人工智能变得火爆大概是从15年秋天开始——Deepmind的AlphaGo打败韩国围棋九段选手李世石。围棋向来被认为是人类智力的顶峰之作，一盘围棋走法比宇宙中所有原子的总和还要多。按照当今计算机的性能，想要依靠穷举法完成招数的运算是不可能的。但是，AlphaGo却使用了深度学习把人类打的一败涂地。从那之后，人工智能就逐渐进入公众的视野。上至政府的工作报告，下至学校的学生甚至种地的农民，都在讨论人工智能。人工智能也已经被很多国家上升到国家战略层面上，被认为是未来国家间博弈的重要砝码。因此，很多高校竞相开设人工智能专业。大家似乎都已经忘了人工智能经历过的几次低谷。虽然这次人工智能浪潮比前几次都要迅猛，但是未来也许会再次经历低谷。没有人知道未来会怎么发展，但是可以肯定的是我们仍然处于弱人工智能时代。
当前主流的商业的或者学术的人工智能应用大多基于机器学习而建立。神经网络就是机器学习最重要的一种。而神经网络的原理很简单，就是复杂的回归。我们在高中都学过线性回归：在笛卡尔坐标系上给定一系列坐标对(x,y)，然后就可以根据最小平方差公式求得一个表达式y=ax+b，这个过程就就做学习。如果在给一个新的因变量x_new，那么这个公式就能在一定误差允许的范围内给出预测值y_new。当然，这种回归是线性的，它只能够预测两者的线性关系，对于非线性的结果就无能无力。而神经网络因为加入各种非线性的函数，所以能够在一定程度上预测两个变量之间的非线性关系。但是，本质上两者的所用到的原理是一样的。当可供学习的数据越多时，预测的结果也就相对越准确。就像让小孩去辨别马和牛一样，当你只给他几头牛和几匹马时，他并不能很好的分辨出两者的差别。可能有些马的眼睛比较大而毛又比较短，像牛；而有些牛的体型消瘦，四肢修长，更像马。这样再给小孩一头牛或者一头马，他就很难做出正确的判断。这时最好的解决办法就是给他一大群的马和牛，让他学习。当今的人工智能也是通过加大学习的样本量来让系统变得越来越智能。
但是这种智能真的是智能吗？非洲有些贫困国家，如肯尼亚，广泛存在的数据工厂构成人工智能产业链的最上游（https://baijiahao.baidu.com/si d=1616374166761494452&wfr=spider&for=pc）。这些工人做着最没有智能的事情，却能够在将来构建最有智能的系统，实现自动驾驶。那么这种系统的智能到底是人的智能还是计算机的智能呢？计算机并没法分辨一副图片里面到底什么是汽车，什么是行人。只有人告诉它图片里各种实物后，它才能利用海量的数据样本来学习每种实物的特征（feature）。数据越多，系统就越智能，目前这条定理还是存在的。我们老师上课曾经讲过IBM和Google的故事：两家公司都在搞机器翻译，IBM的团队人很多，使用了各种各样的模型来修正结果，但是结果依然不如谷歌。这些IBM的工程师跑去向谷歌请教，谷歌一脸无辜地说：我也不知道啊，我什么模型也没用，可能就是数据比较多吧（谷歌的样本是IBM的十倍）。这大概就是现代版的“无他,惟手熟尔”吧？
当今各个人工智能公司除了人才的竞争外，最重要的就是数据的竞争。有了数据，就有喂饱系统的粮食。所以，各个公司才敢冒天下之大不韪滥用用户数据。前段时间，facebook，google都纷纷传出数据丑闻。但是即使是有如谷歌这般体量的公司，数据也是有限的。如果人工智能沿着机器学习的路一直走下去的话，是不可能产生真正的智能或者智慧。智慧的核心是推理，也即因果关系。而当今的机器学习缺的恰恰是因果关系。早在上世纪80年代，就出现了基于因果关系专家系统。但是受制于技术的原因，专家系统常常会得出非常离谱的推论，且其效果比神经网络差很多。近几年，随着计算机硬件以及深度学习理论的发展，神经网络进入井喷发展阶段，而专家系统早已被人遗忘。
尽管现今的专家系统的发展处于低谷期，但是我认为专家系统或者事情其它基于因果关系的理论才是实现强人工智能的终极工具。贝叶斯神经网络之父，图灵奖得主——Judea Pearl，如今出了一本新书“The Book of Why: The New Science of Cause and Effect”。在这本书中，他对现在人工智能的发展表示感到担忧。他指出： “几乎所有的深度学习突破性成果本质上来说都只是些曲线拟合罢了”。因果关系让机器具有意识以及思维，才可能变成和人一样的道德实体。否则机器永远是机器。
