在当今世界，人工智能（AI）已成为一个热门话题，人们对于机器能够像人类一样思考和行动的能力充满了好奇。然而，随着技术的发展，开始探索一种新的概念——增强智能（Augmented Intelligence，简称Au-I）。本文将带领读者了解这一新兴概念，并探讨如何利用它来创造梦寐以求的产品和平台。
长久以来，人们幻想着机器能够像人类一样思考和行动。随着计算机的出现，这一幻想似乎变得可能。计算机科学家艾伦·图灵（Alan Turing）相信，总有一天计算机能够在交流和展示智能方面与人类无法区分。因此，他在1950年提出了图灵测试。在这个测试中，一个人类评估员需要向机器和另一个人类提问，而不知道他们的身份。如果评估员无法明确区分计算机和人类，那么计算机就被认为是通过了图灵测试。这听起来像是一个有趣的AI聊天机器人游戏，不是吗？
然而，直到1956年，“人工智能”这个术语才在达特茅斯大学举行的夏季会议上被正式提出，由计算机科学家约翰·麦卡锡（John McCarthy）组织。如今，AI这个术语已经成为每个进入大学的人的口头禅。这项技术的兴起确实有非常实际的原因。从医疗保健到能源再到天文学，AI的应用无处不在。
现在，让展望未来，如果AI变得更加智能和强大会怎样？如果计算机真的无法与人类区分，甚至超越呢？这种担忧是真实的，但也许现实并非如此。增强智能（Au-I）的概念提醒，人工智能是人类智慧的产物，而非相反。人工智能的最终目标是帮助和协助人类，而不是取代人类。这就是增强智能的概念所在。通过增强智能，寻求将人类的智力与机器的训练智能结合起来，以更好地为自己的目的服务。在这里，限制了系统超越可能性。
定义增强智能，有——它是机器处理数据和执行任务的能力与人类智力能力的协同使用。尝试在不使用人工智能的情况下定义这一点。也可以将Au-I视为人工智能的替代形式，其中人类和机器一起工作，而不是机器完成所有工作（这更容易理解！）
看到机器越来越能够像人类一样思考和工作，尤其是在语言、语音和图像识别等活动中，这是令人震惊的。计算能力使它们能够在极短的时间内处理来自世界各地的信息。人工智能的概念主要基于这些能力。
但是，有没有注意到，这一切都只是人类大脑左半球的能力。这部分大脑专注于数学、语言和分析能力，就像目前使用的AI模型一样。还没有挖掘人类大脑右半球的能力，它处理创造力和想象力，而这只能通过人机协作来实现。当人类大脑的全面利用成为可能时，即使通过集体方法，一个充满无限可能性的世界正在等待着。
如果想知道AI和Au-I之间的区别，这里有一个快速比较表，使事情变得清晰——
鉴于Au-I是人类和机器（他们的能力）的有趣组合，一定很好奇它在哪里被使用过？有没有任何例子？答案当然是肯定的！但在看例子之前，重要的是要理解Au-I通常不是与AI非常不同的东西。在处理数据和开发机器学习模型时，通常有人类和机器的互动。要选择的算法、要调整的参数、要纠正的不一致性大多是由人类完成的。只有在深度学习、神经网络和自动机器学习的情况下，齿轮才会转向计算机。以下是一些Au-I的例子，其中计算机的人工智能通过持续的人类输入得到了积极的丰富（增强），以提供增强的输出和结果。
1. 医疗保健和COVID-19
// 此处省略了实际代码，因为原文中没有提供具体的编程代码示例。
在医疗保健中使用预测和推荐系统，人类输入在最终决策之前被考虑，这是增强智能的一个好例子。人类触摸减少了不一致性的比率，结果可以很好地解释。医生和医疗从业者的知识和经验也在这种情况下得到了有效的利用。
哈佛大学的一个团队在Cameleon Grand Challenge中进行的一项有趣的研究表明，一个算法可以准确检测乳腺癌92%的时间。在人类病理学家的情况下，准确率是96%。但是当病理学家与计算机算法一起工作时，结果准确率达到了99%。（阅读更多关于他们的研究和）
增强智能在COVID-19场景中也找到了它的用途。BlueDot是一家加拿大的AI公司，专门从事传染病流行病学。甚至在WHO和CDC发出第一个警告之前，BlueDot就预测了2019-nCoV的爆发，并在12月31日向其客户发送了警报。该公司以前也成功预测了寨卡病毒的传播。BlueDot的发表的工作展示了可以聚合的高多样性和真实性数据，以做出非常准确的流行病学预测。（来源 - ）
另一个流行的例子是Google Flu，它利用搜索引擎查询来改善流感流行病的追踪。模型本身表现不佳，但其他研究人员能够利用Google的数据和其他社交媒体数据来更准确地预测传播。
皮肤科是临床科学的一个学科，皮肤疾病的检测准确率一直很低。AI和深度学习的使用可以帮助以非常积极的方式改变这种情况。此外，人类和算法的互动有很大的好处。
Lieu等人的一项研究比较了深度学习系统与皮肤科医生、初级保健医生（PCP）和护士从业者的诊断能力。基于这项研究，斯坦福医学院的一篇文章强调了Au-I如何有效地用于此，并应该成为未来的方向。
2. 教育科学
// 此处省略了实际代码，因为原文中没有提供具体的编程代码示例。
教育一直是每个人生活的核心方面，世界一直在寻找疯狂的方式来改善教育系统，以培养更好的个体。当世界努力通过数字工具提供质量教育时，这成为一个必要性，尤其是在大流行期间。
教育数据挖掘是一个学科，其中机器学习和分析被用来生成与学生行为和学习相关的洞察和趋势。在这种情况下，增强智能的使用可能非常有益，转向开放式过程。在芬兰东部大学的一项研究中，使用了一个名为Neural N-Tree的聚类算法，它使教育数据挖掘的最终用户能够连续和迭代地分析教育数据。正是通过模型和最终用户之间的互动，预测准确性提高了。这不是通过传统的参数调整，而是通过模型调整实现的。对于没有所需技能集的用户来说，这种方法可能具有挑战性，但对于熟练的人来说，它肯定是有益的。
3. 数据和图像注释
// 此处省略了实际代码，因为原文中没有提供具体的编程代码示例。
斯坦福大学和Snapchat的一项有趣的研究展示了使用人机协作的增强智能的美丽用例。该研究涉及一个制定的系统，其中人类输入被用来增强现有计算机视觉算法的对象检测/注释能力。
实验是通过涉及最新概念的众包工程来完成的，通过定义一组基于效用、精度和预算的约束来决定和实施人类参与。优化是使用马尔可夫决策过程完成的。结果在计算机工程视角和众包工程视角上都是令人满意的。
他们发现，通过使用人类输入，确实可以增强基于CV和AI算法的现有场景和对象检测器的能力。阅读他们的完整研究。
将人类纳入循环以获得更好的模型
// 此处省略了实际代码，因为原文中没有提供具体的编程代码示例。
所以，被增强智能的奇迹所吸引，看了一些用例。现在，迫切需要弄清楚如何利用它来克服人工智能的缺陷。这绝对是可能的，通过众包工程和人类循环方法。
管理一个团队，让他们给客户发送电子邮件。他们要么从那里得到输入，然后自己工作（在犯错后从那里得到反馈），要么他们把它留给最后编辑和发送电子邮件。作为一个日程安排紧张的经理，必须在选择看什么和忽略什么之前做出选择，然后才能最终发送电子邮件。
将这个类比与AI模型制作进行比较。这个日常办公室故事恰当地解释了AI和Au-I之间的细微差别，以及应该如何接近它。
作为一个AI/ML工程师或应用程序开发人员，如果想通过使用Au-I获得优势，需要设计一个有效和可行的方式，将人类群体的输入和反馈整合进来。人类的输入可能是错误的、耗时的和令人困惑的。参与必须被优化，这就是Au-I背后的真正香料。尽管Au-I仍然处于计算机科学概念的初级阶段，但随着设想一个技术强大的明天社会，增强智能将迅速进入主流开发。