摘要：人工智能发展迅速，可是到底什么成就了今天的人工智能呢？跟随我们一起来探索吧。
人工智能
大多数个人电脑、智能手机和其他设备的硬件性能非常相似，由操作系统定义，通过下载其他软件“学习”。早期计算机的学习完全依赖于与人类的交互，而现在则通过互联网接收更新。
随着越来越多的数据存储到云端，服务器代理的作用不断增强。这些代理负责计算密集型任务，类似于中枢神经系统。相反，面向消费者的电子产品正在改善它们的输入 / 输出能力，变得有点像外围神经。
由此也衍生出了物联网。在物联网中，拥有数十台高度专业化的微型设备，每台只执行一项或几项功能。基于云计算的中央“大脑”负责协调所有设备来控制房屋、工厂甚至整个区域。
相比之下，机器人技术专注于更加自主的主体。机器人必须实时处理复杂的现实情况。自动驾驶汽车就是典例:
图中简化了结构，真实的系统有超过 100 个传感器，具有恒定的输入流。自动驾驶汽车的设计是当今人工智能研究中最困难的领域之一。
面向消费者的机器人只是人工智能研究中的微小分支，是一个相对较新的趋势，而大多数机器人是为工业和军事需求设计的。与武装无人机或核电站控制员的失误相比，自动驾驶出租车的不当行为更像一场小型事故。此类系统的策略编程不依赖于黑盒算法，但其工作的每个方面均需要严格的数学规范。
量子世界（Quantum world）
量子力学是人工智能和生物智能的共同基础。量子力学的出现，为以半导体为核心的计算机技术奠定了基础。
300 多年前发展起来的计算行星运动的数学方法作为了反向传播和梯度下降的基础。概率论、统计力学和矩阵力学成为了量子力学的基础，是现代人工智能的近亲。目前，深度学习就像炼金术，物理学则可以帮助我们更好地理解它。
虽然量子计算机还处于起步阶段，但目前的实验表明它能有效地加速处理某些优化问题。例如，玻尔兹曼机器是一种人工神经网络，但难以在大多实际场景中进行应用，所以研究学者提出了一种受限的变体，成为最早的深度神经网络之一。量子计算机则有可能结合玻尔兹曼机器和其它概率模型的全部计算能力。
理解量子力学非常难，概率振幅只是冰山一角。尽管许多人批评人工神经网络的解释性很差，但他们也无法直观地描述量子力学。
生物智能（Biological Agents）
生物智能存在了约 30 亿年。地球上数百万种生物都有一个共同点:DNA。
DNA 是细胞的“中枢神经系统”。人们认为，在基于 DNA 的生命出现之前就有基于 RNA 的生物体，它们在功能和结构上非常相似。
生物学家们在很长一段时间里都认为，约 98% 不编码蛋白质的 DNA 是无用的。但后来的研究发现，它们在控制编码 DNA 以适应动态环境中起着关键作用。DNA 自身的某些部分可能会被甲基化失活，但这是可逆的，且在整个生命周期中发生多次。
现代科技已能合成和编辑我们想要的 DNA，人工和生物智能已无太大区别。
细胞（Cells）
具有基本功能的细胞称为原细胞：
它们代表了最初生命有机体的样子。大约 30 亿年前的地球环境模型表明，在足够多的核苷酸中能够捕获脂类气泡，从而产生第一个基因组，而基因组又能通过从周围环境中捕获营养物质实现复制。在积累了足够数量的基因和其他化学物质后，这些气泡在内部压力的作用下分裂。
另一个简单的例子是病毒。两者的主要区别在于病毒不维持内部代谢，需要利用其他生物体进行自我复制。病毒的基因组通常很短，只编码 1 到 2 个蛋白质。然而，病毒可以通过 DNA 交换与宿主进行“交流”，这一过程称为水平基因转移。许多单细胞生物都有这种能力，它在整个进化过程中扮演着重要的角色。
相比之下，细菌可以对不同的化学物质，光，压力，温度等进行感应。许多细菌在分子水平上具有类似于普通内燃机的运动机制。
此外，它们有相当强的沟通能力，可以成群结队地聚集在一起，能借助自身基因组和周围的蛋白质消化大量的营养物质，并执行相当复杂的行为。它们的结构与原细胞和古细菌非常相似。
真核细胞与此相反，它们有许多细胞器。其中，像线粒体和叶绿体都有自己的 DNA 片段，在过去可能是独立的生物体。此外，线粒体在克雷布斯循环中发挥着至关重要的作用，能够促进新陈代谢。
真核细胞内部结构虽然复杂，但缺乏自行移动的能力。动物细胞也缺乏叶绿体和细胞壁，使其失去自主性。生物细胞虽然逐渐失去了独立生存的能力，但却获得了更为复杂的“社会”能力。
细胞通过动作电位对环境变化做出快速反应。当传感器检测到化学物质、压力或其他刺激时，细胞膜电势迅速变化。
但动作电位信号仅限于源细胞和与其有直接膜 - 膜连接的细胞。它可以通过信号分子传递给其他细胞，但过程耗时长。大多数动物进化出了专门的细胞——神经元克服该问题。
神经元形状各异，可以长出新的突触或移除旧的突触。外围神经元通常只有几百个连接，而中间神经元的连接可能超过 10000 个。这些机制使它们能够快速移动信号，并通过调整突触强度进行转换。此外，脊椎动物的许多轴突都有髓鞘，可以使电位移动得更快，同时激活更少的膜通道，节省能量。
下面介绍到目前为止研究得最好的神经系统之一，线虫：
研究人员对其进行了长达 50 年的剖析，了解其全部 302 个神经元的详细结构，其中包含 5000 多个突触：
即使只有 302 个神经元，研究人员也很难判断它们在做什么。它们持续地“学习”，且功能可能会实时变化，而人类大脑拥有数十亿个细胞。
考虑到复杂性，神经科学的大多数研究都集中在特定的区域、通路或细胞类型上。大多数进化的旧结构负责呼吸、心跳、睡眠 / 苏醒周期、饥饿和其他重要功能。大脑皮层是最受研究人员关注的。
大脑皮层是一层折叠的层状薄片，厚度约为 2 - 3 毫米，大脑的其他部分被一块类似于餐巾纸的结构所覆盖。
大脑皮层涉及一些高级认知功能，如语言、意识、计划等。新皮层约占大脑皮层的 90%。
另一研究充分的区域是海马体：
所有的脊椎动物都有一个类似的结构叫做苍白球，但哺乳动物有一个更进化的版本，海马体。它在空间记忆和情景记忆中起着至关重要的作用，其功能类似一个时空地图。有了这张地图，大脑就可以把复杂的记忆储存在专门用于视觉、听觉和其他表现形式的区域。
最初对大脑的研究集中在损伤外伤和内部损害上。在大脑皮层中，大脑区域缺失和认知功能缺失之间的相关性较弱。研究结果表明，记忆分布在整个大脑皮层，甚至在手术切除邻近神经元的某些部分后，还可以重新学习缺失的功能。研究人员提供了如下区域图:
但上图在实际和理论两方面都缺乏精确性。在实验环境中，你可以刺激大脑的某一部分，观察其反应。但是，除了主要的感觉和运动区域外，得到的结果并不准确。另一方面，功能性磁共振成像可以跟踪受试者，判断在执行某些任务时大脑的活跃部分，但这些区域并非专门处理特定任务，结果也不准确。同时，功能性磁共振成像实际上是在测量氧气的供应水平，所以仅仅测量单个神经元的活动水平是不够的，就像这样:
大脑活动的另一个有趣的特征是它以波的形式进行：
以上研究能够帮助理解和治疗神经系统疾病，却并不能描述人类的行为。但是，这种自下而上的思维研究方法仍然取得了重大发现，比如基于神经活动来预测一个人的选择，以及大脑没有“中心”部分。
从心理学角度分析，人类行为在很大程度上受到遗传、文化和环境因素的影响。智商及智商测试方法是其中最著名的研究成果。虽然有理论试图对智力做出解释，如多元智能理论，智力的三位一体理论等，但并未被广泛接受。
这些理论的主要问题在于没有提供一种定量证明的方法。即使是像走路或说“嗨”这样简单的行为，涉及到的神经结构也极其复杂，再加上考虑到每个细胞内 DNA 和其他生物机制的复杂性，对神经科学研究的做出心理学解释往往比实验本身还要复杂。
什么是智能？
答案虽然多样，但到目前为止都没有一个被广泛接受的统一理论。也许 AIXI 和 IIT 的结合会推动其产生。要把两者结合起来，需要一个奖励的概念，这个概念可能来自医学和经济学，适用于每一种人工和生物智能。
当前几乎所有的智能衡量都基于某些任务的性能，这在瞬息万变的现实环境中不够灵活。或许，将意识定义为“任何可能的经验”，以及与 AIXI 背后的智能框架相关联的 IIT 框架，可以提供一幅更广阔的认知图景。任何主体工作都可以被描述为量子系统的波函数，但这不仅难以计算，还对习得的中间表征以及生物智能和人工智能的解释提出了巨大的挑战。
虽然人工智能的进步和对人类智能的深层次理解有着巨大的应用前景，但仍存在一些挑战：
隐私（Privacy）
偏差（Bias）
一致性（Alignment）：大多数人工智能训练都是基于效用最大化或误差最小化，而这些目标函数并不能代表所有的人类价值和道德。
替代（Displacement）：科技取代人类完成特定任务已经有一段时间了，但人类的进化比人工智能要慢得多。
网络攻击（Cyberattacks）
心理工程（Psycho-engineering）：大量的心理实验和历史教训表明，即使没有任何暴力倾向的人，如果被适当地操纵，也会对别人造成伤害。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。