20世紀60年代的人們對人工智能充滿了美好的未來愿景，但這一前景在半個世紀后仍未實現。而人們如今確信，盡管早期的進展比較緩慢，但真正實現了人工智能的應用愿景。似乎每一個采用軟件的產品都在聲稱采用了人工智能技術。面對這些宣傳和炒作，人們必須對人工智能的現實發展有著清醒的認識。

 

 

人們對人工智能的應用正處于興奮的階段。在某些方面，由于處理能力的最新發展，人工智能被吹捧為最終走向現實。人們再一次對生活被徹底顛覆以及工作被智能機器所取代的愿景充滿了幻想。廉價圖形處理單元的可用性已經使卷積神經網絡在某些應用(例如圖像識別)方面具有商業實用性。并且幾乎所有市場上的軟件都被廣告宣傳為“由人工智能驅動”，但在企業將其業務的未來發展寄托在人工智能之前，對一些現實保持清醒的頭腦是明智的。

 

長期以來，實用的人工智能一直是“下一個大事件”。它承諾在日常工作中減輕人們的負擔，同時幫助人們實現難以想象的科學和工程成就。也有更多的反烏托邦式的設想，即人工智能取代了廣大勞動力，導致大量的工作崗位被人工智能驅動的機器所取代，甚至有些人得出結論：人類是多余的和低效的，將會在電影《終結者》中設想的那樣發生人類和機器之間將會發生終極戰爭。

 

這些愿景在很長一段時間內都不可能實現。大約20年前，一位專家提出了人工智能代表的是“人工智能不是發明的”這一觀點，他當時的觀點是對的，現在這么說也是對的。人工智能的實際應用已經成熟。然而，這些應用是有限的，值得注意的是，通用人工智能還像以往一樣遙遠。

 

 

當大多數人聽到“人工智能”一詞時，通常就會想到科幻小說中描述的人工智能，它可以響應一些模棱兩可的語音命令，并執行復雜的計算和邏輯行為。這些令人印象深刻的機器得出的結論是，人類由于記憶力有限以及推理能力較慢，最終將被人工智能超越，但這是一個不精確的、不正確的定義，其原因很簡單，人們很難定義“智能”。

 

拋開所謂的智力測驗，例如智商(IQ)測驗或學術成就測驗，例如用于大學入學的測驗。

 

大多數人都知道人們認為非常聰明的人由于各種原因在這些測試中得分不高。相反，出于討論目的，需要考慮儲存和回憶、關聯和推理，以及將創造性的解決方案應用于新情況等能力的組合。

 

誠然，這個定義是有限和不精確的，但是人們對于人類大腦功能的理解也是如此。事實上，人類的思維遠遠超出了自己的理解，以至于人們甚至無法就人類思維意味著什么達成共識。但是，這種智能定義將滿足隨后討論人工智能功能的需求。

 

為了理解真正的智能到底離人們有多遠，建議閱讀行業專家Douglas Hofstadter關于這個主題撰寫的一本開創性著作，該著作涉及哥德爾、埃舍爾、巴赫等理論。這本書著于40年前，它分解了最低層次思考的含義，并深入研究了簡單的數學概念，以及人們在日常生活中使用算術時如何思考令人難以置信的抽象概念。人們發現這是一本很有啟發性的著作，它使人們認識到通用人工智能比想象的要遠得多。考慮一下：對計算機編程以正確執行數學計算，人們必須以驚人的精確度理解各個方面。如果人們甚至不理解智能是什么，那么怎么可能把計算機編程成真正的智能?

 

 

人們不可能將計算機編程視為真正的智能，但可以將計算機編程看作一種有限的智能，特別是在專業領域中。IBM公司推出的Watson可能是這種機器最著名的例子，但是即使Watson也有一些明顯的局限性。無論如何，大多數企業沒有安裝和使用Watson規模的人工智能項目所需的資源。

 

但是，在有限的技術范圍內，還有另一條途徑可以實現人工智能的一些好處。最基本的第一步是改進數據建模。正如專家所述，以本體的形式定義數據模型是一個好主意，因為它可以幫助人們定義數據的語法和語義。

 

使用Web本體語言(OWL)建模的數據以支持機器推理的格式進行記錄，這是一種簡單但功能強大的基本人工智能。因為Web本體語言(OWL)建立在稱為“描述邏輯”的推理分支中，所以它適合許多基于邏輯的推理過程，這些過程都是強大又可解釋的。隨著在醫療和軍事行動等應用中部署基于人工智能的應用程序，解釋人工智能過程如何到達其結果的能力變得越來越重要。在基于人工智能輔助推薦的基礎上做出任何重要決定之前，用戶正確地希望理解人工智能將如何得出這個結論。這推動了人們對“可解釋人工智能”的渴望。

 

卷積神經網絡(CNN)可以執行令人印象深刻的圖像識別功能，但是很難準確地跟蹤它們如何做出決定。分類和比較有很多層次，其最終結果非常準確并且一致。但這并不意味著人們可以真正解釋卷積神經網絡(CNN)如何得出每個圖像的決定。

 

與其相反，當數據模型使用Web本體語言(OWL)或其他形式邏輯表示(例如公共邏輯)形式化時，人們可以編寫推理規則，并使用形式邏輯規則應用它們。考慮一個簡單的示例：創建一個簡單的數據模型，其中包含一個類“Person”，具有 “name”和“sex” 兩個屬性。在Person類的實例之間可以建立兩種關系：“has_parent”和“has_sibling ”。通過這個簡單的模型，人們可以存儲諸如PersonA has_sibling PersonB和PersonB has_Parent PersonC之類的數據。

 

采用一個簡單的規則，例如“如果Person1 has_sibling person2，并且Person2 sex = Female，然后Person1 has_sister Person2”，就可以推斷出數據庫中每個人的新知識(請記住，原始數據模型不包括sister的概念)。人們可以使用類似的規則來推斷關系，例如祖父母、兄弟、表弟以及其他人。而且由于這都是建立在形式邏輯上的，因此其結果是完全可以解釋的。但其結果超出了可解釋的范圍，并證明是正確的。

 

可以使用現成的推理技術(商業和開源)進行這種推斷。諸如Protégé之類的本體編輯工具可以使用諸如HermiT和Pellet之類的多種推理引擎。有許多數據庫和分析產品都支持這種基于邏輯的推理，并且在正確配置它們之后，其性能可與其他數據庫技術相媲美。

 

基于邏輯的推理無法為人們提供可以討論黑格爾哲學精髓或編寫鋼琴奏鳴曲的人工智能系統。但是可以為人們提供可以執行許多常規數據處理任務的人工智能系統。