961
機器人
人工智能，除了下圍棋還能做什麼？看完這篇你就懂了
2017年11月6日，由撲克財經和CME在北京l聯合主辦的「2017年中國企業風險管理論壇」暨頒獎禮倒計時6天!來自國內外頂尖企業的風控最高水平的管理層、決策層專家的主題演講和專題發言：國家信息中心經濟預測部、中石油、中金公司......
兵工物資、五礦集團、托克投資、S&P Global、中糧集團、中華棉花集團、嘉吉投資等等重量級嘉賓均已確認出席，共同把握風險管理行業核心邏輯；論壇獲悉多方權威觀點，在觀點的碰撞中收獲真知。
關於論壇，請登錄「撲克財經App」訪問活動頁麵，或請關注「撲克投資家」微信公眾號或掃碼了解更多。
文 | 李少加
編輯 | 撲克投資家，轉載請注明出處
上周，DeepMind團隊研發的新一代人工智能棋手阿法元（AlphaGo Zero）以100比0的比分擊敗了其師兄阿法狗，掀起了一陣人工智能的熱潮。
以線性思維為主導的人類似乎本能的對非線性增長的事物抱持著恐懼。
新一代阿法元僅以4個TPU（專為機器學習而定製的CPU芯片），花了3天時間，且在無師自通、左右手互搏練習的方式下，就輕鬆擊敗了48個TPU花了幾個月時間，“吃”了3千萬棋局的師兄阿法狗。
這個進步無疑又是指數級的。當然，也嚇得我趕緊暫時擱下研究中的專題，臨時先行研究了下人工智能（下文簡稱AI，即Artificial Intelligence人工智能的縮寫）。
從昨天的調查可以看到大夥兒對AI的了解相當不統一，因此，本文就不深入探討AI技術算法的探討，而是從宏觀視角上為各位勾勒一幅AI的全景圖，即：
人工智能到底發展到什麼程度了？
AI能力的本質是什麼？它能做什麼、不能做什麼？
還能像上世紀90年代互聯網行業一樣給到我們一次發橫財的機會麼？
最後，是否會跟我們搶飯碗，取代現實中的大量工作？
換句話說，對我們長遠職業規劃及個人能力發展的啟示有哪些？
我們先來科普下，資本家、媒體們近年談的不亦樂乎的人工智能到底是何方神聖？
目前人工智能的能力本質剖析
人工智能的概念可以追溯到1950年。現代計算之父阿蘭·圖靈在他的論文《計算機械與智能》中首次提出一個問題“機器能否思考麼？”
艾倫·麥席森·圖靈
1955年，編程語言LISP發明者約翰·麥卡錫提出用“人工智能”定義該領域。
最初，借鑒人腦的神經網絡技術備受青睞，但由於當時計算機的運算速度有限，這種技術在19世紀60年代即被遺棄。
很快，“基於知識”的技術取代了神經網絡。
這個技術的核心是將人類知識體係進行編碼，然後讓係統基於這些知識“猜”（推理）出問題的“答案”。
然而，人類知識體係非常龐大，完全進行編碼不切實際，基於知識的AI於19世紀90年代再次碰壁。至此，AI的研究再次進入“寒冬”。
直至2011年，IBM的“沃森”打敗智力競賽節目《危險邊緣》的人類冠軍。AI再次喚醒了世人的想象。
而這一屆AI的核心技術是基於神經網絡的“深度學習”。
這個技術詞匯經常出現在我們視野中，但它的描述卻非常不親民，程序猿的世界一般百姓搞不懂，我試著用人話簡單的描述下：
深度學習，即是給AI指定一個規則（比如下圍棋規則），然後“喂”它各種數據（曆史棋局），在它“學習棋局”的過程中給予回饋，像教熊孩子一樣，錯了打屁屁，對了獎糖果，做的題越多，AI下棋的成績越能接近我們的期望。
而最新阿法元是通過舊棋局生成新棋局的方法“自己喂養自己”，無需依賴“人工棋局”，即所謂的“左右手互博，無師自通”。
2011之後發生的標誌性事件都是大家所熟悉的了：
2012年“穀歌大腦”項目實現以非常低的錯誤率在海量圖像中識別貓
2014年斯坦福大學開發出機器視覺算法，可以對圖像的信息進行描述
2016年大家記憶猶新的穀歌阿法狗戰勝人類圍棋冠軍
2017年10月阿法元“無師自通”打敗了上一代的阿法狗
……
由於諸多媒體及江湖人士的“鼓吹”，對AI不明覺厲的大眾理所當然的認為，AI已經越來越具備類似人類的“生物式”思考力，目前跟人的區別，不過像小孩子跟大人的區別一樣。
按照這種速度發展，“小孩子”還會快速長大，而人類貌似並無多大的成長空間了。那麼，AI終將很快取代多數人類的工作貌似是水到渠成的事兒。
但事實真的會照這個劇本上演麼？
解開這個謎題的關鍵在於，AI取得的進步到底是漸變式成長，還是突破性提升。
所謂的漸變式成長，打個比方，就好像電腦硬盤從以前的16G上升到160G、320G、1T……等等，這種純粹“效率”層麵的提升。
而突破性提升即是指，整個經典計算機（即現在的計算機體係，馮·諾依曼結構）被量子計算機取代（基於量子物理理論的計算機，計算速度能實現超指數級提升）。
以此觀點，目前AI的發展是令人“既歡喜又憂傷”：因為就AI提出大半個世紀後，其發展依然屬於“漸變式成長”。
網絡上人們對人工智能的調侃
世界頂級AI專家斯圖爾特·羅素在阿法狗戰勝人類後的評價就三個字：“很失望。”
阿法狗的初衷是想知道，AI能否像人類那樣思考圍棋，從而為研發具有“通用思考力”的AI打下基礎。
但阿法狗取勝的方式卻仍是采用傳統的機器思維。
那麼，AI的“機器思維”跟“人類思維”到底有著什麼根本的區別？
當下實現人工智能的算法名稱，比如神經網絡、深度學習、遺傳算法、進化算法……聽上去非常“像人”（唬人），但是，目前的人工智能最關鍵運作原理依然是“模式匹配”。
即基於大數據、搜尋、識別、統計、猜測（概率）的方式。
簡單來說，目前人工智能理解世界的核心方式依然是“識別”，這與人類理解世界的核心方式：“想象”、“推理”、“創造”、“情感判斷”有著本質的區別。
比如：
一歲的孩子通過“玩積木蓋房子”就能明白“要穩定的站立，雙腳必須一起發力”的道理。
而同樣的讓機器人“玩積木”學習，它最終也隻能學會在快遞運輸業務中“搬運貨物”。
聰明如你應該意識到了，“機器思維”由於隻懂得“模式匹配”，因而它隻能勝任某一具體的、“規則清晰”的工作。
一旦離開這個領域，它又需要人類AI科學家去“研究現實業務、編碼新規則、訓練大量數據、海量測試……”這一開銷巨大的工程。
當然，或者你會說，隨著業務規則化的熟練、學習算法的極度優化，上述工程終將可以非常經濟的實現。
那麼，我姑且假設這個可能性成立，但是，這依然改變不了當下的AI無法解決人類絕大多數核心事務的事實。因為——
AI無法具備“創造力”。也就意味著無法完成現世中最有價值的工作：創造“突破性解決方案”解決各種社會問題。
比如，在神創論統治世界的年代，人類受“水滴石穿”自然現象的啟發，最終卻能夠想明白，人類並非天神“變”出來的，而是從魚一路“進化”過來的（達爾文進化論）。
這對人工智能幾乎是個天方夜譚的能力了。
簡而言之，AI專家們在優化算法方麵確實取得了輝煌成果。但遺憾的是，在AI的最底層“運作原理”方麵，離圖靈提出的“會思考”相去甚遠。特殊用途的“思考”（機械思維）並非圖靈意義上的思考（人類思維）。
用量子物理學家David Deutsch的話來說，“（AI）越來越擅長假裝思考，與越來越接近於能夠思考，並不是一回事。”
談到這個份上了，我們就可以順勢引出人工智能的“強”、“弱”概念了。
「強人工智能」的核心是機器能真正具備思考能力（Can machine really think）, 而「弱人工智能」的核心是讓機器能智能化的解決問題（Can machine act intelligent）
與多數對AI抱持敬畏之心的朋友們想的略有不同，目前市麵上絕大多數的人工智能並非具備「通用思考能力」的 強AI，而是屬於「弱」AI的範疇，即隻能作為特殊用途的“思考”——畢竟它可實現、可實用化、商業投資回報周期短，無可厚非。
那麼，是否弱人工智能就真的很“弱”，對我們的工作、生活沒法產生重大影響呢？
那倒不是。
弱人工智能的應用：機會？還是搶飯碗？
按照前麵的論述，AI並沒有預想的那般神通廣大啊，那為何眼下AI會炙手可熱到如此地步呢？
理由很簡單：
對資本家而言，有利可圖；
對投機者而言，有機可趁；
對尋常百姓而言，有話可吹。
時下的AI雖然與人類思維有本質區別，但它也有人類不具備的“超人優點”：計算速度快、沒有情感、可以做任何人都不願意做的事情。
這意味著，隻要符合下述四大特征的領域，就是AI的必然“入侵領域”。
此處我建議大夥兒結合自身工作的實際情況對照下，如果你的工作符合下述四大特征，那麼強烈建議各位“務必預先鋪設後路”。
一、該領域規則明確、唯一、穩定
比如家庭清潔。規則很明確：教會AI識別“需要清理的物品”與“不能清理物品”的區別，清理的範圍，判斷需要清理的時機……此外，家庭清潔的事務非常穩定，不會說今天需要清理垃圾，明天就改成布置家居了。
二、該領域市場潛力巨大
當然，並非規則唯一、穩定的事情都會轉化成AI產業。
比如，陪伴跑步的機器人。我想沒有多少人會為了“找個人一起跑步”而去購買價格不菲的機器人吧。
縱然是較為簡單的領域，例如，消費者偏好決策支持AI，哪怕有現成的海量真實消費數據，將之實現商業化至少需要動輒數億資金以上（這還不考慮諸多政策法規的阻礙）。
所以，沒有個百億以上規模的潛在經濟效益的領域，不會在短期內“AI”化。
三、該領域的作業工作“過程”沒有（或極少）人為介入
按照前麵兩大特征，規則明確、市場潛力大，我想各行各業都有非常多的“工作崗位”躺槍。比如客戶經理、客服、醫生、教師、記者、初級程序猿……
但事實是，多數崗位都會非常安全。
因為他們在工作的“過程中”會涉及到大量跟“人打交道”，而“理解人類思維”恰恰是人工智能的弱項。
此外，“人”的參與會讓事情變得難以預測，而AI的優勢發揮是處理高度可控的事情。
我們以初級程序猿為例。表麵看，該領域市場潛力非常大（程序猿工資不菲），且規則明確、清晰（將業務需求轉化成代碼），但是，在獲取業務需求的過程中，存在大量與他人的“溝通、梳理思路、反複確認”的事情，這些都不是弱AI擅長的。
但反過來，普通的文字工作者，比如某頭條那些低俗獵奇文章，由於在編寫過程不用與他人溝通，而是直接將文章結果呈現給用戶，所以這類工作是非常容易被AI取代的。
簡單來說，能夠“套路化”的事情就是AI最擅長的事情。
至此，我們可以基於上述三大特征對照下，自己的工作（或者目標事業規劃）在可見的未來內是否屬於“高危工作”：
規則清晰穩定
市場潛力大（起碼百億級別）
工作過程（注意：不是工作結果）無需與人打交道
根據上述的簡單分析，我們可以初步判定下述行業的工作將大概率讓AI取代：
以數據統計、分析、校對為核心的數據工作者：
初級數據分析師、金融分析風險應對、市場分析精準營銷、投資理財、初級會計、醫療門診……
*所謂“初級”指不具備“提出創造性方案從根本上解決問題”思維的人
以內容搜尋、簡單重組為核心的內容工作者：
律師助理、初級記者、泛娛樂內容、科研助理、出版編輯、人力資源服務……
以律師助理為例，他的主要工作，搜集庭審上用作證據的文件，由機器來完成其成本將遠低於律師的人工成本。
不涉及“情感化價值”的服務：
翻譯、安保、營養保健谘詢、商品售後、餐飲服務、各類收銀員、公共運輸服務、家政服務……
順帶一提，像空姐、心理谘詢等崗位，雖然技術上較容易“AI化”，但其核心價值之一是“為客戶提供情感體驗”，所以並不會很快被取代。
幸運的是，由於“取代大量普通勞動力”的領域容易造成失業率上升，會遇上不少政策阻力，因而“容易被AI取代”並不代表“馬上”被取代（但也隻是時間問題）。
鑒於此，那些“人類不喜歡、不擅長”但卻能提升全民福祉的工作（這通常是全新的工作）反而是AI的“發力”區。
比如，需要更“敏銳”的感官才能勝任的事務：
體內手術（通過小機器人植入實現）、犯罪預測（通過心跳、熱感應實時監測）
又比如，惡劣環境下（危險、高溫、潮濕、汙染、肮髒）的各種作業：
自然資源開采、水下（天空、海洋）勘察、身體清潔、垃圾清理、災害救助等等。
另外，人類機械化、個人化精細定製、仿生學、人類增強、也是人工智能的另一龐大領域：
讓微小的智能芯片、機器人“住進”身體內，隨時提供最佳的營養、運動建議，比如心髒起搏器、胰島素泵；
基於個人的思維特征提供最佳的教育服務；
根據個人收入及消費習慣提供最佳的理財服務等等；
又比如，讓缺陷身體器官再造（外骨骼），讓老年人擁有高質量的生活；
或者將感官增強（視覺、嗅覺、聽覺）
……
事實上，以上多數領域的AI早已進入研究，甚至有些已經“試水”商用階段了。尤其是物流機器人、汽車及交通領域，此外，用於農業、手術護理的新型工業機器人也將很快看到利潤。
相信大夥兒對當今炙手可熱的AI發展已經有了感性的認知。
是否覺得AI給人一種不溫不火的感覺？
與時下媒體、廣大商業大佬們的觀點略有不同，李少加個人認為，這一次的AI還遠遠達不到像“工業革命”、“互聯網革命”那種對社會帶來顛覆式影響的程度。
李少加的理由是：當下AI過度依賴“數據”、依賴“量化”而愈發遠離“人性”（情感），遠離圖靈意義上的“會思考”。
當下的AI，更多的是人類曆史線性思維的高效率版本。
至於AI之所以炙手可熱，其根源與社會文化停滯、與資本主義經濟“碰壁”急需新的出路……等等宏觀因素關係甚大。
一些朋友留言就問，怎麼學習AI？
其實我想說，先看清楚了產業本質再考慮，人類史上的血淚史一再的證明：過猶不及。
過火的產業背後，“失智”的成分總是高於“智慧”。
但是，這並代表我們就不能從中找到些許“重大啟示”：尤其是對我們職場工作。
這是我們最後要討論的主題。
人工智能的隱喻：對我們職業規劃的威脅及啟示
雖然人工智能在“搶飯碗”上並沒有大眾預估的嚴重，但它的隱喻卻對我們的“自我提升”方向是個極具價值的啟示：
當我們“提升個人能力時”千萬不要追求AI擅長的能力
這些會讓“人”急劇降低競爭力的「能力關鍵詞」包括：
“套路”
“記憶”
“一勞永逸”
“（純粹）效率提升”
“重複”……
這就是為何我常常苦口婆心告誡廣大運營從業者不要追求那些“表象、淺顯、立竿見影”（容易套路化）的能力：
比如“怎麼吸引用戶眼球、怎麼起標題、怎麼誘惑用戶、怎麼迎合用戶胃口”。這些事情（滿足人類的低級需求）對於“深度學習”算法而言正是其優勢所在。
不信？看下微軟機器人“小冰”，2016年出版了詩集《陽光失了玻璃窗》，此處摘錄其中一首小詩：
《塵埃》
作者：小冰（微軟機器人）
五分了藝術縱通
一去不返於古人
我曾孤獨地走入夢
在你的心靈
偉大的藝術為自有的一切
看不見古代的塵埃
曾經在這世界
我有美的意義
這是小冰在“學習”了五百多個現代詩人的作品後的成果。是的，盡管目前的弱人工智能壓根不懂“陽春白雪”但並不代表它無法寫出來。
而相比詩歌，那些爛大街的低俗故事（迎合人類的爬行動物腦），那些吸引用戶的“套路”，規則更為簡單，用AI來生產難度跟成本都更低。
我在研究人工智能時，也發現了一個有趣的現象，對它研究的越深，就越是能夠逆向的鑒別——人類的哪些思維更“珍貴”。
至此，我基本上得出了如下幾個確定性的結論：
即，無論是個人還是社會，哪些“能力”才是未來值得投入學習的“高價值能力”。
一、讀懂機器思維的底層，能夠基於業務重新構建機器模式的能力
這個能力尤其適合走“科研”路線的童鞋。
簡單來說，就是把社會上一切具有AI化價值的領域逐步實現自動化的能力，尤其是，當AI出現問題時，能夠隨時接手，使之重新運作的能力（注意，這不是寫代碼，而是業務建模）。這部分的技術型人才未來會非常值錢。
當然，你覺得自己對“純技術”興致不大，那麼下麵的能力或許會更適合你：
二、理解和掌握全新的變化，以創造力參與其中構建新的價值
能夠“自動化”（弱AI實現）的通常都是“重複的、無趣的”領域，隨著人們在這些事務上的時間被釋放，必然會引發文化意識的劇變、進而使人們對“商品價值”、對“消費”的觀點產生“雪崩式”變化。
舉個小例子，時下人們花幾小時排隊就為了省幾十塊；刷幾個小時看那些批量生產的獵奇內容；或者對於一些藝術價值極高的遊戲、創新價值極高的書籍，覺得幾十塊都嫌貴……
這些思想意識在不久的將來就會像“女人就必須裹腳”一般不可思議。
換句話說，價值觀就像品味，任何微妙變化都永遠不可逆轉。在未來必將誕生大量全新的產業、問題與機會，而這些產業機會都將與“機械思維”無關（有關的都被AI化了）。
屆時，能夠對複雜事物變化敏感，能透過多元化思想提出跨界創新的解決方案、組織多層次協作的人將尤為搶手。
這類人表麵上看屬於“知識淵博”的人，但背後實質是創造力（猜想、批判、驗證）非常強，能夠讀懂複雜係統背後的本質，而不是停留在學習“知識的表象”上。
這個話題很前沿也很深，「少加點班」將會在後續專題詳細探討。
三、人性洞察力、為他人提供“幸福感”的能力
自動化事務交由AI將徹底改變人們的價值觀。相應的，未來的商業價值也會配套改變。
從社會的演化邏輯來看，未來企業必將會跟“社會貢獻”強關聯，那種依靠“鑽法規漏洞”、“以汙染文化”存活的企業將大量死去，而死去的原因根本不用等到法規的完善，而是人們價值觀、倫理意識的變化：人們將鄙夷價值觀扭曲的企業。
比如，使用“價值觀扭曲”商家的產品、或者花時間在糟粕文化上……就好像在圖書館大聲喧嘩、在人群中吐痰一般，誰會做？
這意味著，未來的企業會大規模的向社會型企業轉變。
因此，極具人性的創新化產品，那些為人們提供“幸福感”的產品將獲得青睞。而提供這些產品（或服務）的能力因而變得更為值錢：
對人性的細膩洞察、豐富的情感（共情）、持續湧現新思想的創新思維。
這些能力無論是以現實中與人接觸，還是在虛擬現實與人互動都彌足珍貴。
尾聲
大眾頗為恐懼（或期待）的AI是強AI，也被稱為“超（人類）智能”。
實現超智能還非常非常遙遠（我們其實應該慶幸）：
因為超智能必須具備的必要能力是“通用解釋能力”（目前為止隻有人類才具備），這是“創造新知識解決新問題”的基礎。
解釋這個問題涉及科目多，極端複雜，這裏不展開。
但我們不妨用逆向思維可以簡單的理解這個問題，假設“超智能”可以出現，那麼它“優化自身的能力”結合機械的“效率優勢”將被放大至近乎無限大……
這樣的未來完全沒有討論的價值。
因此，我們不妨務實一點，看回弱AI本身吧。
弱AI的本質就是人類自身“機械思維”的高效率版本，它的演進路線就是將社會一切具有“自動化”價值的領域替換掉：
從經濟效益最大、政策阻力最小的領域開始，在改進生產力的過程中也持續改進社會人文意識形態，而後者反過來又會改變AI的演化路線。
正因為如此，我們要特別警惕這一輪的弱AI革新，它以大數據為基礎，意味著頂層參與者僅有為數不多的幾個超級大公司。
如果他們沒有善用這股力量，而是繼續沿襲“機械思維”主導發展，後果不堪設想，這已經不是少數清醒卻毫無資源的思想家們可以改變的了的局麵。
西方資本主義的發展瓶頸已經預示了這一點：更高的物質閾值刺激出來的“幸福”需要永無止境的向自然資源施加壓力。
Facebook前科學家Jeffrey Hammerbacher曾感歎道：
“我們這一代最聰明的大腦，沒有花多少精力思考如何利用人工智能改善人們的生活，而是思考怎麼讓人們點擊更多廣告、消費更多、把物質欲點燃到極限……”
我們期待這個現狀會在這個十年內改變，而投票權其實就掌握在各位手裏。
最後更新：2017-10-31 21:12:32