虽然公众对人工智能的看法不一定准确，但这不表示开发人员可以忽略它。
在邮件还靠邮寄的年代，挑拣垃圾邮件并不是什么费力的事。但是当邮件开始通过数字方式寄送时，计算机便也开始产出大量垃圾邮件。因此，从海量垃圾邮件（spam）中识别出真实邮件（或者说互联网行话所谓的“非垃圾邮件”（ham））的工作也有必要进一步自动化。
但是，精明的垃圾邮件制造者很快便找到了躲避垃圾邮件过滤器的方法，于是电子邮箱平台转而采用人工智能来对付他们。如今，人工智能系统经过无数垃圾邮件和非垃圾邮件的训练，已经能够加以区分，守卫你的收件箱，你连一根手指都不用动。
人工智能就是这样在我们毫无觉察的情况下渗透进我们的日常生活。新千年伊始，有人担心垃圾邮件可能会扼杀电子邮件。但是机器学习力挽狂澜，因为它很善于识别群发邮件的模式套路。
尽管如此，机器学习并非完美无缺；只有及时更新数据库才能识破垃圾邮件制造者的新花样，而用户仍需要时不时地查看垃圾邮件过滤器是否误吞了重要的邮件。话虽这么说，机器学习系统是我们拥有的最好的工具。
收件箱并不是人工智能照进我们生活的唯一渠道。流媒体服务平台利用机器学习技术向用户推荐接下来要看的电影；引导我们发现接下来可能会在线购买的商品；识别照片中的人和物，方便我们再次找到它们。
现在，许多人每天都会与计算机进行口头互动交流。谷歌的AlphaGo利用机器学习在拥有3000年历史的围棋项目上击败了人类大师，赢得了众多媒体的如潮好评。
但是随着此类应用的不断增多，我们对人工智能在日常生活中的存在也有了越来越深的觉察。因此，正在大力推动下一个自动化变革的技术人员需要直面一个更加严肃的问题：公众究竟想要什么。
过去一个世纪的科幻小说已经深深影响了公众对于人工智能的看法，面对人工智能日益突出的地位，人们的普遍反应是恐惧。现在，有一小群公司不惜重金，力图将机器学习用于无人驾驶汽车；比起识别电子邮件这类较为简单的模式，这是一个更加远大也更加有风险的项目。在这个过程中，这些公司不得不解决一个问题：如何应对公众对于人工智能的认知。
前路漫漫
汽车行业是人工智能应用的热门领域之一，经历过重重困难。本世纪00年代末，高油价打压了原本利润丰厚的SUV和卡车的销量，而这两种车型是美国汽车制造商非常依赖的主流车型。2008年金融危机过后，通用汽车和克莱斯勒（如今的菲亚特克莱斯勒汽车公司）需要美国政府提供800亿美元的紧急救助。
现在，人工智能的快速进步以及传感系统的改进带来了剧变求新的机会。许多老牌汽车制造商将无人驾驶汽车视为其恢复元气的下一步棋，而一些技术巨头也在向汽车行业进军。
在无人驾驶汽车的提倡者看来，无人驾驶技术可以方便人们的生活，因为它可以将人们从高峰期通勤的压力中解放出来，也能够让无法驾驶的人体验自由出行。不仅如此，利用人工智能取代人类驾驶员——有人称之为“坐在方向盘后面的难题”——也将大幅减少道路交通事故；根据世界卫生组织的数据，每年因交通事故死亡的人数超过100万人。
无人驾驶汽车的研发正在如火如荼地进行。Waymo（科技巨头谷歌的姐妹公司）制造的测试车辆目前已在公共道路上行驶了1000多万英里。不久前，Waymo在亚利桑那州凤凰城开始了无人驾驶出租车的商业运营。通用汽车计划在2019年推出自己的“机器出租车”（robo-taxis），福特也计划在2021年推出类似的服务。
汽车行业和技术行业都认为无人驾驶汽车已经准备好上路了，但是公众还没准备好去乘坐。2018年4月，盖普洛公司的一项民意调查显示，只有9%的美国成年人愿意在政府监管机构判定无人驾驶汽车的安全性后，使用无人驾驶汽车。38%的人表示会在无人驾驶汽车推出后，先观望一段时间再说。52%的人表示绝对不会想要使用无人驾驶汽车。
可见，行业的自信与公众的谨慎形成了鲜明的反差，这对于那些正在开发这项技术的人而言是不利的。许多人对于人工智能的恐惧至少在一定程度上反映了人工智能实验曾走过的错路给人留下了不安的阴影。
比如2016年微软的一款聊天机器人便是一个例证，这个机器人原本设计用于在推特上和网友进行幽默有趣的对话互动，但是在上线仅16个小时后便开始冒出各类种族歧视和性别歧视的语言。之所以出现这种情况，是因为部分推特用户向其灌输了此类感情色彩。
2017年，麻省理工学院的研究人员表明，以特定方式塑造物体可以骗过谷歌开发的图像识别系统，比如该系统曾把一只3D打印的海龟识别为来福枪——从任何角度观察都会导致这一结果。
不久前，印地安那大学伯明顿分校的人工智能研究人员及游戏设计师Mike Sellers讲述了他在十几年前的一次经历，当时他为美国国防高级研究计划局（DARPA）创造的两个实验性人工智能机器人判定另一个机器人适宜食用。
在某些情况下，对人工智能实验的报道方式也会引起不必要的恐慌。2017年6月，Facebook的人工智能研究人员发帖描述了他们的一项工作进展：两个试图谈判的聊天机器人开始在对话中使用代码字。此事经过新闻报道后给人留下的印象是：研究人员为免事态失去控制，急忙终止了实验。此外，公众人物的警告也有可能放大外界的恐惧，比如企业家伊隆·马斯克（Elon Musk）曾扬言人工智能或许很快便会强大到能统治世界的地步。
有多接近人类？
一些对于人工智能的恐惧可能源于机器与人差别不大的观点。英国纽卡斯尔大学的数据科学家Steve McGough说：“当你看到机器人打败世界围棋冠军，你会认为它比自己强这么多，自己毫无机会可言。”他认为许多人不明白的是，那些机器人在其它任何方面都无法与人类匹敌。
在科幻小说的最初构想中，机器智能被设想成与人类智能相仿。最早的科幻小说机器人之一来自于作家莱曼·弗兰克·鲍姆在20世纪初的《绿野仙踪》后续系列，他在其中创造的机械人“滴答”（Tik-Tok）虽然没有情感，但是在其它方面拥有类似人类的智能。
生物化学家艾萨克·阿西莫夫（Isaac Asimov）以撰写科幻小说闻名，在其1942年的小说《环舞》（Runaround）中，基于机器将像人类一样思考的假设，提出了机器人三大定律（three laws of robotics）。
许多人工智能早期先驱都受到了这篇小说的启发。20世纪60年代初，马文·闵斯基（Marvin Minsky）在麻省理工学院与人联合创立了一间人工智能实验室，1992年听闻阿西莫夫的死讯后，他写道，在看完《环舞》之后，他“一直在思考思想是如何运作的。可以肯定的是，终有一天，我们将创造出会思考的机器人”。
20世纪50年代掀起的第一波人工智能热潮在一定程度上得益于艾伦·图灵（Alan Turing）的工作。图灵发明了同名的“图灵测试”——参与图灵测试的人需要判断与其进行对话的是人类还是机器。2
0世纪60年代，当时在现为美国非营利组织斯坦福国际研究院（SRI International）研究人工智能和神经网络的Nils John Nilsson说：“为了让机器可以做人类所做的事情，大家做了许多工作。”但是，相关进展一度陷入停滞状态，到20世纪70年代末，经费不断缩减，出现了我们现在所知的“人工智能寒冬”。
但是1997年，形势得到了彻底扭转，当时IBM的“深蓝”（Deep Blue）打败了国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov）。深蓝凭借强大的计算能力，通过纯粹的暴力破解法战胜了对手：它在每一步允许的三分钟时间内，计算了每一种可能的场景。
进入新千年之后，暴力破解法被用于机器学习技术——对海量数据进行分析以找出其中存在的模式。视所采用的数据集而定，人工智能系统借此能够识别图像，或者设计一种制胜策略在看似具有无数种招式的游戏中获胜。
但是，人工智能所掌握的特定技能不具有可转移性。虽然AlphaGo打败了世界围棋冠军，但是McGough说：“只要改变其中一条规则，人类大师便能利用自己的经验轻松获胜。”人工智能在国际象棋和围棋领域捷报频传可能会给人这样一种印象：现在的计算机在认知能力上已经堪比人类。“但是实际上两者之间仍存在一条鸿沟。”他说。
机器学习和自然语言专家Greg Hullender是亚马逊和微软的研究科学家，他说：“人脑可以解决人工智能前所未见的问题。”“机器学习完全做不到这一点。机器学习都是针对特定问题而设计的。”
正是因为存在这一决定性差异，许多人工智能专家对机器人将主宰世界和未来人工智能乌托邦的论调嗤之以鼻。德克萨斯大学奥斯汀分校的人工智能研究人员Peter Stone说：“两种说法都太夸张了。”
汽车难题
就无人驾驶汽车而言，公众的抵触情绪不仅仅在于人类会被取代。在美国，热爱驾驶的人在听闻无人驾驶支持者宣扬机器人上路更安全时，感到惶恐不已。一些人甚至组织了抗议。
2018年1月，为保护人类自主驾驶的权利，耐力赛车手、作家Alex Ray成立了人类驾驶联合会（Human Driving Association）。及至当年10月，已有4000名车手入会。汽车爱好者、商人McKeel Hagerty拥有美国最大的古董车保险公司，他认为他需要吸引600万人加入他类似的“拯救驾驶”活动中，以保护人类的驾驶权利。
但是关键问题在于，虽然统计数据显示人为错误是大多数致命交通事故发生的原因，公众仍免不了担心无人驾驶的安全性。大部分人都认为自己的驾驶技术高于平均水平，因此他们更担心的是别人或机器人的驾驶技术。而无人驾驶汽车发生过交通意外的事实，也损害了公众对这一技术的信任。
第一起致命事故发生在2016年，当时佛罗里达州的一名特斯拉爱好者在使用该车的有限“自动驾驶”辅助功能时，撞上了一辆卡车。调查人员发现，事故发生的主要原因是特斯拉驾驶员对汽车反复发出的提醒——手持方向盘——视而不见，而卡车驾驶员也转弯不当。
2018年3月，加州山景城发生另一起事故，更加引发了人们的不安。根据美国国家运输安全委员会（US National Transportation Safety Board）的初步调查报告，一辆特斯拉汽车启用了“自动驾驶”功能，超速行驶撞向一隔离带，与另外两辆车发生碰撞。
这场车祸距离第一起全面无人驾驶汽车引发的致命事故不过几天而已。另外，优步测试的一辆无人驾驶汽车在某天夜间撞上了一名行人并造成其死亡。这起事故发生在亚利桑那州坦佩市，死者当时正推着自行车过马路。
之后浮现出来的细节令人深感担忧。肇事汽车的传感器在事发前6秒检测到了这名女性受害人及其自行车，但是5秒后，车载人工智能仍然没有决定是否要提醒安全驾驶员。事发时车速为每小时69公里，当驾驶员终于放下手机抬头看时，汽车刚好撞上了行人。
亚利桑那州和加州发生的事故加重了公众的恐惧，人们认为无人驾驶汽车会对人类安全构成威胁。考克斯汽车（Cox Automotive）在上述事故发生后很快做了一项调查，结果显示公众对于无人驾驶汽车的认知度在2016年到2018年期间上升了逾20%，但是同期表示永远不会购买全面无人驾驶汽车的占比也由30%上升到了近50%。受访者的主要考量是安全问题。
现在，汽车行业正在采取魅力攻势来扭转局面。在亚利桑那州事故发生后，优步关闭了公司在当地的测试设施，并且表示将改变无人驾驶汽车的测试方式。
与此同时，Waymo公司在其无人驾驶汽车正式被批上路前，也与反醉驾母亲协会（Mothers Against Drunk Driving）和美国国家安全委员会（US National Safety Council）等组织联合展开教育宣传活动。
2017年末，计算机芯片制造商英特尔请篮球明星勒布朗·詹姆斯在广告中出镜，宣传无人驾驶汽车。
人为因素
无人驾驶交通事故让人们发现，按照5个级别开发无人驾驶汽车的做法存在严重隐患。这5个级别包括低级别的驾驶辅助，如巡航控制，到更高级的无监控自动驾驶。美中不足的唯一问题其实是人类行为。
目前，特斯拉开放的是第二级无人驾驶需要配置多重系统，辅助驾驶员停车、加速、避免越道，同时驾驶员必须手扶方向盘，并注意观察路况。但是，任何一名驾驶特斯拉的汽车爱好者一定会在某个时间点放开方向盘，看看特斯拉自己能开得怎么样。
事实上，部分人对无人驾驶汽车的信任只会有过之而无不及。佛罗里达州发生的交通事故显示，驾驶员在37分钟的行驶时间内，只有25秒是把手放在方向盘上的。
进一步发展方向是第三级无人驾驶，在该系统下，汽车能控制驾驶，但是在遇到不可解的问题时会随时将方向盘交还给人类驾驶员。如今，许多专家开始怀疑第三级无人驾驶的可行性。“人类在无事可做的情况下，很难集中注意力。”马萨诸塞州查尔斯•斯塔克•德雷珀实验室（Charles Stark Draper Laboratory）的无人驾驶项目经理Chris Bessette说。
走神会让人类驾驶员无法在汽车需要帮助的情况下及时掌握实时驾驶情况，Bessette也对移交驾驶控制权的有效性表示怀疑。2012年，Waymo开发并测试了一个第三级无人驾驶系统，但是发现人类驾驶员“过度信任技术，以及未能认真观察路况，以便在必要时安全控制车辆”。Waymo最终放弃了该系统。
现在，部分汽车制造商正在“换档”，准备直接跳至第五级系统：可以达到人类最高预期的全面无人驾驶汽车。通用汽车的无人驾驶汽车将不会配置踏板和手动转向，且仅在路况清晰、方便汽车导航的有限的城市区域内行驶。
相较于目前已在机场和主题公园投入使用的自动化人员运输系统——在远离其它车辆的导轨上行驶，这是一个重大进步。机器出租车将完全自主控制车辆，无需乘坐人关注路况。
聚焦城市驾驶具有重要意义。在人口密集的城市里，汽车行驶速度一般是在宽敞公路上的一半。这也缩短了汽车的制动距离，降低了车祸的严重程度和发生率。车速降低还能减轻人工智能的工作负载，因为这样一来，人工智能不需要像高速行驶时那样绘制较远距离的路况。
一些计划提出在气候条件不佳，可能影响人工智能系统的安全导航能力的情况下，阻止无人驾驶汽车上路。
机器出租车的应用将能解答对于无人驾驶汽车的若干问题。取消人类驾驶员所节省的开支能够抵消汽车自动化所需的额外成本吗？传感器和软件在交通密集的城市街道表现如何？这类试验也将提供测试新技术的机会，尤其是降低昂贵的激光雷达的成本、扩大激光雷达覆盖范围的机会。因为当无人驾驶汽车在远离市中心的地方以更高的速度行驶时，需要通过激光雷达绘制距离汽车200米甚至更长距离的周边环境的细节。
但是，最大的考验可能还是公众对于乘坐这类汽车出行的意愿。从谷歌眼镜到美国原子能委员会1958年提出的在建筑项目中使用核爆的计划，历史上充满着不少昙花一现的技术。随着人工智能在我们日常生活中的存在感越来越强，开发人员或许很快就能看到公众是否愿意给人工智能一次机会了。
为了帮助大家让学习变得轻松、高效，给大家免费分享一大批资料，让AI越来越普及。在这里给大家推荐一个人工智能Python学习交流群：705673780欢迎大家进群交流讨论，学习交流，共同进步。
当真正开始学习的时候难免不知道从哪入手，导致效率低下影响继续学习的信心。
但最重要的是不知道哪些技术需要重点掌握，学习时频繁踩坑，最终浪费大量时间，所以拥有有效资源还是很有必要的。
