Author Archive

人工智慧（AI）已經走入了普通大眾的視野，我們在生活中可以看到很多跟 AI 相關的產品。比如 Siri、AI 美顏、AI 換臉…

雖然大家聽得多，但是大部分人並不了解 AI，甚至存在一些誤解。本文將不涉及任何技術細節，幫助所有人理解人工智慧的本質。

 

什麼是人工智慧？

很多人對人工智慧都會存在一些誤解：

1. 電影里的機器人就是人工智慧的典型代表
2. 人工智慧好像是無所不能的
3. 人工智慧未來會威脅到人類的生存
4. ……

大家之所以對人工智慧存在很多誤解，主要是因為大家只是看到一些人的言論，但是並不了解 AI 的基本原理，本文就幫助大家理解 AI 的基本原理，事物的本質往往並沒有大家說的那麼複雜。

我們用傳統軟體和人工智慧進行比較，有了參照系就更容易理解一些。

 

傳統軟體 VS 人工智慧

傳統軟體

傳統軟體是「if-then」的基本邏輯，人類通過自己的經驗總結出一些有效的規則，然後讓計算機自動的運行這些規則。傳統軟體永遠不可能超越人類的知識邊界，因為所有規則都是人類制定的。

簡單的說：傳統軟體是「基於規則」的，需要人為的設定條件，並且告訴計算機符合這個條件後該做什麼。

這種邏輯在處理一些簡單問題時非常好用，因為規則明確，結果都是可預期的，程序員就是軟體的上帝。

但是現實生活中充滿了各種各樣的複雜問題，這些問題幾乎不可能通過制定規則來解決，比如人臉識別通過規則來解決效果會很差。

人工智慧

人工智慧現在已經發展出很多不同分支，技術原理也多種多樣，這裡只介紹當下最火的深度學習。

深度學習的技術原理跟傳統軟體的邏輯完全不同：

機器從「特定的」大量數據中總結規律，歸納出某些「特定的知識」，然後將這種「知識」應用到現實場景中去解決實際問題。

這就是人工智慧發展到現階段的本質邏輯。而人工智慧總結出來的知識並不是像傳統軟體一樣，可以直觀精確的表達出來。它更像人類學習到的知識一樣，比較抽象，很難表達。

上面的說法還是比較抽象，下面通過幾個方面來幫助大家徹底搞明白：

 

人工智慧是一種工具

AI 跟我們使用的鎚子、汽車、電腦……都一樣，其本質都是一種工具。

工具必須有人用才能發揮價值，如果他們獨立存在是沒有價值的，就想放在工具箱里的鎚子一樣，沒有人揮舞它就沒有任何價值。

人工智慧這種工具之所以全社會都在說，是因為它大大擴展了傳統軟體的能力邊界。之前有很多事情計算機是做不了的，但是現在人工智慧可以做了。

歸功於摩爾定律，計算機的能力呈指數級的上漲，只要是計算機能解參與的環節，生產力都得到了大幅提升，而人工智慧讓更多的環節可以搭上摩爾定律的快車，所以這種改變是意義非凡的。

但是不管怎麼變，傳統軟體和人工智慧都是工具，是為了解決實際問題而存在的。這點並沒有變化。

 

人工智慧只解決特定問題

《終結者》《黑客帝國》…很多電影里都出現了逆天的機器人，這種電影讓大家有一種感覺：人工智慧好像是無所不能的。

實際情況是：現在的人工智還處在單一任務的階段。

單一任務的模式。

打電話用座機、玩遊戲用遊戲機、聽音樂用MP3、開車用導航…

多任務模式

這個階段類似智能手機，在一台手機上可以安裝很多 App，做很多事情。

但是這些能力還是相互獨立的，在旅行App上定好機票後，需要自己用鬧鐘App定鬧鐘，最後需要自己用打車App叫車。多任務模式只是單一任務模式的疊加，離人類智慧還差的很遠。

融會貫通

你在跟朋友下圍棋，你發現朋友的心情非常不好，你本來可以輕鬆獲勝，但是你卻故意輸給了對方，還不停的誇讚對方，因為你不想讓這個朋友變得更鬱悶，更煩躁。

在這件小事上，你就用到了多種不同的技能：情緒識別、圍棋技能、交流溝通、心理學…

但是大名鼎鼎的 AlphaGo 絕對不會這麼做。不管對方處在什麼情況下，哪怕輸了這盤棋會喪命，AlphaGo 也會無情的贏了這場比賽，因為它除了下圍棋啥都不會！

只有將所有的知識形成網狀結構，才能做到融會貫通。例如：商業領域可以運用軍事上的知識，經濟學也可以用到生物學的知識。

 

知其然，但不知所以然

當下的人工智慧是從大量數據中總結歸納知識，這種粗暴的「歸納法」有一個很大的問題是：

並不關心為什麼

龐氏騙局類的詐騙手段就充分利用了這一點！

• 它利用超高的回報來吸引韭菜，然後讓早起參與的所有人都轉到錢；

• 當旁觀者發現所有參與者都真實賺到了錢，就簡單的歸納為：歷史經驗說明這個靠譜。

• 於是越來越多的人眼紅，加入，直到有一天騙子跑路。

當我們用邏輯來推導一下這個事情就能得出騙子的結論：

• 這麼高的回報並不符合市場規律
• 穩賺不賠？我不需要承擔高回報的高風險？好像不太合理
• 為什麼這麼好的事情會落在我頭上？好像不太對勁

正是因為當下的人工智慧是建立在「歸納邏輯」上的，所以也會犯很低級的錯誤

• 左：摩托車的遮擋讓 AI 把一隻猴子誤認為人類。
• 中：自行車的遮擋讓 AI 把猴子誤認為人類，同時叢林背景導致 AI 將自行車把手誤認為是鳥。
• 右：吉他把猴子變成了人，而叢林把吉他變成了鳥

上圖顯示了在一張叢林猴子的照片中 ps 上一把吉他的效果。這導致深度網路將猴子誤認為人類，同時將吉他誤認為鳥，大概是因為它認為人類比猴子更可能攜帶吉他，而鳥類比吉他更可能出現在附近的叢林中。

也正是因為歸納邏輯，所以需要依賴大量的數據。數據越多，歸納出來的經驗越具有普適性。

 

人工智慧的發展歷史

AI 不是什麼全新的東西，他已經發展了大幾十年了！下面我們介紹一下最具代表性的3個發展階段。

上圖是從1950年至2017年之間，人工智慧領域出現的一些里程碑式的事件。總結下來會分為3大階段：

第一次浪潮（非智能對話機器人）

20世紀50年代到60年代

1950年10月，圖靈提出了人工智慧（AI）的概念，同時提出了圖靈測試來測試 AI。

圖靈測試提出沒有幾年，人們就看到了計算機通過圖靈測試的「曙光」。

1966年，心理治療機器人 ELIZA 誕生

那個年代的人對他評價很高，有些病人甚至喜歡跟機器人聊天。但是他的實現邏輯非常簡單，就是一個有限的對話庫，當病人說出某個關鍵詞時，機器人就回復特定的話。

第一次浪潮並沒有使用什麼全新的技術，而是用一些技巧讓計算機看上去像是真人，計算機本身並沒有智能。

 

第二次浪潮（語音識別）

20世紀80年代到90年代

在第二次浪潮中，語音識別是最具代表性的幾項突破之一。核心突破原因就是放棄了符號學派的思路，改為了統計思路解決實際問題。

在《人工智慧》一書中，李開復詳細介紹了這個過程，他也是參與其中的重要人物之一。

第二次浪潮最大的突破是改變了思路，摒棄了符號學派的思路，轉而使用了統計學思路解決問題。

 

第三次浪潮（深度學習+大數據）

21世紀初

2006年是深度學習發展史的分水嶺。傑弗里辛頓在這一年發表了《一種深度置信網路的快速學習演算法》，其他重要的深度學習學術文章也在這一年被發布，在基本理論層面取得了若干重大突破。

之所以第三次浪潮會來主要是2個條件已經成熟：

2000年後互聯網行業飛速發展形成了海量數據。同時數據存儲的成本也快速下降。使得海量數據的存儲和分析成為了可能。

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

在各種條件成熟後，深度學習發揮出了強大的能力。在語音識別、圖像識別、NLP等領域不斷刷新紀錄。讓 AI 產品真正達到了可用（例如語音識別的錯誤率只有6%，人臉識別的準確率超過人類，BERT在11項表現中超過人類…)的階段。

第三次浪潮來襲，主要是因為大數據和算力條件具備，這樣深度學習可以發揮出巨大的威力，並且 AI 的表現已經超越人類，可以達到「可用」的階段，而不只是科學研究。

人工智慧3次浪潮的不同之處

1. 前兩次熱潮是學術研究主導的，第三次熱潮是現實商業需求主導的。
2. 前兩次熱潮多是市場宣傳層面的，而第三次熱潮是商業模式層面的。
3. 前兩次熱潮多是學術界在勸說政府和投資人投錢，第三次熱潮多是投資人主動向熱點領域的學術項目和創業項目投錢。
4. 前兩次熱潮更多時提出問題，第三次熱潮更多時解決問題。

想進一步了解 AI 的歷史，推薦閱讀李開復的《人工智慧》，上面關於3次浪潮的內容都摘抄自這本書。

 

人工智慧不能做什麼？

人工智慧的3個級別

在探尋 AI 的邊界時，我們可以先簡單粗暴的把 AI 分為3個級別：

1. 弱人工智慧
2. 強人工智慧
3. 超人工智慧

弱人工智慧

弱人工智慧也稱限制領域人工智慧（Narrow AI）或應用型人工智慧（Applied AI），指的是專註於且只能解決特定領域問題的人工智慧。

例如：AlphaGo、Siri、FaceID……

強人工智慧

又稱通用人工智慧（Artificial General Intelligence）或完全人工智慧（Full AI），指的是可以勝任人類所有工作的人工智慧。

強人工智慧具備以下能力：

• 存在不確定性因素時進行推理，使用策略，解決問題，制定決策的能力
• 知識表示的能力，包括常識性知識的表示能力
• 規劃能力
• 學習能力
• 使用自然語言進行交流溝通的能力
• 將上述能力整合起來實現既定目標的能力

超人工智慧

假設計算機程序通過不斷發展，可以比世界上最聰明，最有天賦的人類還聰明，那麼，由此產生的人工智慧系統就可以被稱為超人工智慧。

我們當前所處的階段是弱人工智慧，強人工智慧還沒有實現（甚至差距較遠），而超人工智慧更是連影子都看不到。所以「特定領域」目前還是 AI 無法逾越的邊界。

 

人工智慧的能力邊界是什麼？

如果在深入一點，從理論層面來解釋 AI 的能力邊界，就要把圖靈大師搬出來了。圖靈在上世紀30年代中期，就在思考3個問題：

1. 世界上是否所有數學問題都有明確的答案？
2. 如果有明確的答案，是否可以通過有限的步驟計算出答案？
3. 對於那些有可能在有限步驟計算出來的數學問題，能否有一種假象的機械，讓他不斷運動，最後當機器停下來的時候，那個數學問題就解決了？

圖靈還真設計出來一套方法，後人稱它為圖靈機。今天所有的計算機，包括全世界正在設計的新的計算機，從解決問題的能力來講，都沒有超出圖靈機的範疇。

（大家都是地球人，差距怎麼就這麼大呢？？？）

通過上面的3個問題，圖靈已經划出了界限，這個界限不但適用於今天的 AI ，也適用於未來的 AI 。

下面我們再進一步把邊界清晰的描述一下：

1. 世界上有很多問題，只有一小部分是數學問題
2. 在數學問題里，只有一小部分是有解的
3. 在有解的問題中，只有一部分是理想狀態的圖靈機可以解決的
4. 在後一部分（圖靈機可解決的部分），又只有一部分是今天的計算機可以解決的
5. 而 AI 可以解決的問題，又只是計算機可以解決問題的一部分。

擔心人工智慧太強大？你想多了！

在一些特定場景中， AI 可以表現的很好，但是在大部分場景中，AI 並沒有什麼用。

 

人工智慧會讓你失業嗎？

這個問題是大家最關心的問題，也是對每一個個體影響最大的問題。所以單獨拿出來說一下。

首先，人工智慧替代「部分人類的行為」是必然的趨勢

每一項新技術或者新發明都會替代一部分勞動力：

報時間的工作——表

拉人力車的工作——汽車

挖井的工作——鑽進機

……

需要注意的是，科技替代的只是某些特定的工作。挖井機只能幫你挖洞，但是無法幫你判斷應該在哪裡挖洞。

人工智慧也是如此，它並不是針對某些職業或者某些人，而是替代一些具體的勞動行為。

其次，失業的同時會出現更好新職業

幾次技術革命的歷史告訴我們，雖然新技術的出現導致了部分人失業，但是同時也會產生很多新的職業。被替代的工作往往是低效的，而創造出來的工作往往更高效。想想拉人力車，再想想開汽車。

當人工智慧解放了一部分勞動力，這部分勞動力就可以做更有價值，更有意思的事情。

不要怕！用好 AI 是一種超級技能

上文說過2個觀點：

1. 人工智慧的本質是工具，需要人來用它
2. 人工智慧替代的不是人，而是某些工作環節

所以，千萬不要怕人工智慧取代自己，你應該主動去學習AI，成為最早會用AI的人，成為能把AI用好的人。

想想20年前會使用電腦和網路的人，他們在那時代是非常稀缺的，所以他們賺到了互聯網時代的紅利。同樣的道理，智能時代的紅利將屬於會用AI的人。

 

哪些工作會被人工智慧替代？

李開復提出過一個判斷依據：

如果一項工作，它做決策的時間在 5 秒鐘以內，那麼大概率是會別人工智慧取代的。

這種工作有4個特點：

1. 做決策所需要的信息量不大
2. 做決策的過程並不複雜，邏輯簡單
3. 能獨自完成，不需要協作
4. 重複性工作

科學家總結出了3個人工智慧很難替代的技能：

1. 社交智慧（洞察力、談判技巧、同理心…）
2. 創造力（原創力、藝術審美…）
3. 感知和操作能力（手指靈敏度、協調操作能力、應付複雜環境的能力…）

 

如何迎接智能時代？

人工智慧將像工業時代一樣，席捲全球。這種情況下，我們要做的不是逃避，而是擁抱這種變化。下面給大家一些具體的建議：

1. 了解智能時代的底層邏輯和基本原理，不需要學習寫代碼，但是需要知道可能會發生什麼，不可能發生什麼。
2. 人工智慧未來將像計算機一樣滲透到各行各業，你要盡量了解人工智慧，學習如何利用他解決現有的問題，成為早期使用人工智慧的人。
3. 做好職業規劃。不要選擇三無職業（不需要社交、不需要創造力、不需要強感知和操作能力）

 

總結

人工智慧的基本原理：機器從「特定的」大量數據中總結規律，形成某些「特定的知識」，然後將這種「知識」應用到現實場景中去解決實際問題。

在這個基本原理的基礎上，有3個特徵：

1. 人工智慧本質上是一種工具
2. 人工智慧技能只能解決特定的問題，而不是什麼都能做
3. 人工智慧屬於歸納邏輯，可以告訴你是什麼，但是不能告訴你為什麼

 

到目前為止，人工智慧經歷了3次浪潮：

1. 20世紀50年代到60年代：非智能對話機器人
2. 20世紀80年代到90年代：語音識別
3. 21世紀初：深度學習+大數據

 

人工智慧分為3個級別：

1. 弱人工智慧
2. 強人工智慧
3. 超人工智慧

 

在失業問題上，人工智慧的確會替代部分人類的工作，不過在替代的同時也會出現一些新的更有價值的工作。未來不容易被人工智慧替代的技能有3點：

1. 社交智慧（洞察力、談判技巧、同理心…）
2. 創造力（原創力、藝術審美…）
3. 感知和操作能力（手指靈敏度、協調操作能力、應付複雜環境的能力…）

 

「附」2020 AI 發展趨勢

先回顧一下人工智慧在 2019 年發生的重要變化：

1. NLP 領域發生了重要的進展，BERT、GPT-2、XLNET 等預訓練模型已經在產品中發揮重要作用。
2. 基礎建設進一步完善：PyTorch 的增長速度非常快，TensorFlow 深度結合 Keras。
3. GAN 快速發展，出現了大眾類的產品。DeepFake、ZAO 讓大眾群體體驗到了 GAN 技術。
4. 也是因為 DeepFake，人工智慧的社會影響被大家所關注，全球都在完善 AI 相關的法律
5. Auto-ML 降低了 AI 的門檻，讓人工智慧的部署變得非常容易。

2020年的發展趨勢是什麼？

1. 5G 的落地將更多物理世界數字化，將進一步推動 AI 的發展和普及。
2. 數據科學團隊和商業團隊的融合會更加緊密。
3. 有可能看到多任務AI模型的發展，向通用人工智慧進一步。
4. 擺脫對數據的依賴，使用更少的數據獲得效果優異的模型。
5. NLP 領域實現更大的突破和發展。
6. 提高 AI 的可解釋性，解決黑箱問題
7. 社會問題加劇，個人數據安全、隱私、演算法偏見等問題的討論越來越多。

更多2019年的重要里程碑和2020年的發展趨勢可以看看下面2篇文章：

《人工智慧、機器學習、深度學習在2019年的重要發展和2020的趨勢（技術篇）》

《人工智慧、機器學習、深度學習在2019年的重要發展和2020的趨勢（研究篇）》

 

百度百科+維基百科

 

擴展閱讀