人工智能技术每天都要在我们的生活中多次出现，每年为经济作出几千亿美元的贡献，并且正在不断取得稳步进展。同时，人工智能界也认识到了几件令人吃惊的事情。
我们曾经以为很困难的事情实际上要简单得多。早期的人工智能研究专注于完成看似困难的智力任务。但人们发现，这些逻辑思维的例子其实对于计算机来说复制起来并不难，所需的仅仅是几条定义明确的规则和强大的计算能力。相反，那些很简单的任务实际上却很难。一名幼儿只需看一眼就能够区分几百个对象（球、毯子、母亲等），但事实证明，建立一个能够达到这种水平的计算机视觉系统是十分困难的。
处理不确定因素其实比进行严密的逻辑思维更为重要。我们针对一个问题想出一个聪明的论证或解决方法，包含一系列无可辩驳的逻辑步骤，并且在有人想出这样一个次序之后感到震动。但是，这正是计算机也能做得很好的事情。困难的地方在于处理不确定性，以及在众多可能性中选择一个正确答案。
学习实际上比了解更重要。在20世纪60、70年代，很多人工智能程序被称为“专家系统”，意思是它们都是通过采访各领域的专家而建立并将他们的知识编码成计算机可以理解的逻辑规则。这种方法被证明并不可靠，原因有以下几点。首先，专家的来源十分稀少，并且采访他们极为耗时。其次，有时候专家的专业技能十分娴熟，但对于如何实现却并不一定能够解释清楚。最后，通过这种方法建立的系统经常无法处理超出采访中专家预料范围的情况。
当前的系统更多是根据例证而非逻辑规则来建立的。不要告诉计算机专家是如何解决问题的。相反，给它大量实例展示以前出现的问题：给出能够描述初始状况的特征、所使用解决方法的描述以及评价这种方法的得分。据此，计算机算法就能认识到在相似情况下该如何运作。
研究重点从取代人类转换为提升人类的水平。“专家系统”的另一层暗示就是它要用一个计算机系统来代替专家。那种方法在上世纪70年代还算可行，那个时候计算机还很稀少并且昂贵，对于计算机技术的投资仅集中在有限的几种高回报应用领域。但今天计算机随处可见，这时思考如何让计算机协助人类工作而不是取代人类变得更有意义。这就意味着，人类与计算机可以各自专注于自己擅长的领域。
Peter Norvig
人类与机器合作起来比任何一方单独工作都更为强大。正如Werner von Braun在回答应该选用什么样的计算机执行未来空间任务时所说的：“人就是我们能够给航天器装备的最好的计算机，也是唯一通过非技术性活动就能大批量生产的。”没有必要让机器取代人类；相反，我们应该想想什么工具能够帮助人类更加富有成效。
我们当前的这个时代是人工智能发展的极佳时期，因为近期计算机硬件的发展使人们可以处理许多以前由于价格昂贵而不敢问津的问题。此外，无线网络与蜂窝数据网络高速发展，这意味着这些令人激动的全新应用程序将不再只禁锢于研究实验室，它们可以成为网络上为所有人享用的服务。
现在，您可以使用手机实时进行翻译，进行过去不可能实现的人机对话。今后，将有越来越多更强大且更智能的计算机为公众服务。
所有这些将朝什么样的方向发展？计算机能真正的思考吗？
很多计算机科学家会说这个问题提得并不恰当，因此任何答案都不会有太大意义。计算机的能力将会不断增强，而我们会找到同它们相处的方式：作为工具、顾问、工人、宠物、伴侣抑或其他角色。但是，我们用来描述机器的词语，包括是否使用“思考”一词，却更多地取决于我们看待自己的方式而非机器实际所拥有的能力。
（本文作者系Google研发总监）
