人工智能不可能超越人类，原因居然是这样的…
多样性vs.奇点
Goldberg说，大部分恐惧主要源于奇点，届时AI和机器人将超越人类智能。与其担心遥不可及的奇点，他建议我们多关注多样性，即人与机器人协作解决问题及创新。
搜索引擎，社交媒体平台的后端，以及电影观众，购物者和度假者的许多应用程序已经出现了多样性。当我们与AI支持的服务交互时，每次点击或查看都会发出一个关于我们的兴趣，喜好和意图的信号。奖励？更好的结果与我们的偏好一致，并更好地预测我们接下来可能要做的事情。这是一个相互依存的关系。每个人都需要改善。而且互动越多样化，他们（我们）就变得越全面。
从研究到现实世界
从实验室到AI在现实世界中的应用，多样性是非常重要的。另一位致力于将人工智能带到工业世界的专家，也强调人类和机器共同工作的重要性。
Pieter Abbeel表示，“这是挑战的一部分。人类如何能够利用这项技术，并利用它来使自己变得更加智能，而不仅仅是将这些机器与我们分开？当机器是我们日常生活的一部分时，我们可以利用自己的力量来提高自己的生产力，这真是令人兴奋。” （2010年， Abbeel的研究团队发布了一个机器人折叠洗衣机的视频时，每个人都非常兴奋）。
Abbeel是加州大学伯克利分校机器人深度强化学习的先驱，电机工程和计算机科学系教授，也是机器人学习实验室主任。2011年，他登上了《麻省理工科技评论》评选的全球35位35岁以下创新者榜单。Abbeel是Embodied Intelligence的总裁兼首席科学家，这是他最近在加州埃默里维尔（Emeryville）联合创办的一家创业公司，该公司正在开发人工智能软件，可以让机器人自己学习新的技能。
他也对AI的前景感到兴奋，但认为需要谨慎。
Abbeel表示，“我认为AI领域有很大的进步，因此感到非常兴奋。关于恐惧，我认为应该记住，像语音识别、机器翻译和识别图像内容等最突出进展的例子就是所谓的监督学习，”
Abbeel说，理解正在构建的不同类型的AI是很重要的。在机器学习中，有三种主要类型的学习：监督学习，无监督学习和强化学习。
他解释道，“监督学习只是模式识别。从语音到文本，或者从一种语言到另一种语言的转换，这是一个非常困难的模式识别。用英语告诉它一些东西，它会告诉你中文是什么。跟它说几句话，它会将其转换成文字序列。这只是模式匹配。你给它输入图像和标签等数据，它将学习你从图像得到标签的方式。”
Abbeel 还指出，“无监督学习是你只给它输入图像，而没有标签。你希望从看到很多图像开始了解这个世界趋向于什么样子，然后通过建立这种理解，也许在将来它可以更快地学习其他东西。无监督学习没有任务，只是给它提供大量的数据（就像Google用很多猫做的那样）。”
“还有强化学习，这是非常不同的，更有趣的，但更难（强化学习是自动驾驶汽车技术进步的保证）。当你给你的系统一个目标，它可能是电子游戏中的高分，或者赢得一盘棋，或者两个部分组合，这就是一些恐惧可以证明的地方。如果AI得到的是错误的目标，会发生什么？目标应该是什么？”
这就是为什么人类和人工智能不会在真空中进化的重要原因。当我们构建更智能的机器时，我们的人类能力将得到增强。
Abbeel表示，“让我非常兴奋的是，我们在Embodied Intelligence的最近研究成果表明，AI已经能理解他们看到的图片。不是人类层面的理解，但相当好。如果计算机能真正理解图像中的内容，或许它可以拿起两件物品并将他们组装在一起。或者它可以通过包装来分类，或从货架上挑选东西。在我看来，在不久的将来，一个巨大的变化是依赖理解相机的馈送内容来完成任务即将成为现实。”
到底什么是AI
人工智能已经成为一个营销口号。就像之前的机器人一样，现在一切似乎都是人工智能。有时候人工智能是什么不是什么很难界定，甚至连专家都会犹豫不决。正如Brooks指出的那样，上世纪60年代被认为是人工智能的课程，现在是计算机编程的第一课，但那不叫AI。
Brooks表示，“某个时候称为AI的，后来可能又变成了计算机科学。”
机器学习及其所有变体，包括深度学习、强化学习和模仿学习，都是AI的子集。
Goldberg解释说，“人工智能在一段时间内是一个非常狭窄的领域，有些人在一套基于搜索的技术方面非常具体。现在人们普遍认为人工智能是机器人和机器学习的一个总称，所以现在人们已经把它作为一个整体的子领域。”
计算机视觉的高级形式是AI的一种形式。
Goldberg表示，“如果你只是检查一个螺钉是否在正确的位置，那么从上世纪60年代以来我们就已经拥有了这种功能。但与此同时，一个能够识别工人脸部的计算机视觉系统，我们通常把它想象成AI，这是一个非常复杂的挑战。”
机器人抓取的深度学习
Goldberg的AUTOLAB专注于人工智能十多年，将其应用于云机器人项目，深度强化学习，示范学习以及对仓库物流，家庭机器人和手术机器人的强大机器人抓取和操纵。
该实验室的敏捷网络（DEX NET）项目已经表明，通过馈送数以百万计的3D对象模型、图像，以及它们掌握的深度学习神经网络的度量标准，AI可以帮助机器人学习不同大小和形状的物体。以前，机器人可以通过反复练习学习如何掌握和操作不同的物体，这是一个非常耗时的过程。利用合成点云代替物理对象训练神经网络识别鲁棒抓取，最新迭代的DEX网络效率更高，达到99%的精确抓取率。
据了解，ABB的YuMi机器人可以操纵各种不同类型的物体，包括此前从未见过的，就是在Dex-Bet 2.0的辅助下完成的。神经网络根据先前相似形状物体的经验学习如何抓取新物体。
从长远来看，Goldberg希望开发出高度可靠的机器人，能够抓住各种刚性物体，如工具、家居用品、包装物品和工业零件。 他对可以在不同机器人类型上工作的算法也非常感兴趣。这个实验室的研究是由一些巨头赞助的，包括谷歌、亚马逊、丰田、英特尔、欧特克、思科和西门子。
大数据
美国职业橄榄球大联盟也在使用AI技术，任何观看过NFL赛事或赛前和赛后节目的人可能已经留意到。随着2018年超级碗日趋临近，Brooks提供了另外一个AI的例子，星期天可能会有许多“沙发土豆”。
上世纪90年代后期，卡内基梅隆大学机器人和计算机视觉方面的世界知名研究人员Takeo Kanade共同开发了一个由机器人相机和先进算法组成的系统，可以在场地周围以多个角度拍摄运动场，然后无缝集成到动态3D全景中。通过将单独的镜头一起编辑成3D重建，该系统产生一个沉浸式的360度渲染。2001年在超级碗赛上首次亮相后，在EyeVision 360成为超级碗50的谈话中，该技术已经取得了重大进展。
Brooks表示，“他们将所有图像进行实时编辑，并给所有球员建立了一个完整的三位模型，因此你可以在虚拟现实中随意放大并查看每个人所在的位置。” 这是十年前人工智能的一个热门话题。 我们如何获得三维重建？ 现在这是你在电视上看到的东西。
技术不断进步，现在用于各种体育场馆。流畅的算法使大量的数据紧缩，使多维视频得以出现在我们眼前。
未完待续……