新时代人工智能写作，看看神码AI是怎么工作的

在人工智能写作面前，谁能确定他们仍能保住自己的铁饭碗工作？这是麻省理工学院的两位学者在去年发布的新书中提出的一个问题。他们的观点也被BBC在《智能机器》主题上引用。英国关注这个话题的主要原因是，在英国社会，人工智能所扮演的角色越来越接近人类。

那么哪些人会体验神码AI人工智能写作软件？当然，网站编辑、自媒体人，以及网络作者等是首选。首先是因为大量的文字工作，这些文字工作由手工去完成的话会使这些任务变得非常复杂。因此，使用神码AI人工智能写作可以大大降低个人工作压力，能腾出更多精力去其它更有意义的事情中去。

早在2009年，英国测试机构Eds就宣布使用计算机来审阅英文写作论文。英国《时代教育补充》当时，报告称特殊编程的计算机将“扫描”论文，评估学生的语法和词汇，确定可能的正确答案，并给出总分。

虽然英国人没有看过人工智能创作的小说，但英国社会并不鼓励机器人参与写作氛围，但许多英国人已经相信人工智能可以胜任许多写作工作。 2014年，英国《 Guardian》进行了纸质测试计划，安排“机器人”统计分析社交网络上的共享热点和注意力加热，然后内容过滤、编辑排版和打印，最后制作一份报纸。作为先驱，该计划每月仅打印5,000份，仅在媒体组织内传播。然而，《卫报》记者说，当我收到纸质测试计划的那一刻，我觉得整个时代都发生了变化。事实上，《 Guardian》“机器人报纸”的入侵不再是新闻制作的一部分，而是完全体现了“全能”的主编。英国Celaton人工智能机器人公司总裁安德鲁·安德森在接受“每日邮报”》采访时预测，未来的机器人将会做一些工作，而不是人类。在五年内，人们不必在办公室秘密工作。工作，在2025年，智能机器人将有能力自学和重新编程。智能机器人将有能力学习、以调整、以使用判断和自我重新编程。未来的智能机器人将进一步影响更多行业的工作，包括销售、教育、医疗保健、管理、金融和法律行业。

有一天，人工智能可以真正取代我们的写作。这是好事还是坏事？在一些科学家的眼中，它的好坏不再重要，因为这已经成为一种趋势。英国物理大师斯蒂芬霍金去年在伦敦举行的一次国际会议上指出：“在未来100年，人工智能计算机将取代人类。”这不是霍金第一次发出警告。在此之前，他曾与英国其他学者发表文章《独立报告》，指出人工智能可能导致人类灭绝。在他看来，“对于人工智能，短期问题是谁控制它，长期问题是它是否可以控制。”

五十年代，人工智能曾一度被极为看好。之后，人工智能的一些较小的子集发展了起来。先是机器学习，然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。

从概念的提出到走向繁荣

1956年，几个计算机科学家相聚在达特茅斯会议（DartmouthConferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。

让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头，发展到能够支撑那些每天被数亿用户使用的应用的。

人工智能（ArtificialIntelligence）——为机器赋予人的智能

成王（Kingme）:能下国际跳棋的程序是早期人工智能的一个典型应用，在二十世纪五十年代曾掀起一阵风潮。（译者注：国际跳棋棋子到达底线位置后，可以成王，成王棋子可以向后移动）。

早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（GeneralAI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。

这个结果并不坏，但并不是那种能让人感觉良好的成功。特别是在云天的情况下，符号变得不太明显，或者被树阻挡，算法很难成功。这就是为什么，前一段时间，计算机视觉的表现还未能达到人的能力。它过于僵硬，太容易受到环境条件的干扰。

随着时间的推移，学习算法的发展改变了一切。

深度学习——用于机器学习的技术

HerdingCats：从YouTube视频中查找猫的照片是深度学习中出色表现的第一次演示。 （译者注：herdingcats是英语成语，照顾一群喜欢自由的猫，不喜欢驯服，用来描述情况混乱，任务很难完成。）

人工神经网络是早期机器学习中的一种重要算法，经历了数十年的起伏。神经网络的原理受到我们大脑生理结构神经元——的启发。但与大脑中可以在一定距离内连接的任何神经元不同，人工神经网络具有、连接和数据传播方向的离散层。

例如，我们可以将图像分割成图像块并将它们输入到神经网络的第一层。第一层中的每个神经元将数据传递给第二层。第二层神经元也执行类似的工作，将数据传递到第三层，以此类推，直到最后一层，然后生成结果。

每个神经元为其输入分配权重，并且该权重的正确性与其执行的任务直接相关。最终输出由这些权重的总和确定。

我们仍然使用停止标志作为示例。打破停止标志图像的所有元素然后用神经元“检查”：八角形状、类似救火车的红色、独特字母、典型大小的交通标志和静止运动特征等等。神经网络的任务是得出它是否是停止标志的结论。神经网络基于所有权权重——“概率向量”给出了经过深思熟虑的猜测。

在此示例中，系统可能会给出结果：86％可能是停止标志; 7％可能是速度限制标志; 5％可能是挂在树上的风筝等等。然后，网络结构告诉神经网络其结论是否正确。即使这个例子也相对先进。直到最近，神经网络仍然被人工智能圈所遗忘。事实上，在人工智能的早期，神经网络已经存在，但神经网络对“智能”的贡献微乎其微。主要问题是即使是最基本的神经网络也需要大量的计算。神经网络算法的计算要求难以满足。

然而，仍然有一些虔诚的研究团队，由多伦多大学的Geoffrey Hinton代表，他坚持研究并实现针对超级计算的并行算法的操作和概念验证。但是在广泛使用GPU之前，这些努力只能看到结果。

让我们回顾这个停车标志识别的例子。神经网络由调制、训练，并且它仍然非常容易出错。它最需要的是培训。需要数百甚至数百万个图像进行训练，直到神经元输入的权重被非常精确地调制，无论是有雾，晴天还是下雨，每次都能获得正确的结果。

只有这一次，我们可以说神经网络成功地从停止标志中学习了自己;或者在Facebook应用程序中，神经网络学习你母亲的脸;或者在2012年，Google的Andrew Ng教授实现了神经网络，以了解猫的外观等等。

吴教授的突破在于这些神经网络的显着增加。层数非常大，并且有很多神经元，然后系统输入大量数据来训练网络。吴教授的数据来自1000万个YouTube视频。吴教授对深度学习进行了“深入研究”。这里的“深度”是神经网络中的许多层。

现在，通过深度学习训练的图像识别在某些情况下甚至可以比人类更好：从识别猫，识别血液中癌症的早期成分，到识别MRI中的肿瘤。谷歌的AlphaGo首先学会了如何玩Go然后用它下棋。它训练自己的神经网络的方式是不断下棋，在地下重复，永不停止。

深度学习，人工智能的未来

深度学习使机器学习能够实现广泛的应用并扩展人工智能领域。深度学习无情地完成了各种任务，使得所有机器辅助功能似乎都成为可能。无人驾驶汽车，预防性保健，甚至更好的电影推荐都在眼前或接近。

人工智能现在就在明天。通过深入学习，人工智能甚至可以达到我们富有想象力的科幻小说。我带了你的C-3PO，你有你的终结者。