解读，将任务退化为基于圖像识别的档案归类。
　　这些故事不曾提到，AI其实并不像人类那样去理解图片或语言。相反，算法寻找隐藏的复杂特征组合，如果它们出现在特定的图片或档案集中，就属于目标类别的特征。这样的分类未必可以用于关于人的决定—不管是癌症患者诊断还是应该将某人关禁闭多久。
　　不难看出这是为什么。尽管AI系统在通常与“高智能水平”（下象棋、围棋）相关的任务中表现胜于人类，但它们距离擅长人类未经或稍加训练便可驾驭的任务（如看懂笑话）还十分遥远。我们所谓的“常识”，其实是巨大的隐性知识库—自幼体验和了解世界所形成的累积效应。将常识编码并输入AI系统，仍是一个悬而未决的挑战。尽管AI将继续解决某些难题，但距离完成许多对儿童来说也是小菜一碟的任务仍有很长距离。
　　这就引出了第二个相关神话：AI很快就将超越人力智能。2005年，未来主义畅销作家瑞·库茨维尔预测到2045年，机器智能将比所有人力智能加起来还要强大不知凡几。尽管库茨维尔认为AI的指数增长或多或少将保持下去，但其所面临的壁垒也会不断抬高。
　　壁垒之一便是AI系统复杂程度的激增。目前，已经需要数十亿个参数来训练“机器学习算法”从“海量数据集”中学习。我们已经无法理解系统所有部分之间的互动，因此也很难掌握如何将各部分组合并联通起来解决某个任务。
　　另一个壁垒是带注释（“标签”）数据的稀缺。带注释数据是机器学习的基础。谷歌、亚马逊、脸书和苹果等科技巨头坐拥最令人憧憬的数据，但毫无公开这些无价资产的激励。
　　第三个神话是AI将很快让人变得多余。在2015年的畅销书《未来简史》中，以色列历史学家尤瓦尔·诺亚·赫莱利指出，大部分人将在所有高层次智力决策方面沦为AI系统专属社会的二等公民。事实上，一些普通工作，如驾驶卡车，很有可能在未来十年内被AI取代，许多与日常重复任务有关的白领工作亦然。
　　但这些趋势并不意味着会发生大量失业，因为老工作将被目前尚无法想象的新工作取代。1980年，没人知道数百万人很快就能靠互联网的附加值生活。
　　诚然，未来的工作可能会要求高层次数学和科学训练，但AI本身可以提供部分方案，来实现以参与性更强的新方法训练人们获得必要的能力。被AI夺走的工作，将会被AI训练人们胜任的工作取代。不存在人类注定要沦为未来AI奴隶的科技或历史定律。
　　本文由Project Syndicate授权《南风窗》独家刊发中文版。斯坦·马特温是加拿大新斯科舍省哈利法克斯达尔豪斯大学计算机科学教授、大数据分析研究所主任。