?近日，DeepMind源代碼生成深度學習系統AlphaCode發布，引起人們圍繞人工智能進步的興奮，也引發關于人工智能與人類關系的更多思考。

幾十年來，人工智能研究人員和科學家一直在尋找能夠衡量人工智能進展的測試。在設想了人類思維的人工智能之后，他們轉向以人類智能為基準。

人類智能很難衡量，但一些比賽被大多數人當作衡量重要參考，如國際象棋、圍棋和編程競賽。在掌握這些比賽的過程中，人們培養了許多可以應用于其他問題的技能，例如計劃、策略、思維理論、批判性思維和抽象思維。這些技能可以在其他現實領域派上用場，如商業、教育、科研、產品設計和軍事。

在更專業的領域，如數學或編程，測試具有更多實際意義。例如，在編碼比賽中，程序員必須將一個問題陳述分解成更小的部分，然后設計一個解決每一部分的算法，并將其全部重新組合起來。這些問題往往要求參賽者以新穎的方式思考，而不是使用腦海里想到的第一個解決方案。

相比之下，AlphaCode使用轉換器，一種特別擅長處理連續數據的深度學習架構，將一個自然語言問題陳述映射到數千個可能的解決方案。然后，它使用篩選和聚類來選擇10個最有希望的解決方案。顯然，AlphaCode開發解決方案的過程，與人類程序員的開發過程非常不同。

當被認為等同于人類智能時，人工智能的進步會讓我們得出各種錯誤的結論，例如機器人接管世界，深度神經網絡變得有意識，以及AlphaCode媲美普通人類程序員。

但如果從搜索解決方案的過程來看，就有了不同意義。即使人工智能系統產生的結果與人類相似，甚至更好，它們所使用的過程也與人類的思維有很大不同。

所以，不如把人工智能，至少在其目前的形式下，看作是人類智能的延伸，而不是替代。像AlphaCode這樣的技術不能思考和設計自己的問題，但它們是非常好的問題解決者，為人類和人工智能之間的高效合作創造了機會。人類定義問題，設定獎勵或預期結果，而人工智能找到潛在的解決方案來提供幫助。

也就是說，像AlphaCode這樣的工具將為程序員提供更深入地思考具體問題的機會，并讓人工智能系統產生新穎的解決方案，還可能為應用開發提出新的方向。