从匹诺曹、爱德华到大黄蜂、贾维斯，人类对于机器智能的憧憬和追求就从没离开过荧幕。而在现实生活中，最引人注意的莫过于“机器人司令”马克·雷波特(Marc Raibert)。他是麻省理工学院(MIT)的教授，在1992年时创办了波士顿动力公司，全力研发各样智能机器人。
2009年时，波士顿旗下的BigDog(大狗)亮相互联网，它虽然体积庞大，但行走平稳、转向灵活，仿生状态非常惊艳。4年后，其发布的人形机器人Atlas更是名声大噪，初代产品可以伸展双臂平衡通过狭窄的“独木桥”;随后更具备了倒立、翻转、空中劈叉等动作，甚至跑酷的姿势也非常优美。
波士顿动力的每一款产品问世，都能成为网红焦点。而雷波特及其公司也成为谈及AI时所无法避开的行业典范。因此在11月4日东莞举办的企业创新生态圈大会上，雷波特也远程参会交流。和他对话的，则是中国AI(人工智能)公司云从科技的创始人周曦。后者也是学霸创业，从中国科学院走出来的行业中坚。
两位科技大佬对话的一大背景是，当下人工智能正在从公又一波高峰滑落：外界总期待AI人工智能无所不能，但实际却像个“废柴巨人”。
就拿波士顿动力来说，就连充满探索精神的谷歌，收购公司之后，看着商业化进程这么缓慢，也坐不住了，最终卖出转手。而国内的AI，在大众认知里似乎依然停留在语音、人脸识别这些不够“性感”的方向。
确实，历经六十多年发展，AI技术已有大幅提升，甚至学术界担忧，AI过于强大从而带来威胁、统治人类。然而，现实却是，成熟商业化的领域依然不多，对社会的影响也感知颇浅。因而，社会普遍认为，AI就像个废柴巨人，看上去很有创造力和破坏力，但除了饭(烧)量(钱)大(多)也没啥本事。
那么，AI该如何摆脱废柴的尴尬?该如何秀出肌肉、舞动拳头、发挥力量又不至于统治人类呢?
人工智能之父可以追溯到在二战中做出密码破译机的图灵，而行业的起点则从1956年达特茅斯学院的暑期会议，世界第一座AI Lab实验室开始。自此后的十年，AI领域一片红火：美国政府投资了数百万美元、西洋跳棋程序诞生并战胜了人类大师、会文本聊天的机器人、专家系统、根据指令抓积木的机器人相继诞生。
然而，这波热潮却在1973年被一份报告泼了冷水、湿得透透：到目前为止，该领域的任何发现都没有产生当初承诺的重大影响。随后学术界进行了一轮深刻的批评与自我批评，AI的研究进入平静阶段。
1976年，诞生了十余年的专家系统，终于开始在商业中发挥作用，借助数据库积累参与医疗诊断咨询。借助专家系统，AI复兴快速展开，日本政府拨款8个多亿美元支持研发、英国耗资3亿多英镑打造AI工程。然而，又过了十年后，人们遗憾发现，机器专家也不灵光，AI研发再次陷入低谷。
1960s年代、1980s年代，两次产业的迸发与消退、人类的狂喜与失望，归根结底就是一句话：机器没有人们期望的那么智能。
事后来看，结果是显而易见的。硬件方面，晶体管、芯片的集成度仍处于早期，视觉、触感等信息的获取，也十分困难。软件方面，支持建立模型的数据量仍严重不足，算法规则理念也不够先进。可以说，不是机器不够智能，而是人类的功课还没准备充分。
两次的周期往返让产业深深质疑，AI到底是不是一个方向?未来会好吗?甚至有人开始反思，大象根本不玩象棋(Elephants Don’t Play Chess)，但大象却可以根据环境变化做出判断、反应。用人类设定规则的方法，也许是错误的。
幸运的是，科学家并没有停止探索。寒冬中播下的种子，在暖风之下，开始生根发芽。
跨学科研究：概率论、统计学、控制理论、工程学、神经学等等，越来越多学科跨界进入AI研究，交叉体系打破了先行设定规则的思路，神经网络、深度学习技术开始发展。
硬件大提速：在摩尔定律的促使下，芯片集成度指数型发展，CPU、GPU、MPU等等功能芯片层出不穷。而云的诞生，也使得算力可以近乎无限扩大。光学镜头、红外等传感器也性能提升，对外界环境的辨别、关键信息的捕捉也更加高效。
软件爆发潮：在互联网、移动互联网时代，产生的数据量爆炸性增加，每年产生的量就等于过去人类上千年积累的百万倍，真实世界的活动得到了前所未有的记录，为建立模型提供了充分的素材。在互联网大潮中，码农数量也随之增加，如今全球达到了3000万人左右。
在这些因素的促使下，AI产业再次昂首阔步：“深蓝”战胜国际象棋冠军，AlphaGo完虐人类围棋高手，无人驾驶车也行驶在路上，AI甚至出现在了美国禁令清单中。技术爆发性“奇点”似乎就要到来，以至于比尔盖茨、霍金等大佬纷纷劝阻，别搞太快了，很危险;AI会取代人类。
实际情况是，机器学习、深度学习、强化学习技术支撑的这一轮AI热潮，也根本快不起来，纯粹深度学习的算法演进，已走入绝境。OpenAI的GPT-3模型训练成本高昂，其智商却无法理解“冰箱里的奶酪是否会融化”这样的常识。
例如2008 年金融危机后，为避免再次发生世界性危机，全球最顶级的金融人才开始修订《巴塞尔协议》，如果交给 GPT-3，起码要经历千百次金融危机它才能会学会。
周曦认为，“这个时候我们需要另外一条路，我们叫专家知识。我们要相信人的力量，把人工智能和人结合。人能够在很复杂的环境，很小样本的情况下，作出创造性的决定。”
如此一来，人机协同，成为人工智能进化的必然方向，同时，也是人类合理使用AI的必然要求。
电影《黑客帝国》中展示了这样一副图景：人类生活在一个虚拟世界中，而创造并控制这个世界的是叫做“母体”的AI人工智能系统。人类仿佛是AI饲养的动物，没有真实的自由，而实际上，人类不过是一行行代码程序。然而，更可怕的是，99%的人类对虚拟世界完全没有察觉。
电影结尾，黑客Neo用人类的爱情战胜了机器的理性，但电影仍令人后背发凉，人类的肉身如何抵抗AI的超级之躯。尽管超级AI还为时尚早，但AI已经开始取代部分人类工作：
比如计算机开始而机关机组人员工作，负责编排航班时刻表、分析异常报告;算法也取代了编辑，自动向用户推送内容;机器人替代搜救队员到危险地方工作，替代了医生进行高效诊疗，减少失误;雷达和算法，替代人脑更快判断车距和避险。毫无疑问，AI的智能化正改善着人类的生活。
然而，AI未必能永久智能。2010年，交易算法故障导致纽交所闪电*，几分钟内蒸发了万亿美金;2018年，计算机故障导致欧洲1.5万个航班严重延误或取消。
除了金钱损失之外，AI过度使用，也在冲击着人类社会文明：
剑桥分析公司不当使用数千万用户信息，个人隐私遭到破坏;而DeepFake带来的换脸等应用，流行于网络，社会秩序、公共安全遭到极大冲击。甚至军事领域，也开发了大量AWS(无人指挥下，自主寻找目标并进行击杀)武器，大大加大了杀戮的残暴。
而在讨论超级智能AI对人类的威胁时，总有人会说，到时关闭电源不就好了，但诡异的是，AI的目标是为了完成人类赋予的任务而克服万千困难，“被断电”显然也是它认为需要克服的困难。因此，如果AI只是被设定用来实现“最大化目标”，那么AI的终极，就是超级AI、就是全面接管人类。
毕竟，初出茅庐的AI，并不能短时间内具备人类的社会经验和价值判断。基于此，人工智能学者斯图尔特·罗素(Stuart Russell)认为，人类应该致力于研发“可证明对人类有益的人工智能”(Provably Beneficial AI)，而不是人类及超人类级别的AI。
罗素对AI提出了三个原则：最大化实现人类目标;对人类保持敬畏之心;基于人类行为设定机器偏好。浓缩成一句话的话，好AI应该是“以人为本的人机协同”：人类居于主导地位，基于人类的经验、判断与偏好，研发服从于人类利益的AI，最终拍板的依然是“我们”。既不做半机器半人类，也不做机器下的人类。
而要让AI成为助手，总共分三步：第一步，在多个人机协同感知端实现技术突破，将人力从繁复的工作中解放出来;第二步，在感知、认知到决策全流程提升效率，助力决策;第三步，在人机交互体验帮助创造者，丰富终端的产品和服务内容。
这个“三步走”战略，逻辑严密前景美好，但要实现却并非易事。它要求每一步都算数，每一步都得踏实走。不少国内公司都在迈出第一步，在感知端的工作已经成为追求