人工智能不是無所不能的

在數(shù)學(xué)上，人心比計(jì)算機(jī)更加優(yōu)越。

——哥德爾

2017年10月，谷歌下屬公司DeepMind在《自然》雜志上發(fā)表論文，其研發(fā)的AlphaGo Zero在完全不用人類棋譜，從隨機(jī)走子開始自我對(duì)弈學(xué)習(xí)，只用3天，AlphaGo Zero就以100：0擊敗了2016年3月戰(zhàn)勝李世石的AlphaGo Lee。40天以90%的勝率大勝之前戰(zhàn)勝了世界排名第一的中國棋手柯潔的AlphaGo Master，成為目前最強(qiáng)的圍棋程序。在那些對(duì)弈棋局中AlphaGo顛覆了許多由古至今的圍棋定式，而且最后證明它的選擇都是成立的。從而證明，在圍棋這樣的完全信息博弈游戲領(lǐng)域不用借助任何人類知識(shí)，人工智能也可以自我訓(xùn)練，并橫掃 頂尖職業(yè)棋手。

在撲克這類不完全信息博弈游戲呢？隨機(jī)性、信息不完全可見性、博弈規(guī)模大等條件下，是不是能夠阻擋人工智能的腳步？答案也確是否定的。由卡耐基梅隆大學(xué)（CMU）開發(fā)的名為Libratus的人工智能系統(tǒng)，在一對(duì)一、無限制投注的規(guī)則下，擊敗了世界上最強(qiáng)的人類德州撲克玩家。借助于博弈論與強(qiáng)化學(xué)習(xí)等模型，結(jié)合強(qiáng)大計(jì)算能力，在非完全信息博弈游戲領(lǐng)域中人工智能也完勝了人類。

2018年，在全球蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)競(jìng)賽（Critical Assessment of protein Structure Prediction，CASP）上，組織者宣布，谷歌DeepMind團(tuán)隊(duì)的最新人工智能程序AlphaFold，僅僅通過蛋白質(zhì)的基因序列，就能預(yù)測(cè)蛋白質(zhì)的3D結(jié)構(gòu)，成功在43個(gè)參賽蛋白中拿到25個(gè)單項(xiàng)最佳模型。[1]這極大推動(dòng)該領(lǐng)域的發(fā)展，模型找到了基因序列數(shù)據(jù)中人們沒有認(rèn)識(shí)到的規(guī)律和信息。

在一些領(lǐng)域都傳出人工智能戰(zhàn)勝人類的新聞，人們不禁擔(dān)心人工智能即將在各行各業(yè)代替人類，各種媒體的報(bào)道也助推了這樣的焦慮，仿佛沒有什么是其不能解決的。這其實(shí)涉及人工智能和人類的能力邊界問題。我們定義這個(gè)能力是特定領(lǐng)域中解決問題的能力。這自然也離不了對(duì)于世界的基本假設(shè)?？雌饋矶际欠浅Ｕ軐W(xué)與科學(xué)的主題，但又是探討領(lǐng)域中人工智能應(yīng)用不可回避的主題。不用擔(dān)心，請(qǐng)耐心閱讀，希望本章的論述能讓您對(duì)人工智能在領(lǐng)域中的應(yīng)用的邊界和方向等有自己的看法。

弱人工智能與強(qiáng)人工智能

1956年，在達(dá)特茅斯大學(xué)舉辦的夏季會(huì)議上“人工智能（Artificial Intelligence，AI）”一詞正式被提出。在過去半個(gè)世紀(jì)，幾經(jīng)冷暖。2012年，圖靈獎(jiǎng)獲得者Geoffrey Hinton領(lǐng)導(dǎo)的課題組參加了ImageNet圖像識(shí)別比賽，通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）在比賽中一舉奪得冠軍，性能遠(yuǎn)超第二名。2016年，谷歌AlphaGo戰(zhàn)勝圍棋世界冠軍李世石，徹底引燃人工智能熱潮。這里就不回顧人工智能發(fā)展史了，有興趣的讀者請(qǐng)參閱《人工智能：一種現(xiàn)代的方法》[2]等相關(guān)書籍中的介紹。

什么是人工智能（AI），在《人工智能：一種現(xiàn)代的方法》書中對(duì)人工智能的4種用途進(jìn)行了定義：

? 像人一樣思考

? 像人一樣行動(dòng)

? 合理地思考

? 合理地行動(dòng)

這定義是指強(qiáng)人工智能（Artificial General Intelligence, AGI），也叫通用人工智能，是能夠獨(dú)立進(jìn)行思考、計(jì)劃、解決問題、抽象思維、學(xué)習(xí)、認(rèn)知和推理等行為的機(jī)器。強(qiáng)人工智能目的是研究具有感覺和自我意識(shí)的智能機(jī)器；是能獨(dú)立思考問題，并在能力范圍內(nèi)制定解決方案；有自己的價(jià)值觀選擇體系進(jìn)行決策；能夠在無監(jiān)督的情況下處理經(jīng)驗(yàn)外問題；并同時(shí)能夠與人類交互式學(xué)習(xí)的智能機(jī)器?？苹闷兄悄苤韼缀醵际菑?qiáng)人工智能，比如，《她》（2013）中的薩曼莎，《人工智能》（2001）中的小男孩大衛(wèi)，以及《機(jī)械姬》（2015）里面的艾娃等。

電影《機(jī)械姬》中的艾娃

與之對(duì)應(yīng)的是弱人工智能（Artificial Narrow Intelligence, ANI），也叫專用人工智能：不是強(qiáng)人工智能的智能機(jī)器，不擁有獨(dú)立思考能力，也不會(huì)有自主意識(shí)進(jìn)行決策。弱人工智能專注于某個(gè)特定的任務(wù)，例如語音識(shí)別、圖像識(shí)別、圍棋和自動(dòng)駕駛等。它們只是被用于解決特定的、具體的任務(wù)，屬于工具的范疇。

人工智能技術(shù)近些年的進(jìn)展和成功，是緣于“弱人工智能”而不是“強(qiáng)人工智能”，IBM的Watson和谷歌的AlphaGo等，都屬于弱人工智能。目前，人工智能取得重大突破的，是弱人工智能領(lǐng)域，強(qiáng)人工智能幾乎沒有進(jìn)展。何況，是否應(yīng)該研究強(qiáng)人工智能，科學(xué)界和工業(yè)界都存在很大爭議。國內(nèi)知名人工智能專家周志華教授就提出：“即便強(qiáng)人工智能是可能的，也不應(yīng)該去研究它。”[3]

不具備常識(shí)的人工智能

? 莫拉維克悖論（Moravec's Paradox）

莫拉維克悖論是由漢斯·莫拉維克、馬文·明斯基等人于1980年代提出的：模仿人類的高階智慧能力只需要非常少的計(jì)算能力，如，推理等，所以要讓人工智能下棋是相對(duì)容易的。但是要讓人工智能模擬一歲小孩般的感知和行動(dòng)能力，模擬人類直覺等，卻是相當(dāng)困難甚至是不可能的。2019年，機(jī)器學(xué)習(xí)領(lǐng)域國際頂級(jí)會(huì)議，國際機(jī)器學(xué)習(xí)大會(huì)（International Conference on Machine Learning ICML)，Alison Gopnik教授主題分享“為什么四歲兒童能做而人工智能不能做？”[4]也探討了同樣問題。

人工智能之父馬文·明斯基在其著作《情感機(jī)器》[5]中討論了人類大腦的思維運(yùn)行方式，并嘗試設(shè)計(jì)一個(gè)能理解、會(huì)思考的人工智能。其在回答為什么會(huì)有莫拉維克悖論時(shí)說道，“所有的現(xiàn)代程序都不具備常識(shí)性知識(shí)（Commonsense Knowledge)”。這亦是人工智能產(chǎn)品常常給人感覺不夠智能的根本原因之一。常識(shí)性知識(shí)和推理包括：

1）正面經(jīng)驗(yàn)（Positive Expertise）：在什么情況下應(yīng)使用特定類型知識(shí)。

2）負(fù)面經(jīng)驗(yàn)（Negative Expertise）：在什么情況下不應(yīng)采取哪種行動(dòng)，因?yàn)榭赡軙?huì)使事情變得更糟。

3）調(diào)試技能（Debugging Skills）：當(dāng)常規(guī)方法不再適用時(shí)，還有其他可供選擇的方法。

4）適應(yīng)技能（Adaptive Skills）：將原有知識(shí)應(yīng)用到新情景中。

人類的能力之一是從少數(shù)例子中學(xué)習(xí)，進(jìn)行模式識(shí)別。即使之前從未遇到過的環(huán)境，我們也可以進(jìn)行判斷和預(yù)測(cè)。這種對(duì)未知環(huán)境、未知事件的處理能力，是當(dāng)前人工智能無法具備的。明斯基在書中提出了通過框架表示常識(shí)試圖模擬這個(gè)能力。Alison Gopnik的分享中也引用類似觀點(diǎn)。這屬于機(jī)器學(xué)習(xí)中的符號(hào)主義（Symbolists），不同于當(dāng)前大熱的聯(lián)結(jié)主義（Connectionists）的深度學(xué)習(xí)。將兩個(gè)領(lǐng)域有效結(jié)合是未來機(jī)器學(xué)習(xí)的重要方向之一。

人工智能之父馬文·明斯基

為什么深度學(xué)習(xí)能“大力出奇跡”

深度學(xué)習(xí)（Deep Learning），概念源于神經(jīng)網(wǎng)絡(luò)的研究，指通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將原始數(shù)據(jù)轉(zhuǎn)變成為更高層次的、更加抽象的特征表示，從而使復(fù)雜的函數(shù)映射也能夠被學(xué)習(xí)。近些年，人工智能大熱的起因就是由于深度學(xué)習(xí)在一些領(lǐng)域取得突破性成果，在圖像、語音、自然語言處理等領(lǐng)域取得非常好的效果。目前機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的應(yīng)用在各行各業(yè)都越來越熱。深度學(xué)習(xí)雖然在一些應(yīng)用場(chǎng)景取得了巨大突破，但業(yè)界也存在大量批評(píng)的聲音，通常包括以下質(zhì)疑：

? 深度學(xué)習(xí)模型的優(yōu)化是經(jīng)驗(yàn)性的、不穩(wěn)定的。

? 效果依賴于大量標(biāo)注的訓(xùn)練數(shù)據(jù)。

? 不透明、可解釋性差。

? 難以結(jié)合領(lǐng)域的先驗(yàn)知識(shí)。

? 低效率等問題。

2018年1月，紐約大學(xué)認(rèn)識(shí)心理學(xué)家Gary Marcus發(fā)表一篇文章[6]列舉了十大理由質(zhì)疑深度學(xué)習(xí)的局限性。圖靈獎(jiǎng)得主、貝葉斯網(wǎng)絡(luò)發(fā)明者Judea Pearl也批評(píng)當(dāng)前深度學(xué)習(xí)研究，認(rèn)為從數(shù)學(xué)層面看，不論從數(shù)據(jù)中得到多少信息，都只是曲線擬合而已，但很多問題僅靠曲線擬合是無法解決的，未來的發(fā)展方向應(yīng)是基于因果推理的模型。[7]

之后，2018年圖靈獎(jiǎng)新晉獲得者、Facebook首席AI科學(xué)家Yann LeCun等知名專家學(xué)者在社交媒體上就深度學(xué)習(xí)展開了多輪的論戰(zhàn)，探索深度學(xué)習(xí)的適用場(chǎng)景與局限性。Yann LeCun堅(jiān)持認(rèn)為深度學(xué)習(xí)是人工智能解決方案的重要部分之一。

強(qiáng)化學(xué)習(xí)領(lǐng)域著名教授理查德·薩頓（Richard S.Sutton）則認(rèn)為，人類不應(yīng)試圖把自己的知識(shí)和思維方式植入到AI之中，比如用人類的思路教AI下棋，將讓AI按照人類總結(jié)的思路來識(shí)別圖像，等等。真正的突破，必然來自完全相反的方向。摒棄人類在特定領(lǐng)域的知識(shí)，充分利用大規(guī)模計(jì)算才是王道。用人類在特定領(lǐng)域的知識(shí)來提升人工智能，都是在走彎路。OpenAI首席科學(xué)家Ilya Sutskever精辟地總結(jié)了薩頓的核心觀點(diǎn)：大力出奇跡（Compute always wins）。對(duì)此也有相反觀點(diǎn)，牛津大學(xué)計(jì)算機(jī)系教授希蒙·懷特森（Shimon Whiteson）就認(rèn)為構(gòu)建AI需要融入人類知識(shí)，問題只在于該何時(shí)、如何、融入哪些知識(shí)。[8]關(guān)于深度學(xué)習(xí)、人工智能發(fā)展方向的討論，本書不再過多引述，感興趣的讀者可以看看雙方的論戰(zhàn)。

筆者認(rèn)為，在科學(xué)界，自然需要各樣的研究方法論。但在工業(yè)界，在一些特定領(lǐng)域，“大力出奇跡”，是不二法門。大規(guī)模計(jì)算的作用還遠(yuǎn)遠(yuǎn)沒有發(fā)掘完，只要數(shù)據(jù)數(shù)量與質(zhì)量、計(jì)算能力持續(xù)提升，加之算法的優(yōu)化，在工業(yè)界一定還有更多的驚喜等著我們。靠自我對(duì)弈圍棋的AlphaGo Zero，基于深度學(xué)習(xí)識(shí)別語音、圖像的算法等，一次次擊敗了先前那些濃縮了人類知識(shí)的人工智能方案。2018年，狂破11項(xiàng)自然語言處理領(lǐng)域紀(jì)錄的谷歌BERT（Bidirectional Encoder Representation from Transformers）模型[9]，其亦是借助大規(guī)模計(jì)算，通過預(yù)訓(xùn)練得到更好的文本特征，屬于暴力模型。

自然語言處理處理（Natural Language Processing，NLP）是人工智能領(lǐng)域的一個(gè)重要方向，主要研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法。大量訓(xùn)練數(shù)據(jù)和云計(jì)算可以說是近幾年深度學(xué)習(xí)在自然語言處理方面取得了重大突破的重要前提。為什么大力能出奇跡？谷歌的BERT模型，使用無監(jiān)督學(xué)習(xí)[10]對(duì)大量語料進(jìn)行預(yù)訓(xùn)練，設(shè)計(jì)了兩個(gè)預(yù)訓(xùn)練任務(wù)：一個(gè)是隨機(jī)遮蔽掉一個(gè)句子中某個(gè)詞，利用上下文進(jìn)行預(yù)測(cè)；另一個(gè)是直接預(yù)測(cè)下一個(gè)句子。預(yù)訓(xùn)練模型的目的是為每個(gè)詞匯找到恰當(dāng)?shù)南蛄勘硎?。?dāng)特定領(lǐng)域中相關(guān)語料越多，效果越好。就是說機(jī)器學(xué)到了語料數(shù)據(jù)中，我們無法用符號(hào)表述的規(guī)則或知識(shí)。

深度神經(jīng)網(wǎng)絡(luò)的理論依據(jù)之一——萬能逼近定理（Universal Approximation Theory）：神經(jīng)網(wǎng)絡(luò)能以任意的精度逼近任何從一個(gè)有限維空間到另一個(gè)有限維空間的連續(xù)函數(shù)。

2015年，三位圖靈獎(jiǎng)獲得者、深度學(xué)習(xí)和人工智能領(lǐng)域的著名學(xué)者杰弗里·辛頓（Geoffrey Hinton）、延恩·勒昆（Yann LeCun）和約書亞·本吉奧（Joshua Bengio）在《自然》雜志上發(fā)表了深度學(xué)習(xí)綜述論文[11]，文章中總結(jié)了深度學(xué)習(xí)在一些領(lǐng)域確定突破性成果的原因。對(duì)于一些復(fù)雜的問題，如圖像、語音、自然語言理解等，研究人員往往很難知道提取哪些特征合適。解決的方法之一是表征學(xué)習(xí)（Representation Learning），通過機(jī)器學(xué)習(xí)方法去提取特征?！吧疃葘W(xué)習(xí)就是一種表征學(xué)習(xí)方法，把原始數(shù)據(jù)通過一些簡單的但是非線性的模型轉(zhuǎn)變成為更高層次的、更加抽象的表達(dá)。當(dāng)神經(jīng)網(wǎng)絡(luò)足夠多層，再復(fù)雜的函數(shù)也可以被學(xué)習(xí)?！?/p>

在王維嘉的《暗知識(shí)》[12]中提到，數(shù)據(jù)有一些人類既無法感受又無法表達(dá)和描述的暗知識(shí)隱藏在海量數(shù)據(jù)的關(guān)系中。他也例舉了AlphaGo Zero“自學(xué)”戰(zhàn)勝之前基于人類棋譜最強(qiáng)AlphaGo Master，認(rèn)為機(jī)器發(fā)現(xiàn)了人類既無法感受也無法表達(dá)的知識(shí)。利用機(jī)器挖掘我們?nèi)祟悷o法認(rèn)識(shí)的知識(shí)與信息，是其書中提出的重要觀點(diǎn)，筆者非常認(rèn)同。知識(shí)表征（Knowledge Representation）是人類永恒的問題，是對(duì)事物、事實(shí)的一種代替，以使我們可借助用知識(shí)表征的符號(hào)進(jìn)行計(jì)算，對(duì)世界、事實(shí)進(jìn)行推理。過去幾千年，人類都在進(jìn)行宇宙、世界中事物、事實(shí)的知識(shí)表征探索，而利用機(jī)器挖掘數(shù)據(jù)中我們所不能理解的知識(shí)表征才剛開始。所以，在數(shù)字化時(shí)代，“大力出奇跡”才剛起航。

工業(yè)界擊敗BERT模型已然出現(xiàn)，2019年7月，阿里巴巴公司的“TransBERT”模型在多輪對(duì)話型閱讀理解評(píng)測(cè)（QuAC）進(jìn)一步刷新了記錄。[13]可以想見，基于自然語言模型的智能新聞、語音助理等將成為領(lǐng)域中可行的、更高效的方案。

人心計(jì)算不可替代的優(yōu)勢(shì)

人們說到心靈的時(shí)候，說的并不是一臺(tái)（任何一般意義上的）機(jī)器。而是一臺(tái)察覺到自身的正確性的機(jī)器。

——哥德爾

前面章節(jié)所提到的常識(shí)，亦是一種直覺。愛迪生說過“天才就是99%的汗水加上1%的靈感，但沒有這1%的靈感，那99%的汗水也是徒勞”。靈感既大師、專家們?cè)跊Q策時(shí)的直覺。諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)、圖靈獎(jiǎng)獲得者郝伯特·西蒙做過一個(gè)國際象棋棋法研究，其將一個(gè)布局合理的中盤棋局給大師們看，他們往往能在很短的時(shí)間就找到最優(yōu)下一步，這就是基于直覺的搜索。專家和新手區(qū)分不僅是前者具有大量和多樣的信息，更重要的是，他的直覺經(jīng)驗(yàn)使其能快速發(fā)現(xiàn)所面對(duì)的棋局形勢(shì)中的熟悉模式。長期記憶中儲(chǔ)存大量的棋局模式，識(shí)別這些模式，從長期記憶中找到相關(guān)信息，這樣的直覺搜索，并不需要大量復(fù)雜的腦力計(jì)算。

而AlphaGo在模型訓(xùn)練過程中，也是抽取一盤圍棋中的隨機(jī)中盤布局，使用蒙特卡羅樹搜索（Monte Carlo Tree Search，MCTS）結(jié)合估值網(wǎng)絡(luò)（Value Network）來搜索最優(yōu)下一步。由此看來，對(duì)于一個(gè)領(lǐng)域問題，新手往往是低效的、痛苦的直覺搜索，專家是高效的直覺搜索，而AlphaGo是啟發(fā)式結(jié)合暴力搜索。即，人類和人工智能是完全不同的搜索途徑。計(jì)算機(jī)不必學(xué)習(xí)人的做法，就如同飛機(jī)不必學(xué)習(xí)鳥的飛行一樣。但，是否可能借助人工智能提高新手的搜索效率呢？這應(yīng)該是個(gè)非常值得探索的方向，在之后的章節(jié)還將探討該主題。

現(xiàn)代的計(jì)算機(jī)的理論依據(jù)是偉大的數(shù)學(xué)家、邏輯學(xué)家艾倫·麥席森·圖靈發(fā)現(xiàn)的圖靈機(jī)理論。該理論中的停機(jī)問題（Halting Problem）是哥德爾不完備定理（Godel Incompleteness Theorems）的一種證明。圖靈機(jī)以一種精確的定義完全把握了機(jī)械（或計(jì)算）過程的直觀概念，因而徹底解釋了哥德爾不完全性定理的普遍性。

哥德爾不完全性定理：任何一個(gè)形式系統(tǒng)（圖靈機(jī)是一種形式系統(tǒng)），只要包括了簡單的初等數(shù)論描述，它必定包含某些系統(tǒng)內(nèi)所允許的方法既不能證明真也不能證偽的命題。

根據(jù)哥德爾定理，基于數(shù)論的所有一致的公理化形式系統(tǒng)都包含有不可判定的命題，基于圖靈機(jī)原理的計(jì)算機(jī)自然也包括在內(nèi)。而人類基于直覺、情感的決策并不并這個(gè)問題。一個(gè)十分著名的例子，當(dāng)亞歷山大面對(duì)難以解開的“格爾迪奧斯繩結(jié)”，用手中的劍直接就將繩結(jié)砍斷。跳出來看問題，這是人類的能力之一。還有，數(shù)學(xué)中著名的黎曼猜想，亦是先猜測(cè)可能的真理，就進(jìn)行應(yīng)用了，到目前為止，并沒有證明該猜想。

對(duì)于人心計(jì)算與計(jì)算機(jī)能力對(duì)比，偉大的數(shù)學(xué)家、邏輯學(xué)家和哲學(xué)家?guī)鞝柼亍じ绲聽栒J(rèn)為數(shù)學(xué)直覺就可以看到并證明自身的一致性，這一點(diǎn)不同于計(jì)算機(jī)。人是擅長通過直覺解決新問題的，這才是相對(duì)于人工智能，人類真正的優(yōu)勢(shì)。

在系列電影《黑客帝國》的動(dòng)畫版電影，九段獨(dú)立動(dòng)畫之一的《第二次文藝復(fù)興》中描述了人工智能和人類的戰(zhàn)爭，最后人類啟用了核武器并遮擋了整個(gè)地球的太陽光，但機(jī)器還是取得了最后的勝利。可機(jī)器無法獲得太陽能，只好圈養(yǎng)人類獲得生物能，將所有存活下來的人類養(yǎng)在母體Matrix中。該理由非常牽強(qiáng)，低等生物的能量轉(zhuǎn)換率一定比人類這樣的高等動(dòng)物更高。更合理的解釋是，由于人工智能無法代替人類的直覺計(jì)算，而直覺計(jì)算又是探索宇宙，探索數(shù)學(xué)、物理等充滿不確定性領(lǐng)域必不可少的能力，所以只好將人類圈養(yǎng)在母體中。

《黑客帝國》動(dòng)畫版電影劇照

另外，可不要小看我們自己大腦中的計(jì)算能力，麻省理工學(xué)院物理系邁克斯·泰格馬克教授在他的著作《生命3.0》[14]中參考了相關(guān)研究，認(rèn)為要模擬人類大腦，所需要的浮點(diǎn)運(yùn)算次數(shù)差不多相當(dāng)于2017年全世界運(yùn)行最快的超級(jí)計(jì)算機(jī)，我國的“神威-太湖之光超級(jí)計(jì)算機(jī)”，價(jià)值3億美元。這還只是從浮點(diǎn)運(yùn)算次數(shù)來看，要復(fù)制人腦的計(jì)算能力，光靠已有的神經(jīng)網(wǎng)絡(luò)可不行。所以在“神威-太湖之光超級(jí)計(jì)算機(jī)”的成本還沒有降到和人類的成本一樣前，從計(jì)算成本角度來看，決策中的人機(jī)合作都還應(yīng)該以人為主。

所以，人類的直覺有其不可或缺的重要性，直覺才是人類最重要的決策方式之一，是無法代替的。在未有強(qiáng)人工智能，機(jī)器的計(jì)算成本未占優(yōu)之前，領(lǐng)域中的解決方案總不免同時(shí)需要這兩種計(jì)算。針對(duì)不同領(lǐng)域問題，根據(jù)具體情況，選取人和計(jì)算機(jī)各自優(yōu)勢(shì)共同構(gòu)建解決方案將是可行的途徑。

機(jī)器在什么場(chǎng)景下可以代替人？

在BBC網(wǎng)站上有一個(gè)頁面[15]，可以查詢涵蓋數(shù)十個(gè)領(lǐng)域的上千份工作崗位可能被人工智能替代的預(yù)測(cè)。這個(gè)預(yù)測(cè)是基于英國牛津大學(xué)兩位學(xué)者卡爾·弗雷和邁克爾·奧斯本的研究《未來職業(yè)：工作被計(jì)算機(jī)取代的可能性？》[16]。2013年，兩位學(xué)者預(yù)測(cè)，在未來10～20年間，47%的工作很有可能被自動(dòng)化取代。越是專業(yè)化程度高的領(lǐng)域，人工智能更加有優(yōu)勢(shì)代替人類。而那些與人打交道的，教師、護(hù)士等，以及需要?jiǎng)?chuàng)造性思維的架構(gòu)師、藝術(shù)家等是不容易被替代的。這和弱人工智能擅長的領(lǐng)域非常一致，在社會(huì)化大分工的環(huán)境下，弱人工智能在那些專業(yè)的領(lǐng)域能夠代替人類部分工作。

《生命3.0》中將提出莫拉維克悖論的漢斯·莫拉維克一段關(guān)于人工智能能力前景的描述，以地形圖的形式形象地畫出來。其中“海拔高度代表這項(xiàng)任務(wù)對(duì)于計(jì)算機(jī)的難度，不斷上漲的海平面代表計(jì)算機(jī)現(xiàn)在能做的事情?！边@里計(jì)算機(jī)既包括強(qiáng)人工智能也包括弱人工智能。從圖上看來，似乎投資也是一個(gè)即將被攻克的領(lǐng)域，筆者并不認(rèn)同，在之后的章節(jié)還將論述。

在什么場(chǎng)景下機(jī)器能夠代替人類決策呢？這里所指機(jī)器包括計(jì)算機(jī)系統(tǒng)、數(shù)據(jù)以及弱人工智能，并不包括強(qiáng)人工智能。如果你問一位機(jī)器學(xué)習(xí)從業(yè)者這個(gè)問題，通常，他會(huì)告訴你，如果這個(gè)有足夠的訓(xùn)練數(shù)據(jù)，以及能構(gòu)建有效收集反饋的閉環(huán)時(shí)，就可以嘗試用機(jī)器學(xué)習(xí)代替人類決策。一般我們認(rèn)為司機(jī)的智能助理，最終目標(biāo)定位是自動(dòng)駕駛。因?yàn)橥ㄟ^傳感器可以收集大量訓(xùn)練數(shù)據(jù)，并且有實(shí)時(shí)反饋的運(yùn)行環(huán)境。即使是倫敦黑色出租車司機(jī)，他們都必須通過嚴(yán)格的倫敦知識(shí)考試，包括知曉城市數(shù)千個(gè)景點(diǎn)和街道位置，以及在任何時(shí)段規(guī)劃到目的地的最優(yōu)路線等。[17]從技術(shù)角度來看，他們也是可以被人工智能替代的。駕駛這個(gè)任務(wù)，并不需要司機(jī)的個(gè)人意識(shí)，一個(gè)人類司機(jī)會(huì)享受音樂、欣賞窗外風(fēng)景等等，但對(duì)于駕駛這個(gè)任務(wù)來說這些能力并沒有增益，而是潛在的風(fēng)險(xiǎn)。這些場(chǎng)景下，人工智能必然將會(huì)替代人類決策。

在丹尼爾·卡尼曼教授《思考，快與慢》[18]中描述了兩種人類決策思考的系統(tǒng)：

? 快思考：“系統(tǒng)1運(yùn)行時(shí)無意識(shí)且快速地，不怎么費(fèi)腦力，沒有感覺，完全處于自主控制狀態(tài)。”

? 慢思考：“系統(tǒng)2將注意力轉(zhuǎn)移到需要費(fèi)腦力的大腦活動(dòng)上來，例如復(fù)雜的運(yùn)算。系統(tǒng)2的運(yùn)行通常與行為、選擇和專注等主觀體驗(yàn)相關(guān)聯(lián)?！?/p>

快思考適用于快反饋的場(chǎng)景，互聯(lián)網(wǎng)激增了這樣的反饋場(chǎng)景。人是偏好及時(shí)行樂的，這非常符合人性，互聯(lián)網(wǎng)產(chǎn)品更加推波助瀾了這個(gè)傾向。新聞媒體行業(yè)應(yīng)該是算法輔助人們快決策非常成熟的領(lǐng)域，大量的用戶的特征、不斷迭代算法模型、可量化的反饋等等，都已融入行業(yè)的方方面面。新聞內(nèi)容產(chǎn)生者根據(jù)大量的反饋數(shù)據(jù)可以知道哪些用戶喜歡這篇文章，閱讀了多長時(shí)間，在什么地方停頓等，從而不斷調(diào)整新聞的編輯，向著更好評(píng)估指標(biāo)（點(diǎn)擊率等）的方向前進(jìn)。

快決策的場(chǎng)景基本都是弱人工智能、算法擅長的場(chǎng)景，因?yàn)橛凶銐虻臄?shù)據(jù)與反饋，可以幫助算法提升性能。但決策并不只是快思考，在BBC的紀(jì)錄片《人生七年》中，用幾十年跟蹤英國不同階層的七歲的小孩子，每隔七年，都會(huì)重新采訪當(dāng)年的這些孩子，了解他們的現(xiàn)狀，傾聽他們關(guān)于生活、理想、人生的觀點(diǎn)。當(dāng)你觀看這部紀(jì)錄片時(shí)，常常能感受到有些人在面對(duì)人生重大決策時(shí)，并沒有經(jīng)過太多的思考就草率地決定了。人工智能的作用不只是要幫助人類去快決策，也應(yīng)該輔助去做那些慢思考的決策。如何輔助，直接代替人們做出更明智的決策嗎？機(jī)器學(xué)習(xí)最大的挑戰(zhàn)之一是需要大量特定問題的樣本作為訓(xùn)練數(shù)據(jù)，可惜關(guān)于人生，誰都沒有足夠的樣本和反饋。在金融投資領(lǐng)域也同樣如此，面臨的問題都是不確定環(huán)境下具有時(shí)間跨度的決策問題，其關(guān)乎于未來收益，自然有不確定性等屬性，也是屬于慢思考決策。弱人工智能擅長快思考，眼觀并不長遠(yuǎn)。在不確定環(huán)境下，特別是跨期決策，是結(jié)合行為主體偏好的選擇，人心計(jì)算必不可少，并應(yīng)起主要作用。更一般地來看，這其實(shí)是可計(jì)算性理論（Computability Theory）的問題，該理論研究哪些算法問題是能夠被解決的。其中涉及兩個(gè)重要概念，判定問題，是尋求一種能行的方法，一種算法，能夠?qū)δ愁悊栴}中的任何一個(gè)問題，在有窮步驟內(nèi)判定其是否具有某一特定性質(zhì)。另一個(gè)概念是計(jì)算復(fù)雜性理論，使用數(shù)學(xué)方法對(duì)計(jì)算中所需的各種資源的耗費(fèi)作定量的分析，并研究各類問題之間在計(jì)算復(fù)雜程度上的相互關(guān)系和基本性質(zhì)。當(dāng)前，人工智能如此之火，有時(shí)也會(huì)驚訝于仿佛所有的算法都?xì)w于這面大旗之下。但，不要忘記機(jī)器學(xué)習(xí)只是計(jì)算機(jī)理論算法中的一部分。

既然有不可判定的問題、計(jì)算復(fù)雜的各類問題存在，再次證明弱人工智能不應(yīng)該是代替人類決策的方案。在未有科幻片中那樣的強(qiáng)人工智能之前，弱人工智能與物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等技術(shù)結(jié)合，在某些領(lǐng)域必然具備超越人類的能力。

所以，在不同場(chǎng)景下，弱人工智能的能力邊界決定了人工智能方案的能力邊界與定位。這是本書將持續(xù)討論的問題，接下來所有提到的人工智能沒有單獨(dú)說明都是指弱人工智能。

注釋

1.乾明.哈佛醫(yī)學(xué)院研究員解讀DeepMind大突破AlphaFold：有進(jìn)步，但未解決根本問題[OL].凹非寺公眾號(hào).2018-12-03.

2.Stuart J.Russell，Peter Norvig.人工智能：一種現(xiàn)代的方法（第三版）[M].清華大學(xué)出版社，2013.

3.周志華.關(guān)于強(qiáng)人工智能[J].中國計(jì)算機(jī)學(xué)會(huì)通訊.2018，1.

4.https://icml.cc/Conferences/2019/ScheduleMultitrack?event=4334

5.馬文·明斯基.情感機(jī)器[M].浙江人民出版社.2015，12.

6.Gary Marcus.Deep Learning: A Critical Appraisal[OL].arXiv Preprint.2018，01.

7.Judea Pearl，Dana Mack.The Book of Why: The New Science of Cause and Effect[M].Allen Lane.2018，5.

8.乾明，安妮.只有大規(guī)模算力才能救AI？強(qiáng)化學(xué)習(xí)之父vs牛津教授掀起隔空論戰(zhàn)[OL].量子位公眾號(hào).2019-03-17.

9.Devlin,J.,Chang,M.-W.,Lee,K.,and Toutanova,K.Bert: Pretraining of deep bidirectional transformers for language understanding.[OL].arXiv preprint，2018.

10.無監(jiān)督學(xué)習(xí)屬于機(jī)器學(xué)習(xí)中的一個(gè)類別，是對(duì)無標(biāo)記訓(xùn)練樣本的學(xué)習(xí)來發(fā)現(xiàn)數(shù)據(jù)內(nèi)在性質(zhì)與規(guī)律。

11.Yann LeCun，Yoshua Bengio，Geoffrey Hinton.Deep learning Review[J].Nature.2015，5.

12.王維嘉.暗知識(shí)：機(jī)器認(rèn)知如何顛覆商業(yè)和社會(huì)[M].中信出版社.2019，3.

13.阿里巴巴AI模型“TransBERT”擊敗全球?qū)κ?，刷新了QuAC世界紀(jì)錄.科技日?qǐng)?bào).2019，7.

14.邁克斯·泰格馬克.生命3.0[M].浙江教育出版社.2018，6.

15.Will a robot take your job?[OL].https://www.b bc.com/news/technology 34066941.BBC.2015.

16.Michael Osborne，Carl Frey.The Future of Employment: How Susceptible Are Jobs to Computerisation?[J].Technological Forecasting and Social Change.2013.

17.在倫敦，想成為黑色出租車司機(jī)有多難？[OL].中國日?qǐng)?bào)網(wǎng).2018，09.

18.丹尼爾·卡尼曼.思考，快與慢[M].中信出版社.2012，7.

本文為新書《人工智能為金融投資帶來了什么》（袁峻峰/著，經(jīng)濟(jì)科學(xué)出版社2020年3月版）第一章的部分章節(jié)。