AI新聞那麼多，但來亂的也不少！這位人工智慧教授說出新聞報導中對人工智慧的5大誤解

這篇文章出現後，引起許多科技界專家紛紛轉發，大概真的是說出了他們的心裡話吧。而除了科技記者，這篇文章中提到的事實和建議，大概需要每一個關心人工智慧的人仔細讀讀。

親愛的記者朋友們：

近期常能讀到不少人工智慧相關的「爛文」（新聞和公關稿都有），所以我在想，針對如何幫助各位寫出更好的人工智慧新聞稍提建議。

有些關於AI文章基本上是廢話，有些錯誤滿篇，有的看起來好像很正確但也充滿著誤導。我不會指名道姓，任何在 AI 領域工作或者經常讀 AI 新聞的人都會有大把的例子。當然，也有很多很棒很好的文章，不過好文章的比例還有待提高。

首先，我理解，你所寫的是一個在急速變化的領域，其中充滿了各種各樣的專業術語和有偉大遠景的專業人士。除了這些令人興奮的事物外，這個領域中還有大量值得一寫的內容，但是你其實並不太瞭解，或者說完全不瞭解這個領域。

你對人工智慧的瞭解可能和我對「皮革製造」的瞭解一樣少。

但是，皮革製造的發展過程非常緩慢，人工智慧卻發展的非常迅速，並且涉及的相關內容都是你無法觸碰或者看到的。我能理解，你會產生一種「必須在新聞過時前立刻寫出」的焦慮，但是你卻不知道從哪裡開始入手，如何解讀那些人工智慧研究者的古怪言論。所以，這不是一個輕鬆的工作。

為了對人工智慧領域有更高品質的報導，並且基於我對不同技術實力記者寫出的採訪內容的滿意程度，我將給出以下建議。 

不要以為你採訪的研究者瞭解所有的人工智慧議題

事實 ：人工智慧是一個很大的領域，從相關論題和使用的方法來看，是變化多樣的 。

人工智慧領域的重大會議 （比如 IJCAI,AAAI,ICML和 NIPS）有成千上萬的與會者，就算是其中的絕大多數參加者，也只瞭解會議中的一小部分內容。當我去參加這些會議的時候，我只能聽懂大概20%的內容並得到一些啟發。

雖然我本人可能不太聰明，但是能同時跟進人工智慧多樣的分支領域，比如約束傳播，深度學習和隨機搜尋的尖端知識的人是非常稀少的。

因此這是我的建議：不要以為你採訪的研究者瞭解「最近人工智慧領域最尖端的技術是什麼」。

更重要的是，如果有人說他們知道現在人工智慧領域在發生什麼事，請假設他們只瞭解這個大領域中的一小部分。所以，就算是他們說的內容，也請跟 AI 領域中的其他部分的研究者覆核一下。

目前沒有一種「大一統」人工智慧可以既開車又會寫詩

事實 ：沒有所謂的「大一統」人工智慧技術存在。

人工智慧是開發模仿人類使用大腦去做一些事情的軟體工具的方法和概念的集合。研究者和開發者開發出新的方法（也用已有的方法）去構建一些引人矚目的軟體工具（有時候是硬體），比如能玩遊戲或者畫貓咪。

不過，同一個系統不能同時玩遊戲和畫貓咪。事實上，我沒有聽說過可以做很多個不同任務的人工智慧系統。即使當同樣的研究者基於同樣的概念，為了完成不同的任務而開發系統時，他們會選擇開發多個軟體工具系統來實現。

因此，當一個記者寫下「X公司的人工智慧技術不僅已經可以開車，現在還能寫詩」的時候，這個記者寫的內容雖然不能說它錯，但會誤導讀者以為有一種特別有智慧的機器存在的錯覺。事實上，他寫的意思該是「X公司的（甲）人工智慧技術可以開車，另一個（乙）人工智慧技術可以寫詩」。

建議：多去挖掘各種人工智慧系統的限制性。你不妨去問看看「太空侵略者」和「世紀帝國」這兩個遊戲是不是應用了一樣的神經網路模型（提示：並不是）。 

人工智慧不是什麼新鮮事

事實 ：人工智慧是一個舊領域，並且其中只有幾個概念是真正的新概念。

時下很酷炫但是稍微有些被高估的深度學習，其實起源於1980年代的神經網路研究，而神經網路模型更是基於1940年代的概念和實驗。在很多情況下，研究是由對已有方法的微小改動和改進組成，而這些已有方法在研究者還沒出生的時候就已經被設計出來了。

「反向傳播」這個演算法是現在深度學習的主要支架，這個演算法已經有好幾十年的歷史，並且是由很多人接力完成的。IBM的深藍電腦戰勝了西洋棋大師蓋瑞 卡斯帕羅夫證明了電腦比人類更會下西洋棋，其中的核心演算法是有阿蘭· 圖靈在1940年代就提出的極大極小值演算法。

圖靈，是人工智慧和廣義電腦科學的創始人之一，在1950年寫了名為「電腦與智慧」的論文。這篇論文不僅因我們現在所稱的圖靈測試而聞名，也包含了人工智慧的很多核心概念的萌芽。

建議：閱讀圖靈1950年的論文。 這是一篇閱讀感非常棒的文章，沒有複雜的數學公式，各種技術詞彙也非常通俗的融入其中。 

你會驚嘆於人工智慧的幾個關鍵思想在當時已經都提到了，雖然可能只是萌芽階段。 在撰寫關於令人興奮的技術新突破的故事時，建議多諮詢在這個行業已有些年紀的老人家，或至少是中年的AI研究者。 這些人在 AI 變得很酷之前就開始研究 AI 了，所以已經經歷過了一個 AI 炒作的階段。 有可能這個人可以告訴你這個新進展是從哪個舊想法稍微改進一點而來的。

不要相信炒作，多尋求客觀意見

事實：創業公司總是想賣點什麼。 

顯然，那些在創業公司中工作的人正在尋求增加公司的估值和投資或收購的機會。 在學術界工作的人正在尋找談話邀請，文章引用，推廣等。 那些在大公司工作的人希望人們對他們的某些與實際研究結果有關（甚至無關）的產品感興趣。

建議：不要相信炒作。 

不要找撰寫這篇文章的相關人員推薦給你的採訪人，嘗試尋找其他研究人員並尋求他們的意見，詢問是否相信該文章裡描述的主張。 

人工智慧多來自於人類的智慧，並不完全為自動化

事實：大部分「人工智慧」其實是人的智慧。 

研究人員和開發人員專注於將 AI 應用於特定領域（如機器人，遊戲或翻譯）的原因是：構建系統來解決問題時，大量與實際問題相關的知識（「領域知識」）被包含在系統裡。 為了更簡單的構架系統，可能需要為系統提供特別的輸入，使用專門為其準備的訓練數據，人工手動進行部分系統的程式，或甚至為瞭解決問題需要重新編寫。

建議：理解「AI 解決方案」的哪些部分是自動的，哪些是由於人類領域知識的手動修改而來。

一個好方法就是提問「如果在一個不同的問題上，這個系統將如何工作」。

我先寫到這兒吧，這篇文章可能聽起來有些暴躁。不過，事實上人工智慧已經有很多很厲害的進展值得跟進，所以我們並不需要因為各種銷售技巧，把舊聞當成新聞來寫。，不是嗎？