“在交流越容易出現(xiàn)的情況下，變化就會發(fā)生得更快?！薄猄cienceHistorian專欄作者詹姆斯·伯克

在2015年10月的新聞發(fā)布會上，特斯拉展示了他們研發(fā)的ModelS的自動駕駛功能，該功能允許汽車能夠進行半自主駕駛，而特斯拉首席執(zhí)行官埃隆·馬斯克也提到，每個車輛的擁有者將成為每個ModelS這款車的“私人專家教練”。事實上，每輛ModelS可以通過從駕駛員身上來學習改善自主特征，但更重要的是，當一個特斯拉汽車從自己的駕駛員身上學到知識時，就可以與其他所有的特斯拉汽車共享知識。

正如FredLambert不久之后在Electrik上報道的那樣，ModelS型車主都注意到這款車的無人駕駛功能改進的速度有多快。舉一個例子，這款特斯拉汽車剛開始在高速公路上總是下錯了出口，這也迫使他們的主人只能通過手動駕駛汽車使其行駛在正確的路線上。但在短短的幾個星期后，車主們注意到他們的汽車已經(jīng)在自動駕駛的情況下不會走錯出口。

一位特斯拉ModelS汽車的車主說：“我發(fā)現(xiàn)它非常迅速地改善了這一點?！?/p>

智能系統(tǒng)，如最新一代機器學習軟件的智能系統(tǒng)，不僅變得更加智能，它們在智能化的基礎(chǔ)上其適應(yīng)能力更加迅速。了解這些系統(tǒng)發(fā)展的速度可能對于導航技術(shù)變革是一項特別具有挑戰(zhàn)性的項目。

雷·庫茲維爾（RayKurzweil）在他所謂的技術(shù)變革的“直觀線性”觀點和現(xiàn)在正在發(fā)生的“指數(shù)級”變化率之間，廣泛地描述了人類在這兩項觀點之間理解的差距。在他發(fā)表了所謂的“加速回報定律”的這一篇十分有影響力的論文近二十年之后，一個與速度相關(guān)的演化變化理論誕生了——互相連接的設(shè)備在能夠相互分享知識的情況下，它們發(fā)展進化的速度會不斷被提高。

哥倫比亞大學機械工程和數(shù)據(jù)科學教授HodLipson最近接受采訪時說：“我認為這也許是對于人工智能演變進化帶來的最大指數(shù)趨勢的增強?！?/p>

“所有的指數(shù)技術(shù)趨勢都有不同的”指數(shù)“，”Lipson補充道?！暗撬鼘碛凶畲蟮臐摿??！?/p>

根據(jù)Lipson的說法，我們可以稱之為“機器教學”，它代表的是當設(shè)備之間能夠相互傳遞獲得并獲取知識時，會使這些設(shè)備的系統(tǒng)改進速度得到指數(shù)量的進步。

他還說道，“有時候它們會進行合作，例如，當一臺機器像蜂房一樣利用其相通的方式從另一個機器學習。但是這有時候是對抗性的，就像在兩個互相下棋的系統(tǒng)之間不斷進行比賽一樣?！?/p>

Lipson認為，這種開發(fā)人工智能的方式是一個大的發(fā)現(xiàn)，部分原因是因為它可以繞過人類為它設(shè)計訓練數(shù)據(jù)的需要。

“數(shù)據(jù)是機器學習的燃料，但是即使對于機器來說，一些數(shù)據(jù)也很難獲得，例如一些數(shù)據(jù)可能是有風險的，緩慢的，稀缺的或昂貴的。在這種情況下，機器可以分享經(jīng)驗或為彼此創(chuàng)造綜合體驗來增加或替換數(shù)據(jù)。事實證明，這不是一個小的影響，它實際上是利用自身的條件來擴散到四面八方的，因此我們說它的增長是指數(shù)級的。“

Lipson認為Google的DeepMind（一個名為AlphaGoZero的項目）最近取得了突破性進展，這也是一個沒有訓練數(shù)據(jù)的AI學習的絕佳例子。許多人都熟悉AlphaGo，它是人工智能利用機器學習的代表，在學習了由數(shù)百萬人的圍棋棋局組成的大規(guī)模訓練數(shù)據(jù)集之后，它成為世界上最厲害的棋手。然而，AlphaGoZero甚至可以通過學習游戲規(guī)則和自己不斷通過玩游戲練習來擊敗AlphaGo，而它也沒有通過訓練數(shù)據(jù)來增強能力。最后，為了讓大家看到它的實力，它從零開始只通過八個小時的訓練之后，它在國際象棋對弈中擊敗了世界上最好的國際象棋游戲軟件。

現(xiàn)在我們可以想象，有數(shù)以千計或更多的AlphaGo在不斷的分享它們獲得的知識。

它不僅僅在游戲中得到價值體現(xiàn)，而且我們已經(jīng)想到，它將會對企業(yè)提高設(shè)備性能的速度產(chǎn)生重大影響。

GE的新型工業(yè)數(shù)字孿生技術(shù)就是一個例子，現(xiàn)在僅僅通過一臺機器的軟件模擬便可以模擬設(shè)備在未來將要工作的項目，我們可以把它看作是一臺具有自我形象的機器，它也可以與技術(shù)人員分享數(shù)據(jù)。

例如，一臺帶有數(shù)字孿生技術(shù)的蒸汽輪機可以測量蒸汽溫度，轉(zhuǎn)子速度，冷啟動以及其他數(shù)據(jù)來預測故障，并提前警告技術(shù)人員以防止事情發(fā)生后昂貴的維修費用。數(shù)字孿生技術(shù)可以使它們通過研究它們自己的表現(xiàn)來做出這些預測，但是它們也依賴于其他已經(jīng)投入工作的汽輪機模型的表現(xiàn)。

隨著機器開始以新的和強勁的方式在周圍的環(huán)境中自主學習，它們能夠通過溝通他們彼此學習的東西來加速他們的發(fā)展。遍布全球的GE汽輪機能夠在每臺機器之間加速它們各自的預測能力。同樣我們之前提到的，剛開始可能只有一輛無人駕駛汽車在學習如何掌握駕駛在特定城市的一個目的地所需的時間，而現(xiàn)在，類似的一百輛在同一城市行駛的無人駕駛汽車可以全部共享他們學習的內(nèi)容，因此它們可以在更短的時間內(nèi)改進它們的算法。

隨著其他采用人工智能技術(shù)的設(shè)備開始利用這種共享知識轉(zhuǎn)移技術(shù)，我們在未來可以看到它們更快的發(fā)展速度。所以請記住，眼前發(fā)生的只是剛剛開始，在未來，會有更多意想不到的事情等著你為之嘆為觀止。