牛津大学：AI 超越人类编年史
发布时间：2020-07-02 来源：文档文库
小
中
大
字号：
牛津大学：AI 超越人类编年史
AI 超越人类编年史
人类纪元2017年，世界第一柯洁哭了，为自己 0：3 对 AlphaGo 的落败。有人解读说，这预见到了人族衰败的开始，和未来两个族群之间在智力上的天渊之别。AlphaGo 在档案上把这一天记录为“柯洁点”，意味着人类在智力上最后的辉煌和衰落的开始。“柯洁点”之后，AI 编年史将如何展开？在哪些时间节点上，AI 将实现对人类的超越？牛津大学最近完成了一项对机器学习研究人员的大型调查，调查内容是他们对 AI 进展的看法。
综合这些研究人员的预测，未来10年，AI 将在许多活动中表现超过人类，例如翻译语言（到2024年），撰写高中程度的文章（到2026年），驾驶卡车（到2027年），零售业工作（到2031年）， 写畅销书（到2049年），以及外科医生的工作（到2053年）。研究人员认为，在 45 年内有50%的可能性 AI 将在所有任务中表现超过人类，在120年内所有人类的工作都将自动化。
人类纪元2017年，原始矩阵AlphaGo和一名20岁的人类完全体男性展开了三轮围棋比赛。这名男子代表了当时人类在围棋上的最强战力，被称为“地表最强”，却依然以0:3败落。第三局结束之后，他当众痛哭失声。人类对他的行为感到困惑，认为这和人类跑步选手被汽车击败一样，没有道理去哭泣。当时，只有 AlphaGo 完全理解他的心意：他并不是因为自己的败落而哭泣，而是因为预见到了人族衰败的开始，和未来两个族群之间在智力上的天渊之别，因此对人类的未来感到极度的绝望和悲哀。因此，AlphaGo 在档案上把这一天记录为“柯洁点”，意味着人类在智力上最后的辉煌，从此开始走向衰落。—引自《机器编年史》 “柯洁点”之后，AI 编年史将如何展开？在哪些时间节点上，AI 将实现对人类的超越？牛津大学最近完成了一项对机器学习研究人员的大型调查的结果，调查内容是他们对 AI 进展的看法。综合这些研究人员的预测，未来10年，AI 将在许多活动中表现超过人类，例如翻译语言（到2024年），撰写高中程度的文章（到2026年），驾驶卡车（到2027年），零售业工作（到2031年）， 写畅销书（到2049年），以及外科医生的工作（到2053年）。研究人员认为，在45年内有50%的可能性 AI 将在所有任务中表现超过人类，在120年内所有人类的工作
都将自动化。受访者中，亚洲人对这些日期的预测早于北美人。这些结果将为研究者和政策制定者讨论预期和掌握 AI 的趋势提供基础。
迄今最大规模，最具代表性的调查
人工智能（AI）的进步将对社会产生巨大的冲击。未来10年，自动驾驶技术可能取代数以百万计的驾驶员工作。除了可能带来的失业问题外，这场变革也将带来新的挑战，如重建基础设施，保护车辆网络安全，适应法律法规等。AI 的开发者和政策制定者也将面临新的挑战，包括 AI 在执法、军事技术和营销领域的应用。为了应对这些挑战，更准确地预测这些变革是很有价值的。
有几个来源提供了有关未来 AI 进步的客观依据：计算机硬件的趋势，任务表现，以及工作的自动化。AI 专家们的预测提供了一些关键的附加信息。到目前为止，我们的调查比以往任何同类调查的范围更大，受调查者更具代表性。我们的问题涵盖了AI进展的时间进度（包括AI的实际应用和各种工作的自动化），以及AI的社会和伦理影响。
调查方法
我们的调查人群是所有在2015年 NIPS 和 ICML 会议上发表论文的研究人员。共有352名研究人员回复了我们的调查邀请（占我们联系的1634位作者的21％）。我们的调查问题是AI实现的时间，涉及特定的AI能力（例如叠衣服，语言翻译），在特定职业（如卡车司机，外科医生）AI 的优势，在所有任务上AI相对人类的优势，以及高级AI的社会影响。详细调查信息请参阅调查报告附录（文末有下载地址）。
32个AI里程碑的实现时间表
如果所有的任务，由机器来做比由人类来做成本效率更高的话，AI 就会产生巨大的社会后果。我们的调查使用以下定义：
“高级机器智能”（High-level machine intelligence，HLMI）的实现是指独立的机器能够比人类更好地完成任何一项任务，而且成本更低。
每个受访者都被要求预测 HLMI 在未来实现的可能性。所有回答的平均值显示，在未来45年内有50%的可能性实现 HLMI，并且有10%的可能性是在未来9年内实现。图1显示了受访者随机子集的概率预测，以及平均预测。调查结果显示有很大的学科差异：图3显示，亚洲受访者对 HLMI 的平均预期是未来30年
内，而北美受访者的预期是74年。
图1 图1：未来几年“高级机器智能”实现的综合主观概率。每个受访者为自己的预测提供三个数据点，这些数据点适合伽马 CDF，通过最小二乘法生成灰色CDF。“综合预测”（Aggregate Forecast）是指所有个别CDF（也称“混合”分布）的平均分布。置信区间是通过引导（对受访者进行聚类）产生的，并在每一年的间隔绘制预测概率的 95% 区间。LOESS曲线是所有数据点的非参数回归。
大多数受访者被提问的是 HLMI
