人工智能的能与不能

能学习“默会知识”的机器

“阿尔法狗”战胜李世石后，一位中国哲学家说，这是早晚会发生的事情，因此没什么好惊奇的。人工智能的从业者们当然不这么看。3月16日，《纽约时报》网站发布了《第二次机器时代》一书的两位作者安德鲁·迈克菲和艾瑞克·布林优夫森合写的文章：《电脑在哪些方面能击败人类、哪些方面不能》。文中说，虽然早在1997年“深蓝”击败卡斯帕罗夫时电脑就超越了人类，但“阿尔法狗”的胜利还是很重要的。因为围棋跟国际象棋不同，“‘深蓝’的胜利几乎主要是靠纯粹的计算能力：它梳理几百万个可能的走法来决定理想的走法。而对于围棋来说，可能的走法比宇宙中原子的数量还多，所以连最快的电脑也无法计算。”“‘阿尔法狗’获胜生动地表明了一种新方法的力量：不是把聪明的策略输入电脑，而是建立一个可以自主学习获胜策略的系统。” 

以前人们觉得电脑不可能学会下围棋，“跟象棋一样，围棋是一种极其复杂的策略游戏。但跟象棋不同的是，没人能解释清楚如何以最高的水平下围棋。顶尖的围棋选手也不能完全弄清他们为何下得那么好。人类的许多能力都存在这种情况，从驾车到面部识别。”哲学家兼科学家迈克尔·波兰尼把这类知识称为“默会知识”，以区别于我们能够施展也能够讲清楚的知识。他说：“我们知道的多于我们能够讲述的。”这一现象被称为“波兰尼悖论”。

两位作者说，“阿尔法狗”确实使用了传统的搜索算法来帮助它决定一些下法，但真正的突破在于它克服了“波兰尼悖论”。它之所以能做到这一点，靠的是通过战例和经验，自行找出获胜的策略。战例是围棋高手们2500年来积累下来的。为弄清获胜策略，这一系统使用了“深度学习”这一方法。人类大脑的学习是一个形成和强化神经连接的过程。深度学习系统采用了类似的方法，它们在软件中形成几十亿个节点和连接，然后通过战例训练来强化这些连接。深度学习已经存在很久了，但直到最近才开始显现其威力。至于它能走多远，现在也还不清楚。但它的应用非常广泛，可用于语音识别、信用卡欺诈侦测、放射学和病理学等。机器现在能识别人脸、驾驶汽车，而波兰尼曾经说，这两件事属于默会知识的领域。

人机大战之后，“湛庐文化”联合中国人工智能学会举办了一场“人机博弈的未来”专家春季研讨会上。英特尔数据中心事业部的何万青在会上说：“日本围棋大师藤泽秀行曾说，棋道一百，我只知七。意思是人类顶尖棋手离完美理解围棋真谛相差甚远，仅有7%。这次‘阿尔法狗’运用评估网络和策略网络学会判断最佳落子，这或许能帮助（人类）棋手提高对围棋真谛的理解。”但他还表述了这样一层意思：人类大脑就像一个黑箱，我们自己也不知道我们如何能完成一些任务，“阿尔法狗”的学习也是，它的可怕之处就在于人类给了它一些方法和材料，至于它到底怎样学会的、学会的是什么，人类也不知道。

机器人干不了日常事务

约翰·马尔科夫在《与机器人共舞》说，汉斯·莫拉维克描述过一个悖论：对于人类来说是困难的事情，对机器来说是小菜一碟，反之亦然。20世纪80年代的人工智能研究员们最早提出了这一观点。莫拉维克在《心智孩童》一书中写道：“让计算机在跳棋这样的智力活动中达到成人级别并非难事，但是想在感知、移动性等方面达到1岁孩童的级别，对它们来说却是难上加难，近乎于不可能。” 

约翰·麦卡锡也提出了类似的理论，他要求学生把手伸到口袋里面抚摸里面的硬币，识别出哪个是五分镍币。然后，做一个能够完成这一任务的机器人！几十年后，罗德尼·布鲁克斯在演讲中还会以同样的情景开头，而这是人完全不需要思考就能完成的事情。虽然如今的机器能够下国际象棋、玩《危险边缘》、驾驶汽车，但在触摸和感知领域，人们取得的进展却仍然微乎其微。

Edge网站每年邀请众多科学家回答一个年度问题。2015 年的年度问题是“你怎么看会思考的机器？”心理学家艾莉森·戈普尼克回答说：“机器也许能击败卡斯帕罗夫，但是它们能像一个3岁的孩子那样聪明吗？新一轮人工智能复兴的核心是学习。但是迄今为止，宇宙中最会学习的仍然是人类的孩子。”

她指出，机器的学习还是有局限的，在过去10年间，经常跟计算机科学家合作的“发展认知”科学家们一直在努力弄清： 孩子何以那么快就能学会那么多东西。人工智能研究的一个迷人之处是，我们很难预测哪一部分难、哪一部分简单。起初， 我们以为公认少数聪明人才能掌握的事情（例如下棋和证明定理）对电脑来说会是最难的。实际上，结果表明那些技能很简单。

模仿受过高强度训练的成年人的推理比模仿孩子的学习更简单。机器在哪些方面赶上了3岁孩子，在哪些方面仍遥不可及呢？过去15年来，心理学家发现，孩子特别善于识别统计学模式。计算机科学家也发明出了精于统计学学习的机器。深度学习之类的技巧能够识别大量数据中复杂的统计学规律，结果计算机突然就变得能够做一些以前做不了的事情，比如识别图像。问题是，机器的这种学习要依赖于大量数据，而且是人类的大脑事先消化过的数据。电脑之所以能够识别网上的图像， 是因为几百万人已经把他们视网膜中复杂的信息简化成了高度程式化的可爱猫咪的图片，并且已经给这些图片加上了标签。我们实际上都在为谷歌的计算机服务，还自以为是在看有趣的图片。即使是在这样的帮助下，机器仍然需要大量数据和极其复杂的算法，才能在看一张新照片时认出那是猫的照片，而每个孩子只要有几个例子就能学会。

除了通过经验学习，还有一种更强大的学习方式：提出假说然后用数据加以检验。机器学习的另一个巨大进展是把这种假说、检验的过程形式化、自动化了。我们可以描述一个因果的假设，然后参考数据，计算这一假设能否成真。在医疗诊断和气象学方面，机器已经能够根据数据检验和评估假设。所以说，电脑已经擅长从假说得出推论。但是真正困难的问题是从无数可能性中确定哪个假设值得去检验。连学龄前儿童都非常擅长创造新的概念和假设。他们把理性和非理性、系统性和随机性相结合，对于这一过程我们甚至还没开始去理解。

斯坦福伦理学教授杰瑞·卡普兰甚至认为，“机器很聪明”这样的表述并不准确。国际象棋和围棋软件只是我们通过编程实现的自动化任务，恰如计算器取代了“计算师”的工作——计算师曾经是需要大量细心、专业技能的人类职业。只是计算机的计算跟人脑的计算完全是两种计算方式。

机器人将令谁失业？

雷·库兹韦尔在《人工智能的未来》一书中预测，到2029 年，机器人智能将能够与人类匹敌；到2030年，人类将与人工智能结合，大脑将和云端连接，我们现有的智能得到增强；到2045 年，人与机器将深度融合，奇点来临，人工智能将超过人类本身、开启一个新的文明时代。

库兹韦尔的预言或许太过乐观了，但如今一些人工智能技术和自动化设备的应用已经成为现实。2015年，亚马逊总裁贝佐斯公布了一款送货无人机。他在视频中介绍说，飞行器承受包裹最大限重为5磅（86%的订单都符合这一条件），飞行10公里，在30分钟内就能完成货物送达。该微型无人机由电动装置发电，航程覆盖了物流中心16公里半径以内，城市里的大部分人口都居住在该范围内。因此送货无人机只要收到GPS坐标，就能准确地将包裹投送到目的地。贝佐斯还表示，这听起来像科幻小说，但其实并非遥不可及。送货无人机完全取代现有的物流系统只需4至5年的时间。

无人机取代快递、机器人取代一些岗位的工人，看上去是大势所趋。到2020年，美国上空将有3万架无人机，无人机产业将达到900亿美元，创造10万个就业岗位。比尔·盖茨曾撰文说，如果他现在是20岁的话，肯定会选择“机器人”作为创业首选目标。他预言，机器人创业将会再现计算机产业的快速崛起之路，在不远的未来彻底改变人类的生产和生活方式。但盖茨认为贝佐斯用无人机送货的设想太乐观了，他更希望用无人机空投药物。

许多报道指出，贝佐斯的无人机并非什么创举，已经有比萨店用无人机送比萨，中国也在实验这类产品。狗仔队用无人机拍明星的婚礼，房产经纪人用它拍豪宅，农场主用它监视田地，酒商用它查看葡萄的运输。 

美国武器合约商波士顿动力公司为美军研制的人形机器人“阿特拉斯”能像人类一样用双腿直立行走，它的“双眼”是两个立体感应器，有两只灵巧的手，能在实时遥控下穿越比较复杂的地形，还能使用手脚攀爬。有人说，“阿特拉斯”所表现的运动能力充其量是个4岁的孩子。但这样一个4岁的孩子就可以获得一份工作，加入劳动力大军，创造GDP。它们取代的就业岗位应该会多过它们创造的就业岗位。

尼古拉斯·卡尔在《玻璃笼子》一书中说，第一轮自动化取代的都是简单劳动，但现在人工智能够做非常复杂的工作。电脑能分析法律文件，提出审判策略，据信还能设计大楼、买卖股票、诊断疾病。《纽约时报》一篇文章说，10年后可能有90%的新闻是由算法生成的。你以为每天读的文章是真人写的。也许你是对的，也许不对。如今我们读到的大量内容不是出自人类之手，而是由计算机算法创作。我们也许早该怀疑，全天候轰炸我们的信息不可能都是俯在笔记本电脑上的人们写出来的。一位金融工作者说：未来证券经纪人会消失。目前，绝大部分从业人士说不出10个上市公司的关键财务数据。一是专业性下降，二是信息太多。将来的投资工作非常可能让机器人来操作和下单：海量斟酌思索，微波速度下单。

卡尔认为，我们有办法逆转人工智能使人类变傻的趋势， 那就是改变设计思路：以前的设计师强调的是技术的需求优先于人类的需求，迫使人们成为配角。设计师首先考虑的是电脑的能力，把工作尽可能地交给软件，人类的操作员来做剩下的相对被动的事情，如输入数据、监视显示器。这会导致一个降低人类技能的恶性循环。人类不再做困难的工作，技能下降， 出错几率上升。出错后，设计师的反应是进一步减少人类的责任。事实上我们要追求的是以人类为中心的自动化，系统应该让人类的操作员处于决策圈中，不停地行动、反馈、做出判断，从而使机器工人一直专注于不停地练习、增强技能。