我個人一直把 AI 炒作當成休閑娛樂的好素材
一臺機器人不可能自己學習如何玩層層疊游戲。首先承認，我沒讀推文鏈接中的文章，但毫無疑問的是，有一幫家伙打算讓一臺機器人學會玩層層疊。人類，付出了巨大的努力，構建起一套復雜的系統，使得機器人能夠利用某種數據進行自主學習。這些數據一般來自人類的親身試驗，或者由人類通過適當設置進行強化，從而確保機器人能夠在“自己玩”的過程中掌握其中的訣竅。換言之，這一切，都需要人類的參與。
同樣的，到 2020 年，汽車也不可能全面實現無人駕駛，語音識別也無法接近人類的水平。“Alexa”根本不能作為真正的交談對象，計算機視覺無法回答一切視覺問題，我們也沒必要擔心機器人產生自我意識并到處追殺人類。
有些人意識到了在熱火朝天的 AI 發展背后，種種樂觀甚至公正的預測都沒能及時成為實現，這也導致了“AI 寒冬”理論的出現。但實際情況恐怕也不會朝這個方向前進。AI 寒冬說的來源，在于 AI 領域存在著太過夸張的炒作與期望，而其發展潛力卻并沒那么可觀。現在，是時候來一波撥亂反正了。人們把 Alexa 視為一種會話代理，但它在本質上就是一款更先進的麥克風，是一套基于規則但設計目的更為廣泛的系統，并由深層神經網絡提供更好的語音識別效果。《連線》在文章中將深度學習描述為貪婪、脆弱、不透明且淺薄的事物——這些說法都是對的，但即使存在種種限制，其仍然能夠完成很多很多重要的工作。
所謂實用性 AI，更多關注我們應該如何總結問題以及能夠收集哪些數據，而非強調那些花哨奪目的新模型。這里得多提一句，當下人們對于新模型有點關注過度，甚至把它捧得與久經考驗的網絡、系統以及數據庫一樣高。事實上，它就是一種新算法，而且最終需要歸于人類。
人類的表現，就是超級 AI 的效能基準(報道中就總會說某些方法已經能夠在某些具體問題上達到人類的水平)。然而，人類真正關注的內容，卻往往被這些超級 AI 所忽視。但沒關系，隨著 AI 成果在邁向實際應用的過程中不斷受矬，研究人員們最終會重拾這些關注核心，并將其作為新的探索前沿。而只要能夠從這個角度思考問題，炒作之聲也將自然消散。畢竟無人駕駛汽車目前只能在擁有良好照明條件的主干道路上行駛，而人類司機則能夠尋找乘客、給車輛加油、動手處理一些小的機械故障、確保醉酒的乘客安全抵達以及將身體不適的老年乘客及時送往醫院等等。
我們開始逐漸擺脫大肆宣傳 AI 能夠重現人類表現的階段，繼而轉向更實用主義、也更加以人為本的機器學習應用道路。如果說炒作的外露冰山正在快速融化，那么偉大的以人為本應用理念就是支撐這一切的水下基座。
統計模式識別與人類非確定性
幾天之前，我曾在推特上提到，如果我們不再使用“AI”這種表述，而是使用更具體更準確的“統計模式識別”這一術語，那么炒作問題是否能夠隨之消散。
其他人對此有著不同的見解——Judea Pearl 認為我們需要新的方法實現因果推理，Pedro Domingos 致力于尋找“主算法”，也有不少人希望實現“與動物能力相仿的認知功能優化”并逐步推進至人類智能重現。
無論這一切要如何實現，相關討論都客觀存在，因為“AI”這個詞本身就傳達出一種智能概念——而當前的方法，顯然無法實現與人類相當的智能水平。我們的系統缺乏常識，無法跨領域進行類比、推理因果關系，也不具備與充滿非確定性的人類進行交互時所必需的其它智能要素 [1]。
但我們必須承認，單是統計模式識別就堪稱一種極為強大的工具。要想充分加以利用，我們需要努力找到那些特別典型而且特別重要的問題，以確保 SPR 能夠良好運作。立足于現有人機交互及其固有方法的起效方式，我們的實現思路可以總結為：發現重要問題 ->將其映射為計算機易于處理的解決方案 ->收集有意義的數據集 ->設計出對人類有意義的交互方式。
人機交互(以及人類在 AI 當中訓練產生的人機交互方法)的存在，正是我認為 AI 不會進入寒冬，而只會走向秋季的原因所在。能夠運用 ML 解決真實人類問題的從業者，將成為下一階段中最為關鍵的技術力量。隨著各類易于使用的算法庫的出現，功能強大的 ML 將逐步實現民主化普及;如果大家希望保持依靠地位，那么必須得掌握與人機交互相關的各項技能。
如果你的目標在于順利度過寒冬，并希望有朝一日能夠開發出真正具有智能的 AI 方案，那么請擺脫深度學習與實際應用的束縛，勇敢探索更為遠大的目標。
但如果你的目標是獲得看得見、摸得著的回報，那么人機交互將是后續研究當中無法回避的核心。
人機交互，收獲 AI 果實的工具
人機交互的力量源自多個學科——其中至少包括計算機科學、設計以及行為科學(心理學、認知科學等)。熟練掌握人機交互的從業者，能夠通過各種以人為本的方法理解現有方案，設計并實現未來方案，同時對其加以驗證。與大多數研究領域一樣，一部分從業者可能專注于研究用戶對于當前技術的使用方式，也有些人會專門負責設計可能具有發展前景的未來方案，或者構建出未來技術系統的原型框架以供人們體驗。
以下，是我認為人機交互(及其相關領域)研究與實踐方法中，有望真正收獲到 AI 果實的部分領域。而且無論未來幾十年中真正的智能機器能夠取得怎樣的發展，這些領域都將長期擁有非常重要的學科地位：
用于支持人類的智能應用
隨著機器學習方法的理解門檻不斷下降，并被更好地整合至現成工具當中，最大的挑戰將轉變為如何利用它們解決真正的人類問題。而這，正是人機交互最擅長的方向所在!
正如 Vannevar Bush 在《As We May Think》(https://www.theatlantic.com/magazine/archive/1945/07/as-we-may-think/303881/)中所提到，在發展初期，智能機器的重點在于智能增強(簡稱 IA)。雖然我們將 Douglas Engelbart 視為鼠標之父，但他實際上將主要精力投入到了“一切演示之母”項目當中，即探索如何利用計算技術以普遍方式增強人類智能。曾有一段時間，這方面議題被稱為“智能用戶界面”，并被直接作為一大重要相關會議的名稱。如今，隨著 AI 技術局限性(以及 AGI，即人工通用智能，幾成發展死胡同)的坐實，“人類增強”概念正在重新流行起來。由于其中諸多見解至今仍然具有深刻的現實意義，我們仍然有必要認真拜讀技術先驅者留下的寶貴思想。
人機交互的當前任務，在于找出那些能夠幫助人類解決的重要難題——即收集并擴展新的數據集，找到能夠實現人類與機器間協作的新方式，發明出能使設備與人類世界更易于訪問的新系統，創造出 ML 支持型傳感繁育，將成果應用于交互與健康領域，并致力于幫助人們更好地構建 ML 模型等。
這一領域中的種種挑戰與影響，反映出的是這樣一項基本事實——最重要的是創造并解決新問題，而非改進現有解決方案。因此，我們需要遵循發現并驗證問題，不斷提出潛在的解決方案與原型設計并加以改進，最終驗證解決方案是否能夠實際解決預期問題這一完整的基本流程。
隨著機器學習算法的商品化，那些能夠立足整體機器學習應用場景統籌全局的人才，將成為新時代下的 VIP。
設計與 AI
長期以來，人機交互工作者一直在考量人類應該如何與 AI 實現相互作用，以及如何開展工作以切實達成這種作用。早在上世紀九十年代，Pattie Maes 與人機交互先驅 Ben Schneiderman 就曾在“代理與直接操縱”(https://www.lri.fr/~mbl/ENS/FONDIHM/2013/papers/ShneidermanMaes-Interactions97.pdf)這場經典的辯論當中體現出這樣的思維。Ben 后來又發現，信息可視化探索實際上是一種方法論反應，其希望解決的是人類如何直接與日益豐富、日益復雜的數據世界進行交互這個問題。
很久之前，同時涉及 AI 與人機交互領域的從業者們就已經意識到，構建包含“AI”元素的用戶界面時，其基本思路應該有所不同;這主要是因為 AI 往往存在不確定性，且正確率往往有待商榷。Eric Horvitz 和其他一些研究者將此稱為“混合主動交互”。大家可以在這篇 經典論文(CHI 1999 http://erichorvitz.com/chi99horvitz.pdf)當中讀到相關論點，此外我還推薦大家參考由 AI 大師 James Allen(會話交互)發表的另一篇文章(https://www.microsoft.com/en-us/research/wp-content/uploads/2016/11/mixedinit.pdf)。Eric 曾與 Saleema Amershi 等其他作者在他們的 CHI 2019 論文《人類 -AI 交互指南(Guidelines for Human-AI Interaction)》當中對此做出更新陳述。
在某種程度上，人類好像更傾向于在接近終點時才真正開始認真考慮問題，但這無疑為時已晚。一位我覺得不太適合公布姓名的同事曾經把目前 AI 行業的工作，描述成“努力給 AI 這頭豬涂上口紅，希望讓它變得漂亮一點”。也正因為如此，目前設計與 AI 的前沿體現為探索設計師們該如何將機器學習作為一種設計素材。這項工作的核心要點，在于教會設計師們如何看待機器學習。這不僅是要思考如何在界面當中向用戶呈現確定性較差的 AI 結果;相反，其核心應該是如何找出需要解決的問題，歸納出能夠使 ML 方法與人類期望相匹配的問題內容，最后確定哪些問題可以被轉換為已經得到良好解決特定用例。
設計要素，正迅速成為同類產品之間的關鍵差異化因素;換言之，那些能夠更好地運用機器學習成果的設計師，最終將為我們帶來最大的技術價值。
計算社會科學
機器學習正在探索我們所做的一切，因此我們應當認真考慮機器學習的含義，以及我們可以采取哪些措施來減輕其負面影響。計算社會科學家們帶來的方法，傾向于更多以面向人類的方式進行研究，使用人機交互中體現出的各類技術，并立足調查、訪談、日志分析以及民族志等素材從心理學及認知科學等基礎領域借鑒寶貴經驗。
這些技術已經對用戶如何理解(或者誤解)作為其交互對象的算法(例如 Facebook 的新聞推送、可能導致極端主義思潮的 YouTube 推薦系統、識別社交媒體內虛假新聞傳播活動的機制、用戶界面元素如何影響在線會話以及用戶對于網絡隱私問題的認知等等)給出了深刻的見解。
人機交互在識別或解決這些問題方面并不具備壟斷能力，但考慮到我們自身既是創造者也是設計師，人機交互在揭露與干預此類問題當中確實擁有著不可替代的獨特地位。
以上只是我個人對于人機交互相關工作以及即將到來的 AI 之秋趨勢的簡要概括。
總結陳詞
“只要保質保量把工作做好，一切就都會好起來!”……在 AI 領域，人們越來越清醒地意識到 AI 之秋即將來臨，因此要想在這一領域保有必要的技能與存在感，人機交互絕對是個不容忽視的重要領域。
[1] 這句表述援引自 Gierad Laput(http://jeffreybigham.com/blog/2019/the-coming-ai-autumnn.html)，我并不確定其在技術層面是否準確，但我認為它能夠很好地向計算機科學家們解釋，為什么計算機科學很難重現人類天然具有的種種能力。
【來源：AI 前線】
