如果流行文化能在某种程度上反映公众的态度，那么一个显而易见的事实是：人类非常恐惧智能机器。比如去年以来的一系列涉及到机器人、机器的电影，人类在其中的地位显得岌岌可危。类似的情况还出现在很多打着“经济学”名义的畅销书里，这些图书不管从什么角度切入，其最后的落脚地往往都是机器取代人类。
然而在 MIT Sloan 与美国众多企业家的对话中发现，这些企业家对于所谓机器取代人类的倡议(或者未来)并不感冒，对他们而言，企业的发展需要借助人类员工，尤其是知识型员工以及机器的通力合作。但现状是，各种公共媒体上充满了机器即将代替人类的不切实际的想象 ，几乎或者根本没有媒体围绕一个当下最急迫解决的问题：究竟哪些领域或职业会在技术的辅助下得到大幅增强。
为了解决这个难题，MIT Sloan 提出了一个简单的分析框架，将现有的人工智能、认知科学等技术分成两个维度来思考——找出现有技术可以做和不能做的领域(如下图所示)。同时为了更便于探索，这个分析框架会把所有的智能技术、机器统称为“智能机器”，以此来思考机器智能面临的困境、挑战以及创新者接下来需要努力的方向。
当我们在谈论智能机器时，我们在谈论什么?
围绕这张图，我们首先来看看所谓“智能”的四个阶段。
机器智能的四个阶段
总体上看，机器智能的水准正在不断提升，过去，计算机可能处理高度结构化的数据，而现在，计算机对不同数据类型都有很好的兼容甚至“适应”能力。
阶段1：人类支持
数十年来，人类对于计算机智能的追求都建立在一个假设之上：计算机可以辅助人类决策。因为人类在决策方面天然缺乏理性、不稳定。但到目前为止，这个阶段还无法完全实现，更多时候，包括 IBM Watson 在内的认知产品，都是为人类工作者提供决策建议，最终由人类完成决策。
阶段2：重复性的自动化任务
较上一阶段而言，这个阶段的机器可以在某些特定场合做出“决策”。机器自动化的决策方式最近几年发展迅速，并在某些领域，如保险销售与股票交易方面取得很不错的成绩。但这些领域都有一些共同的特点，比如确定的交易规则或算法，所以人类只需要提前写好算法，然后监控算法执行就可以了。
阶段3：情景感知和学习
目前复杂的认知技术能在某种程度实现对于复杂情景的实时感知。随着人类社会对于互联网、物联网的依赖性增强，数据也在源源不断地产生，海量数据的实时处理要求变得非常急迫，企业需要从这些数据中发现客户的潜在需求，比如大量互联网公司，不仅包括电商，甚至很多内容网站，也会根据用户的浏览习惯来形成推荐机制，为了更精确地推荐内容，还需要包括用户位置、时间以及用户其他行为记录作为辅助信息。
目前认知计算的一个特点就是其拥有学习的能力。这种学习过程绝大多数是利用对实时数据、用户反馈的持续分析。这种可学习的系统对于类似股票交易的决策非常有帮助，能够不断提升决策的准确度。
阶段4：自我意识
截止到现在，2016 年年末，拥有自我意识的机器有且仅存在于科幻小说中。如果计算机具有自我意识，计算机需要像人类或超越人类智能水准，才能够应对纷繁复杂的现实生活环境。即便是最乐观的专家也认为，出现能够具有自我意识的机器，至少还需要 30 到 40 年。
机器智能会做什么
观察机器处理任务的智能程度，一定程度上可以根据机器都能处理哪些任务，比如有些任务实际上是由文本、数字或图片组成，这些要素不过是数字世界的基本要素，而另一些任务则包括数字世界和物理世界的多个要素。
分析数字
事实上，如果要追根溯源，认知技术来自于计算机在处理结构化数据2方面的超强能力。过去很长时间内，计算机都通过对数字的分析来支持人类决策。如今，越来越多的公司将数字分析技术嵌入到公司运营体系或流程中，从而实现重复性自动化决策，这也使得该技术兼具了处理速度和处理规模。尤其是机器学习开始大规模使用后，改变了过去人为设计处理数字模型的方法，机器可以实现自动化生成分析模型。
分析文字和图片
人类智能中的一个关键部分是可以读懂文字和图片里信息，同时能思考其背后的含义。但现在，一系列你可能“耳熟能详”的技术，比如机器学习、自然语言处理、神经网络、深度学习等等，已经具备了分类、解释和生成文字的能力，其中的一些技术还可以分析和识别图片。
早期的智能程序，通过分析文字、图片以及语音，能够让人类和计算机实现浅层次的交流。这些技术发展到今天，已经越来越多地出现在我们的智能手机上，智能手机能够理解人类语音和文字，还可以识别图片，尽管在某些方面不太完美，但至少，已经非常广泛地应用到我们日常生活中。
有三种大规模文字、图片处理的需求。其一，多种语言的翻译;其二，像人类一样回答问题;其三，从大量文本中获取有效信息或者生产新的文本信息。
图像识别和分类并非什么新概念。基于对几何进行匹配的“机器视觉”技术已经使用了很多年。现在，图像识别延伸到互联网上海量图片的分类和识别，尤其是人脸识别。要应对这些需求，现在的公司们则借助机器学习和神经网络来识别图片。更重要的一点在于，这些系统能够通过学习应对海量图片处理需求，事实上，机器“吃”越多的数据，其决策的准确性越高。
执行数字化任务
认知技术最近几年发展的一个方向是实现行政工作和决策的自动化过程。为了实现自动化，需要两个技术能力。首先，你需要能够按照业务规定来描述完成这些工作需要的逻辑;其次，你需要可以一步一步完成这些工作的技术。过去几十年内，自动化决策工具的应用场景非常广泛，从保险政策审批到信息技术运维以及高频交易等等。
最近，科技公司开始使用“自动控制流程自动化”，这项技术基于工作流和业务规则，通过接入公司里的多个信息渠道来实现，这与普通人类用户的做法很相似。自动控制流程技术广泛应用在银行(比如帮助客户替换丢失的银行卡服务，能够极大地省去人力客服)、保险行业、IT业(如监控系统错误信息、修复某些简单错误)和供应链管理(比如订单处理和回应客户、供应商的日常需求)等领域。
流程自动化的好处显而易见。2015 年 4 月份 的一个案例中，英国第二大移动运营商 Telefónica O2 发现，在该公司将 160 个业务流程软件化、自动化之后，其未来三年在这些领域的投资回报率将达到 650%——800%。
处理物理任务
我们一般将能够处理物理任务的计算机称之为机器人(Rebot)，根据英文韦氏词典的解释，所谓 robot：a machine that can do the work of a person and that works automatically or is controlled by a computer.
2014 年，全球范围内有 22 万台机器人上台，大约三分之一集中在汽车制造行业。不过，机器人短期内还无法真正满足需求。2011 年的时候，富士康曾信誓旦旦地表示，要在三年之内通过一百万机器人替代人类工人，但很快富士康就发现，让机器人代替人类制造手机真不是一件轻松的事情。到了 2015 年，当富士康开始代工新一代 iPhone 的时候，该公司招聘了超过 10 万人类工人，并配备了 10 万台新机器人。
过去很长一段时间内，那些可以替代人类的机器人都是通过编程，从而能够高效完成大量重复性的工作。同时，出于安全的考虑，机器人工人往往也和人类工人分开工作。但现在，一种新型的机器人，也就是所谓“协作型机器人”正在出现在工作场所，这种机器人可以和人类协同工作。
写在最后
在看完本季前六集《黑镜》后我曾这样感叹：如何处理人与机器的关系会成为接下来很长一段时间内的重要课题。而第一步则是正确认识机器或者智能机器或者人工智能当下的处境，过去一年，我们听到太多关于人工智能如何如何的耸人听闻的报道，但真实的一面往往平淡无奇，正如上文所言，机器在某些层面的确超越了人类，但在绝大多数场景下，尤其是需要情感、意识加入其中的场景中，人类终究还是胜者。
然而不可否认的一个事实，当机器继续进化的同时，人类进化几乎已经停止.....
请注意，这里绝不涉及到机器取代人类，而是人类如何被机器增强自身的能力。
所谓结构化数据，就是以行、列来排序的数字，比如 Excel 就是处理结构化数据的一种基本工具。
