理解人工智能的本质

人工智能(AI)已经走入了普通大众的视野,我们在生活中可以看到很多跟 AI 相关的产品。比如 Siri、AI 美颜、AI 换脸…

虽然大家听得多,但是大部分人并不了解 AI,甚至存在一些误解。本文将不涉及任何技术细节,帮助所有人理解人工智能的本质。

 

什么是人工智能?

很多人对人工智能都会存在一些误解:

  1. 电影里的机器人就是人工智能的典型代表
  2. 人工智能好像是无所不能的
  3. 人工智能未来会威胁到人类的生存
  4. ……

大家之所以对人工智能存在很多误解,主要是因为大家只是看到一些人的言论,但是并不了解 AI 的基本原理,本文就帮助大家理解 AI 的基本原理,事物的本质往往并没有大家说的那么复杂。

我们用传统软件和人工智能进行比较,有了参照系就更容易理解一些。

 

传统软件 VS 人工智能


传统软件

传统软件是「if-then」的基本逻辑,人类通过自己的经验总结出一些有效的规则,然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界,因为所有规则都是人类制定的。

简单的说:传统软件是「基于规则」的,需要人为的设定条件,并且告诉计算机符合这个条件后该做什么。

这种逻辑在处理一些简单问题时非常好用,因为规则明确,结果都是可预期的,程序员就是软件的上帝。

但是现实生活中充满了各种各样的复杂问题,这些问题几乎不可能通过制定规则来解决,比如人脸识别通过规则来解决效果会很差。

传统软件是基于规则的逻辑

人工智能

人工智能现在已经发展出很多不同分支,技术原理也多种多样,这里只介绍当下最火的深度学习。

深度学习的技术原理跟传统软件的逻辑完全不同:

机器从「特定的」大量数据中总结规律,归纳出某些「特定的知识」,然后将这种「知识」应用到现实场景中去解决实际问题。

这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像传统软件一样,可以直观精确的表达出来。它更像人类学习到的知识一样,比较抽象,很难表达。

人工智能逻辑:从数据中归纳知识

上面的说法还是比较抽象,下面通过几个方面来帮助大家彻底搞明白:

 

人工智能是一种工具

AI 跟我们使用的锤子、汽车、电脑……都一样,其本质都是一种工具。

工具必须有人用才能发挥价值,如果他们独立存在是没有价值的,就想放在工具箱里的锤子一样,没有人挥舞它就没有任何价值。

人工智能本质是一种工具

人工智能这种工具之所以全社会都在说,是因为它大大扩展了传统软件的能力边界。之前有很多事情计算机是做不了的,但是现在人工智能可以做了。

归功于摩尔定律,计算机的能力呈指数级的上涨,只要是计算机能解参与的环节,生产力都得到了大幅提升,而人工智能让更多的环节可以搭上摩尔定律的快车,所以这种改变是意义非凡的。

但是不管怎么变,传统软件和人工智能都是工具,是为了解决实际问题而存在的。这点并没有变化。

 

人工智能只解决特定问题

《终结者》《黑客帝国》…很多电影里都出现了逆天的机器人,这种电影让大家有一种感觉:人工智能好像是无所不能的。

实际情况是:现在的人工智还处在单一任务的阶段。

人工智能目前只能处理单一任务

单一任务的模式。

打电话用座机、玩游戏用游戏机、听音乐用MP3、开车用导航…

多任务模式

这个阶段类似智能手机,在一台手机上可以安装很多 App,做很多事情。

但是这些能力还是相互独立的,在旅行App上定好机票后,需要自己用闹钟App定闹钟,最后需要自己用打车App叫车。多任务模式只是单一任务模式的叠加,离人类智慧还差的很远。

融会贯通

你在跟朋友下围棋,你发现朋友的心情非常不好,你本来可以轻松获胜,但是你却故意输给了对方,还不停的夸赞对方,因为你不想让这个朋友变得更郁闷,更烦躁。

在这件小事上,你就用到了多种不同的技能:情绪识别、围棋技能、交流沟通、心理学…

但是大名鼎鼎的 AlphaGo 绝对不会这么做。不管对方处在什么情况下,哪怕输了这盘棋会丧命,AlphaGo 也会无情的赢了这场比赛,因为它除了下围棋啥都不会!

只有将所有的知识形成网状结构,才能做到融会贯通。例如:商业领域可以运用军事上的知识,经济学也可以用到生物学的知识。

 

知其然,但不知所以然

当下的人工智能是从大量数据中总结归纳知识,这种粗暴的「归纳法」有一个很大的问题是:

并不关心为什么

人工智能不关心为什么

庞氏骗局类的诈骗手段就充分利用了这一点!

  • 它利用超高的回报来吸引韭菜,然后让早起参与的所有人都转到钱;
  • 当旁观者发现所有参与者都真实赚到了钱,就简单的归纳为:历史经验说明这个靠谱。
  • 于是越来越多的人眼红,加入,直到有一天骗子跑路。

当我们用逻辑来推导一下这个事情就能得出骗子的结论:

  • 这么高的回报并不符合市场规律
  • 稳赚不赔?我不需要承担高回报的高风险?好像不太合理
  • 为什么这么好的事情会落在我头上?好像不太对劲

正是因为当下的人工智能是建立在「归纳逻辑」上的,所以也会犯很低级的错误

人工只能也会犯低级错误

  • 左:摩托车的遮挡让 AI 把一只猴子误认为人类。
  • 中:自行车的遮挡让 AI 把猴子误认为人类,同时丛林背景导致 AI 将自行车把手误认为是鸟。
  • 右:吉他把猴子变成了人,而丛林把吉他变成了鸟

上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类,同时将吉他误认为鸟,大概是因为它认为人类比猴子更可能携带吉他,而鸟类比吉他更可能出现在附近的丛林中。

也正是因为归纳逻辑,所以需要依赖大量的数据。数据越多,归纳出来的经验越具有普适性。

 

人工智能的发展历史

AI 不是什么全新的东西,他已经发展了大几十年了!下面我们介绍一下最具代表性的3个发展阶段。

人工智能发展历史

上图是从1950年至2017年之间,人工智能领域出现的一些里程碑式的事件。总结下来会分为3大阶段:

第一次浪潮(非智能对话机器人)

20世纪50年代到60年代

1950年10月,图灵提出了人工智能(AI)的概念,同时提出了图灵测试来测试 AI。

图灵测试提出没有几年,人们就看到了计算机通过图灵测试的“曙光”。

1966年,心理治疗机器人 ELIZA 诞生

那个年代的人对他评价很高,有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单,就是一个有限的对话库,当病人说出某个关键词时,机器人就回复特定的话。

第一次浪潮并没有使用什么全新的技术,而是用一些技巧让计算机看上去像是真人,计算机本身并没有智能。

 

第二次浪潮(语音识别)

20世纪80年代到90年代

在第二次浪潮中,语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路,改为了统计思路解决实际问题。

在《人工智能》一书中,李开复详细介绍了这个过程,他也是参与其中的重要人物之一。

第二次浪潮最大的突破是改变了思路,摒弃了符号学派的思路,转而使用了统计学思路解决问题。

 

第三次浪潮(深度学习+大数据)

21世纪初

2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》,其他重要的深度学习学术文章也在这一年被发布,在基本理论层面取得了若干重大突破。

之所以第三次浪潮会来主要是2个条件已经成熟:

2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。

GPU 的不断成熟提供了必要的算力支持,提高了算法的可用性,降低了算力的成本。

深度学习是当下的主流技术

在各种条件成熟后,深度学习发挥出了强大的能力。在语音识别、图像识别、NLP等领域不断刷新纪录。让 AI 产品真正达到了可用(例如语音识别的错误率只有6%,人脸识别的准确率超过人类,BERT在11项表现中超过人类…)的阶段。

第三次浪潮来袭,主要是因为大数据和算力条件具备,这样深度学习可以发挥出巨大的威力,并且 AI 的表现已经超越人类,可以达到“可用”的阶段,而不只是科学研究。

人工智能3次浪潮的不同之处

  1. 前两次热潮是学术研究主导的,第三次热潮是现实商业需求主导的。
  2. 前两次热潮多是市场宣传层面的,而第三次热潮是商业模式层面的。
  3. 前两次热潮多是学术界在劝说政府和投资人投钱,第三次热潮多是投资人主动向热点领域的学术项目和创业项目投钱。
  4. 前两次热潮更多时提出问题,第三次热潮更多时解决问题。

想进一步了解 AI 的历史,推荐阅读李开复的《人工智能》,上面关于3次浪潮的内容都摘抄自这本书。

 

人工智能不能做什么?

人工智能的3个级别

在探寻 AI 的边界时,我们可以先简单粗暴的把 AI 分为3个级别:

  1. 弱人工智能
  2. 强人工智能
  3. 超人工智能

人工智能的3个级别:弱人工智能、强人工智能、超人工智能

弱人工智能

弱人工智能也称限制领域人工智能(Narrow AI)或应用型人工智能(Applied AI),指的是专注于且只能解决特定领域问题的人工智能。

例如:AlphaGo、Siri、FaceID……

强人工智能

又称通用人工智能(Artificial General Intelligence)或完全人工智能(Full AI),指的是可以胜任人类所有工作的人工智能。

强人工智能具备以下能力:

  • 存在不确定性因素时进行推理,使用策略,解决问题,制定决策的能力
  • 知识表示的能力,包括常识性知识的表示能力
  • 规划能力
  • 学习能力
  • 使用自然语言进行交流沟通的能力
  • 将上述能力整合起来实现既定目标的能力

超人工智能

假设计算机程序通过不断发展,可以比世界上最聪明,最有天赋的人类还聪明,那么,由此产生的人工智能系统就可以被称为超人工智能。

我们当前所处的阶段是弱人工智能,强人工智能还没有实现(甚至差距较远),而超人工智能更是连影子都看不到。所以“特定领域”目前还是 AI 无法逾越的边界。

 

人工智能的能力边界是什么?

如果在深入一点,从理论层面来解释 AI 的能力边界,就要把图灵大师搬出来了。图灵在上世纪30年代中期,就在思考3个问题:

  1. 世界上是否所有数学问题都有明确的答案?
  2. 如果有明确的答案,是否可以通过有限的步骤计算出答案?
  3. 对于那些有可能在有限步骤计算出来的数学问题,能否有一种假象的机械,让他不断运动,最后当机器停下来的时候,那个数学问题就解决了?

图灵还真设计出来一套方法,后人称它为图灵机。今天所有的计算机,包括全世界正在设计的新的计算机,从解决问题的能力来讲,都没有超出图灵机的范畴。

(大家都是地球人,差距怎么就这么大呢???)

通过上面的3个问题,图灵已经划出了界限,这个界限不但适用于今天的 AI ,也适用于未来的 AI 

下面我们再进一步把边界清晰的描述一下:

人工智能的能力边界

  1. 世界上有很多问题,只有一小部分是数学问题
  2. 在数学问题里,只有一小部分是有解的
  3. 在有解的问题中,只有一部分是理想状态的图灵机可以解决的
  4. 在后一部分(图灵机可解决的部分),又只有一部分是今天的计算机可以解决的
  5. 而 AI 可以解决的问题,又只是计算机可以解决问题的一部分。

担心人工智能太强大?你想多了!

在一些特定场景中, AI 可以表现的很好,但是在大部分场景中,AI 并没有什么用。

 

人工智能会让你失业吗?

这个问题是大家最关心的问题,也是对每一个个体影响最大的问题。所以单独拿出来说一下。

首先,人工智能替代「部分人类的行为」是必然的趋势

每一项新技术或者新发明都会替代一部分劳动力:

报时间的工作——表

拉人力车的工作——汽车

挖井的工作——钻进机

……

需要注意的是,科技替代的只是某些特定的工作。挖井机只能帮你挖洞,但是无法帮你判断应该在哪里挖洞。

人工智能也是如此,它并不是针对某些职业或者某些人,而是替代一些具体的劳动行为。

其次,失业的同时会出现更好新职业

几次技术革命的历史告诉我们,虽然新技术的出现导致了部分人失业,但是同时也会产生很多新的职业。被替代的工作往往是低效的,而创造出来的工作往往更高效。想想拉人力车,再想想开汽车。

当人工智能解放了一部分劳动力,这部分劳动力就可以做更有价值,更有意思的事情。

不要怕!用好 AI 是一种超级技能

上文说过2个观点:

  1. 人工智能的本质是工具,需要人来用它
  2. 人工智能替代的不是人,而是某些工作环节

所以,千万不要怕人工智能取代自己,你应该主动去学习AI,成为最早会用AI的人,成为能把AI用好的人

想想20年前会使用电脑和网络的人,他们在那时代是非常稀缺的,所以他们赚到了互联网时代的红利。同样的道理,智能时代的红利将属于会用AI的人。

 

哪些工作会被人工智能替代?

李开复提出过一个判断依据:

如果一项工作,它做决策的时间在 5 秒钟以内,那么大概率是会别人工智能取代的。

容易被人工智能替代的4个工作特征

这种工作有4个特点:

  1. 做决策所需要的信息量不大
  2. 做决策的过程并不复杂,逻辑简单
  3. 能独自完成,不需要协作
  4. 重复性工作

很难被人工智能替代的技能

科学家总结出了3个人工智能很难替代的技能:

  1. 社交智慧(洞察力、谈判技巧、同理心…)
  2. 创造力(原创力、艺术审美…)
  3. 感知和操作能力(手指灵敏度、协调操作能力、应付复杂环境的能力…)

 

如何迎接智能时代?

人工智能将像工业时代一样,席卷全球。这种情况下,我们要做的不是逃避,而是拥抱这种变化。下面给大家一些具体的建议:

  1. 了解智能时代的底层逻辑和基本原理,不需要学习写代码,但是需要知道可能会发生什么,不可能发生什么。
  2. 人工智能未来将像计算机一样渗透到各行各业,你要尽量了解人工智能,学习如何利用他解决现有的问题,成为早期使用人工智能的人。
  3. 做好职业规划。不要选择三无职业(不需要社交、不需要创造力、不需要强感知和操作能力)

 

总结

人工智能的基本原理:机器从「特定的」大量数据中总结规律,形成某些「特定的知识」,然后将这种「知识」应用到现实场景中去解决实际问题。

在这个基本原理的基础上,有3个特征:

  1. 人工智能本质上是一种工具
  2. 人工智能技能只能解决特定的问题,而不是什么都能做
  3. 人工智能属于归纳逻辑,可以告诉你是什么,但是不能告诉你为什么

 

到目前为止,人工智能经历了3次浪潮:

  1. 20世纪50年代到60年代:非智能对话机器人
  2. 20世纪80年代到90年代:语音识别
  3. 21世纪初:深度学习+大数据

 

人工智能分为3个级别:

  1. 弱人工智能
  2. 强人工智能
  3. 超人工智能

 

在失业问题上,人工智能的确会替代部分人类的工作,不过在替代的同时也会出现一些新的更有价值的工作。未来不容易被人工智能替代的技能有3点:

  1. 社交智慧(洞察力、谈判技巧、同理心…)
  2. 创造力(原创力、艺术审美…)
  3. 感知和操作能力(手指灵敏度、协调操作能力、应付复杂环境的能力…)

 

「附」2020 AI 发展趋势

先回顾一下人工智能在 2019 年发生的重要变化:

  1. NLP 领域发生了重要的进展,BERT、GPT-2、XLNET 等预训练模型已经在产品中发挥重要作用。
  2. 基础建设进一步完善:PyTorch 的增长速度非常快,TensorFlow 深度结合 Keras。
  3. GAN 快速发展,出现了大众类的产品。DeepFake、ZAO 让大众群体体验到了 GAN 技术。
  4. 也是因为 DeepFake,人工智能的社会影响被大家所关注,全球都在完善 AI 相关的法律
  5. Auto-ML 降低了 AI 的门槛,让人工智能的部署变得非常容易。

2020年的发展趋势是什么?

  1. 5G 的落地将更多物理世界数字化,将进一步推动 AI 的发展和普及。
  2. 数据科学团队和商业团队的融合会更加紧密。
  3. 有可能看到多任务AI模型的发展,向通用人工智能进一步。
  4. 摆脱对数据的依赖,使用更少的数据获得效果优异的模型。
  5. NLP 领域实现更大的突破和发展。
  6. 提高 AI 的可解释性,解决黑箱问题
  7. 社会问题加剧,个人数据安全、隐私、算法偏见等问题的讨论越来越多。

更多2019年的重要里程碑和2020年的发展趋势可以看看下面2篇文章:

人工智能、机器学习、深度学习在2019年的重要发展和2020的趋势(技术篇)

人工智能、机器学习、深度学习在2019年的重要发展和2020的趋势(研究篇)

 

百度百科+维基百科

百度百科版本
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
更多内容
维基百科版本
在计算机科学中,人工智能有时也称为机器智能,是机器所展示的智能。
更多内容