我們目前并不需要過多擔(dān)心被人工智能搶走飯碗，更應(yīng)該考慮的是：如何運(yùn)用人工智能幫助我們更高效的工作？我們是否需要更多的人工智能訓(xùn)練師，而不是醫(yī)生、工程師？如果人工智能預(yù)測錯誤，誰來承擔(dān)責(zé)任……

AlphaGo打敗李世石已經(jīng)有兩年多的時間了，在這兩年中，人工智能從各個角度入侵我們的生活，從各種語音助手到智能音箱，從智能手表到智能家電，從機(jī)器翻譯到刷臉支付。落地應(yīng)用一波未平一波又起，人們接觸得多了，了解了人工智能有多智障，便也不再擔(dān)心是否會被人工智能搶去飯碗了。

但，真的是這樣嗎？人工智能走什么時候能走出智障的圈子？

這還要從人工智能的三大流派說起。

三大流派

符號學(xué)派

1956年，在達(dá)特茅斯學(xué)院，香農(nóng)（Claude Shannon，信息論創(chuàng)始人）和其他幾個年輕學(xué)者，一起討論了如何用機(jī)器來模仿人類在各個方面的智能，并在討論中提出“人工智能”一詞，這年就是人工智能的元年。此后的40年間，人工智能所取得的輝煌成績都與符號學(xué)派密不可分。

當(dāng)時人們認(rèn)為“機(jī)器要像人一樣思考才能獲得智能”，而人類的認(rèn)知都是基于符號的，思維只是在符號表示上的一種運(yùn)算。所以應(yīng)該先研究清楚人類的認(rèn)知系統(tǒng)，進(jìn)而用機(jī)器模仿人類的認(rèn)知過程，并將代表認(rèn)知的符號輸入這些機(jī)器，來達(dá)到模擬人類智能的目的。

符號學(xué)派認(rèn)為人的物理能力和心智能力是分開的，而人工智能就是要用計算機(jī)程序來模擬心智能力，而不是物理能力。正因此，智能應(yīng)該是一種特殊的軟件，與實現(xiàn)它的硬件并沒有太大關(guān)系。這就好比一個會開車的人，他不能讓一個沒有輪子的車跑起來，但你不能因此說他不會開車。這個人具有的開車的能力，就是智能（軟件），與車能不能開（硬件）無關(guān)。

基于這些理念，符號學(xué)派在經(jīng)歷了一些波折后，在國際象棋上（1997年）和《危險》（2011年）中戰(zhàn)勝了人類（《危險》是一個美國電視節(jié)目，主持人會給參賽者一系列線索，參賽者要用最短的時間猜出主持人描述的人或事物）。

連接學(xué)派

智力活動在符號學(xué)派看來是一款軟件，這款軟件的運(yùn)作需要從外界獲得大量的知識輸入，這樣的輸入在20世紀(jì)80年代相當(dāng)?shù)馁M(fèi)時費(fèi)力，成為了制約符號學(xué)派發(fā)展的瓶頸。另外一群人認(rèn)為，把智力看成是一款軟件是遠(yuǎn)遠(yuǎn)不夠的。

人類智力是在大腦的活動下產(chǎn)生的，而大腦是由上百億個神經(jīng)元細(xì)胞通過錯綜復(fù)雜的連接構(gòu)成的。所以人們很自然的想到，我們是不是可以模擬大量神經(jīng)元的信號傳輸方式來模擬大腦的智力呢？

連接學(xué)派通過算法模擬神經(jīng)元，并把這樣一個單元叫做感知機(jī)，將多個感知機(jī)組成一層網(wǎng)絡(luò)，多層這樣的網(wǎng)絡(luò)互相連接最終得到神經(jīng)網(wǎng)絡(luò)。我們可以根據(jù)要解決的實際問題來構(gòu)建神經(jīng)網(wǎng)絡(luò)，進(jìn)而用數(shù)據(jù)不斷訓(xùn)練這一網(wǎng)絡(luò)，調(diào)整連接權(quán)重來模擬智能。

現(xiàn)在炙手可熱的深度學(xué)習(xí)，可以看做是連接學(xué)派的延伸，已經(jīng)在語音識別、圖片處理、模式識別等領(lǐng)域取得突破性進(jìn)展。

行為學(xué)派

與上面兩個學(xué)派不同的是，行為學(xué)派把目標(biāo)聚焦在相對低等的生物身上，他們發(fā)現(xiàn)即便是昆蟲這種比人類簡單得多的生物，也表現(xiàn)出了非凡的智能，比如可以靈活地行走并躲避障礙物，快速精準(zhǔn)地捕食獵物。從這點(diǎn)出發(fā)，行為學(xué)派模仿動物的身體，在不需要大腦干預(yù)的情況下，僅憑四肢和關(guān)節(jié)的協(xié)調(diào)來適應(yīng)環(huán)境。

另一方面，生命體在演化的過程中會不斷變異，而環(huán)境會對這些變異進(jìn)行選擇，讓更適應(yīng)環(huán)境的變異繁衍下去，同時淘汰不適應(yīng)環(huán)境的變異。在這一變異和選擇的過程中生物逐漸從簡單走向復(fù)雜，從低級走向高級。

基于此，霍蘭（John Holland）提出了遺傳算法：在計算機(jī)中，用一堆二進(jìn)制串來模擬自然界的生物體，改變這些二進(jìn)制串來模擬基因突變，用適應(yīng)度函數(shù)來模擬大自然的優(yōu)勝劣汰，最終找到最優(yōu)解。

這一學(xué)派在機(jī)器人領(lǐng)域成果卓著，例如美國波士頓動力公司研發(fā)的“big dog”，“開門機(jī)器人”

What-How-Why：“是什么”、“該怎么”、“為什么”

舉一個醫(yī)療診斷的例子

有一種癌癥，叫黑色素瘤，這是皮膚腫瘤中惡性程度最高的瘤種，容易出現(xiàn)遠(yuǎn)處轉(zhuǎn)移，可以致死，所以早期的診斷非常重要。但是，它的初期表現(xiàn)，跟皮膚上長了一個普通的“色素痣”一樣。想要在早期診斷黑色素瘤，最穩(wěn)妥的方式是做活組織切片檢查，可你總不能每長一個痣就去動刀。

好在黑色素瘤和普通色素痣的外觀還是有區(qū)別的，總結(jié)說來，有以下四個特征：

• 一般都非對稱
• 邊緣不規(guī)則
• 顏色可能不統(tǒng)一，更富于變化
• 直徑通常大于6毫米

一個皮膚科醫(yī)生，要學(xué)習(xí)上面四個規(guī)則，來給患者進(jìn)行診斷。那計算機(jī)不是也可以學(xué)習(xí)這些規(guī)則，然后取代人類嗎？

“是什么”和“該怎么”

1945年，英國心理學(xué)家吉爾伯特·賴爾（Gilbert Ryle）在演講中提到了這兩種知識：

一個孩子知道自行車有兩個輪子，輪子里面都是空氣，轉(zhuǎn)動把手就可以拐彎……他只是知道了“是什么”，但還是不會騎車；如果一個孩子在幾次摔倒之后學(xué)會了騎車，這時候，他就知道了“該怎么”。知道“是什么”是基于事實和概念；而知道“該怎么”是基于技能和經(jīng)驗。知道“該怎么”，可不一定知道“是什么”，你讓一個會騎車的人講解一下他是怎么騎車的，可能他根本說不清楚。

我們要把一件事物“是什么”告訴計算機(jī)，一種方法是把這個事物方方面面的描述都告訴計算機(jī)，它就知道了“是什么”，至少理論上是這樣的。比如，你要讓計算機(jī)來判斷這是一個色素痣還是一個黑色素瘤，你只要把那幾個特征告訴計算機(jī)就可以了。

可事實遠(yuǎn)比這復(fù)雜得多，因為把上面的四個特征翻譯成算法語言，本身就不太容易——到底多不對稱才叫“不對稱”？怎么不規(guī)則才算“不規(guī)則”？而且符合那四個特征的也未必是黑色素瘤，不符合的也可能是。所以最后算下來，計算機(jī)的準(zhǔn)確度還是不如人類專家。

還有第二種方法，就是深度學(xué)習(xí)。通過深度學(xué)習(xí)，我們甚至不用去制定規(guī)則，只要找出一套合適的模型，然后用大量的數(shù)據(jù)進(jìn)行訓(xùn)練，模型自己就能學(xué)會判斷。事實上，這種方式訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)，已經(jīng)在黑色素瘤的識別準(zhǔn)確率上遠(yuǎn)高于人類專家。

這樣說來，在“是什么”這一塊，計算機(jī)已經(jīng)可以超越人類了；而像騎自行車這類“該怎么”就是行為學(xué)派擅長的東西，可能未來也會超越人類。但人工智能有個致命的問題，就是不知道“為什么”。

“為什么”

神經(jīng)網(wǎng)絡(luò)可以在黑色素瘤的識別這件事上做得比人類好，但只不過是依靠算法給出輸入和輸出之間的對應(yīng)關(guān)系，它本身根本不理解病變。人類醫(yī)生不僅僅會告訴你這里有一個病變，他還會告訴你用藥的時候要注意周圍的危險區(qū)域，他還會發(fā)現(xiàn)沒有癥狀、但是已經(jīng)產(chǎn)生的腫瘤……因為人類能理解病變。

人類比計算機(jī)更厲害的地方在于，我們不僅能理解，我們還會問“為什么”。

為什么會有這些病變？為什么黑色素瘤邊緣是不規(guī)則的？為什么會變顏色？為什么容易出現(xiàn)遠(yuǎn)處轉(zhuǎn)移？正是因為我們能問出為什么，我們才能不斷深入研究，不斷獲得新的知識，不斷找到新的治療方法，不斷地知道新的“是什么”和“該怎么”。

人工智能只能解決一個問題，但是不能創(chuàng)造一個問題。

共生

盡管AlphaGo Zero可以在自我對弈的前提下戰(zhàn)勝所有人類，但AlphaGo Zero還是在有限的棋盤上，在有限的規(guī)則下計算。它只知道“該怎么”，而不知道圍棋“是什么”，更不知道“為什么”。

更何況真實的世界有無限多的自由度，沒有明確規(guī)則，你沿著任何一個方向深入下去都會碰到各種各樣新的可能性。這些新的東西，才更有價值。

我們目前并不需要過多擔(dān)心被人工智能搶走飯碗，更應(yīng)該考慮的是：如何運(yùn)用人工智能幫助我們更高效的工作？我們是否需要更多的人工智能訓(xùn)練師，而不是醫(yī)生、工程師？如果人工智能預(yù)測錯誤，誰來承擔(dān)責(zé)任……

我們需要人工智能，但拓展知識的邊界，還得靠我們自己。

參考文獻(xiàn)：

[1]《科學(xué)的極致：漫談人工智能》. 集智俱樂部.

[2]The algorithm will see you now. Siddhartha Murherjee. The New Yorker. April 3, 2017. （https://www.newyorker.com/magazine/2017/04/03/ai-versus-md）

本文由 @吹個大氣球 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自網(wǎng)絡(luò)