当然，除了速度慢得令人发指以外，跟计算机比起来，你还有一个最关键的劣势：你不可能在执行海量任务的时候保证不出错。相比人类，计算机的错误率极低。当然，程序崩溃是常见的，但那几乎全是程序员编写程序时出的错，而不是计算机本身的问题。现代计算机的处理器可靠性非常高，它们的平均无故障运行时间高达50000小时，每秒钟都能忠实地执行数百亿条指令。
最后，虽然计算机只是遵循指令的机器，但并不意味着它不能做决定。计算机当然可以做决策，只是我们必须给出它做决策所需要的精准指令。计算机随后可以自行调整这些指令，只要我们指导它在何种情况下应该如何做——这就意味着，计算机可以随着时间推移改变其行为——它能够学习。
人工智能的产生为何如此艰难
现在我们了解到，计算机可以非常迅捷而精准地执行简单的指令，另外，只要输入精准定义过的指令，它就能够做决策。我们可以顺理成章地得出结论，某些需要计算机为我们处理的事务可以用非常简单的方式进行编码，可有些功能则不然。要理解人工智能的产生为何如此艰难，为什么如此难以定义何为人工智能真正的“进步”，我们需要了解一下到底哪些问题是容易用编程来解决的，而哪些问题则很难用编程解决，以及为什么。图1展示了我们希望计算机能够完成的任务，以及它们的难易程度及实现时间。
排在最前面的是计算。让计算机做计算是最简单不过的，因为所有的基础运算(加、减、乘、除)都可以用非常简单的步骤来运行——你在学校里都学过，哪怕现在已经不记得了。这些步骤可以直接编译成计算机程序，早期的计算机本身就是为了解决计算问题而生的(1948年，图灵加入曼彻斯特大学团队，为计算机“曼彻斯特宝贝”编写的第一条程序就是执行长除法。在解决了20世纪最深刻的数学问题之一以后，又回到了学校里学过的基础数学上来，这对图灵而言定然是一次奇特的经历)。
图1 我们希望计算机能完成的任务，按照难易程度排序括号中的年份表示问题解决的大致时间，而目前为止，对于“远未实现”的任务，我们毫无头绪。
接下来是排序，是指把一系列随机的数字按照升序排列，或者一系列姓名按照字母顺序排列。这听起来一点儿都不人工智能，事实上排序的步骤并不复杂。然而，传统的笨办法慢得令人发指。一直到1959年，快速排序法才被发明出来，排序这个老大难问题才算得到了一个有效率的解决方法(快速排序法诞生后50年内，都没出现比它更优秀的排序算法)[8]。
然后我们要讨论需要攻克重重难关才能解决的问题。下棋就是重大挑战之一，它也是人工智能故事中非常重要的一环。事实上，有一种简单粗暴的方式可以玩好棋类游戏，基于一种名为搜索的技术，我们将在下一章详细讨论它。问题在于，尽管基于搜索进行编程是最简单不过的事情，但它除了能适应一些简单的游戏以外毫无用处，因为它需要占用太多内存，消耗太多时间——哪怕我们把整个宇宙的每一个原子都用来建造计算机，它也承担不起用“简单粗暴”的搜索方式来下一盘围棋或者象棋。为了让搜索具有可行性，我们需要增加一些额外的东西——就如我们在下一章即将看到的那样，至此，人工智能开始登场。
我们知道有办法解决问题，但是在实践技术中却无法实施——因为它们需要的计算资源太过庞大。这种情况在人工智能研究领域司空见惯，围绕着怎么处理这类问题，人们也进行了大量的研究。
不过列表中接下来的问题并非此类，人脸识别、自动翻译和实时可用的口语翻译与棋类游戏不一样，传统的计算机技术无法为我们提供解决这类问题的方法，我们需要探索全新的解决方案。当然，在列表上，这类问题已经通过一种名为机器学习的方式得到了解决，我们将在后续章节深入了解有关机器学习的内容。
哦豁，小伙伴们如果觉得倾城文选不错，记得收藏网址 或推荐给朋友哦~拜托啦 (>.<)
传送门： 人工智能全传 人工智能全传 电子书 人工智能全传下载