赫拉利的新书《未来简史》中提及了二十一世纪全体人类将会被技术进步趋势分化为三种人：

无用的人：所从事的工作被机器智能所代替的人，比如股市高频交易，初级律师，药剂师。无经济价值，军事价值，那么，政治经济系统就会认为没有价值。听从于算法。

没有自主的人：人类做为整体有价值，每个人作为个体已无价值。最大的作用是作为人类整体产生算法。

神人：利用生物技术主动升级的人，世界上总有些精英一直都有用，一直都重要，算法不能理解这些精英，也不知道他们有什么需求。这些人才是世界的主人。普通人听算法的，算法听他们的。

当然，赫拉利忽视了与机器人比起来人是具有“意识能动“的物种，结论听起来多少有点骇人听闻，不过关于人工智能的论断还是具有一定前瞻性的。

人工智能这个名词从其诞生之气已有60多年的历史，从1950-1970年代，人工智能的”推理时代“。1970-1990年代，人工智能的”知识工程“时代，到2000年至今，人工智能的”数据挖掘“时代历经三代，这一代的人工智能核心主要是表征学习。

什么是表征学习？ 举个例子：

人工智能的识别一只老鼠的时候，深度神经网络会通过学习大量的各种各样的老鼠的样子，然后讲各种不同的老鼠的输入图片简化为基本相同的一个模式信号，这个过程即表征学习。经过可视化处理，学到的老鼠的表示信号。通过强化学习，人工智能识别准备率会逐渐提高，然后可以成功识别出一只老鼠。

人工智能神经网络的表征学习可以有效地简化各种复杂地输入，从而推动人工智能的不同领域，如图像识别，语音识别的进步。然而神经网络的表征学习需要大量的输入样本，计算量很大，表征学习的背后，是大数据和计算能力的支持。AlphaGo在围棋碾压人类高手，实际就是表征学习的应用。

当前的人工智能会不会发生赫拉利所说的 全面超越人类，大面积取代人的工作？

从分类来看，人工智能分为弱人工智能，强人工智能，超人工智能，眼下的人工智能就属于弱人工智能，只能在特定领域，反馈目标明确下学习获得智能，比如学习算数这个任务，输入样本相对确定，都是数字图片，对学习结果对错的反馈直接，学习的目标单一而明确。有了这些限制条件，机器可以胜任这类学习任务。学习围棋实际跟学习算数在学习任务模式上也类似，研制出AlphaGo的DeepMind公司，持有的就是弱人工智能技术，通过有监督的学习（深度学习），可以应用到各个行业领域里面。这轮的人工智能的优化接近完成，如果你有人工智能的应用机会，千万别费劲做谷歌这种平台搭建，也别费劲做DeepMind这种底层技术开发的事情，关键是你能不能熟悉运用它的技巧，而为它找到你的领域里的运用空间，未来人必须要具有人类的机器智商，理解机器，让机器为你干活，你才是未来的人生赢家。

无人驾驶会在这波人工智能浪潮中到来吗？

暂时不会，原因是缺少核心技术，要实现自动驾驶，最少要达到强人工智能级别， 无人驾驶 则需要达到超人工智能级别——不仅要理解车内人员的意图，还要时刻观察周边车辆、行人等的运动状态，并对他们的行为做出预测，制定好应对措施，其难度远高于围棋对弈。从这一点来看，目前的技术显然还达不到要求。感知技术技术上效果比较好的“超声波雷达+毫米波雷达+激光雷达+摄像头”组合方案，效果的确比使用单一传感器要好，但成本往往也更高，用在量产车上根本不现实。数据瓶颈，自动驾驶 汽车需要测试数亿至数千亿公里，才能验证它们在减少交通事故方面的可靠性。更何况就算花很长时间收集了大量的数据，也难以覆盖所有的状况。此外，这些数据后期的分类标定、数据质量以及算法，也还存着在很多的不确定因素，足以影响行车安全。算法难题，在庞大的数据面前，传统的计算能力会让人工智能的训练学习过程将变得无比漫长，甚至完全无法实现最基本的人工智能——数据量已经超出了内存和处理器的承载上限，从而极大地限制了人工智能在自动驾驶领域的发展和应用。控制执行，在自动驾驶汽车领域，却被少数几家大型的零部件供应商垄断了，而且这些供应商大都拥有自成体系的全套底盘控制系统，且大多不开放，也在一定程度上制约了自动驾驶汽车的发展。

虽然这波人工智能在通用人工智能领域还欠火候，但是在高级自动化，数据领域发现，创造价值，特定领域成为专业人士的助手将有用武之地，理解世界的趋势，了解科技的力量，拥有更加成熟的心智模式，所以这个时代的高手，人工智能已来，未来已来，你准好了吗。