来源：环球科学stificari
人类是唯一可以制造机器的动物。通过这种方法，我们扩展了自身的能力，超越了我们的生物极限。而现在，我们正在创造一项全新的技术，用代码赋予它通过数据和练习进行学习的能力，使其可以实现自我进化。人工智能会怎样改变人类的未来？
在本文作者看来，我们可以创造出自己的数字替身，它会比你自己更了解你，帮你谈生意、寻找合适的配偶，在虚拟空间里为你度过无数种可能人生。
在过去十年间，我们每年都会开发数以千计的新算法。现在机器学习算法大致可以分为5个大类，每一类都是从不同的学科领域获得了灵感。有一种机器学习方法就是在模拟自然选择，我们称这样的算法为进化算法。
但这种进化是低效的。当前应用最广泛的机器学习方法是深度学习，它的灵感来自大脑。这种方法从模拟单个神经元功能的高度简化的数学模型出发，构建出包含数千个神经元的网络，并通过学习不断调整不同神经元之间的连接。
机器学习也会借鉴心理学。与人类相似，这种以类比为基础的算法通过在已有的数据中寻找近似的问题来解决新的问题。
通过自动执行科学方法，机器也可以实现学习。为了引入新的假设，所谓的符号学习会进行逆向推理演绎。
最终，机器学习可以完全构建于数学原理之上，其中最重要的是贝叶斯定理。按照这个定理，我们可以基于现有知识，先给不同假设指定初始概率，然后提升与数据相符的假设的概率，并降低与数据不符的假设的概率，最后计算所有假设的加权平均值，就可以作出预测：概率越高的假设，权重也越高。
这5类机器学习算法，每一种都既有优势，也有不足。所以机器学习研究者一直致力于把各种方法的优势结合起来。就如同一把能打开所有锁的万能钥匙，我们也在努力创造一个所谓的主算法（aster algorith）——这个算法可以从数据中学习到一切特征，提取出所有可能得到的知识。
智能机器人：这个机器海星会使用进化算法来学习如何模拟自己。进化算法是机器学习算法中的一大类，科学家希望可以把它与其他算法结合起来，得到“主算法”，那将是一种非常强大的工具。
当前，机器学习领域面临的挑战和物理学家面临的挑战类似：量子力学可以在微观尺度上很好地描述宇宙，广义相对论则适用于宏观尺度，但这两个理论却是不相容的，有待调和。在粒子物理学的标准模型建立起来之前，詹姆斯·克拉克·麦克斯韦（jas clerk axwell）首先统一了光、电和磁；与此类似，包括我和华盛顿大学的同事在内，很多研究团队都提出了将两种或多种机器学习方法统一到一起的思路。但科学进步是断断续续、非线性发展的，因此很难预测这个大一统的主算法什么时候才能实现。不管怎样，这一目标的实现并不会导致一个全新的、强大的机器种族出现，相反，它会促进人类的进步。
人工智能不会取代我们
一旦我们获得主算法，并输入由每个人产生的大量数据，人工智能系统就可能通过学习得出每个个体的非常准确和详细的模型：我们的口味和习惯、优点和缺点、记忆和愿望、信仰和个性、我们在乎的人和事，以及任何特定场景下我们会如何回应。我们的模型实质上能够预测我们将做出的选择，这既令人兴奋又令人不安。
许多人担心，拥有这些能力的机器会利用它们新获得的知识来夺走我们所有的工作，奴役我们，甚至消灭我们。但这是不可能发生的，因为它们没有自己的意志。基本上，所有的人工智能算法都是由我们设计的目标驱动的。这些算法与普通算法的区别在于，它们可以灵活地决定如何实现我们为它们设定的目标，而不是需要执行预先定义的一系列步骤。即使通过不断执行任务而得到优化，它们的目标仍然没有改变。此外，人类会核查机器的成果是否符合我们的目标。
人工智能只是一种解决难题的能力，而这一任务并不需要自由意志。它与人类作对的可能性，并不比你的手突然不听使唤，扇自己耳光更大。和其他技术一样，人工智能将永远是我们自身的扩展。我们所设计的人工智能越强大，人类也就受益越多。