893
機器人
王小川湖畔大學演講：人工智能最具商業價值的是什麼？
內容來源：湖畔大學出品，喜馬拉雅FM播出的《湖畔三板斧》音頻節目。筆記俠作為獨家筆記合作夥伴，經授權整理筆記版。
今日俠客| 王晴責編| Even
第1728篇深度好文：5793字 | 6分鍾閱讀
—每周三，在筆記俠遇見湖畔大學—
本文新鮮度：★★★+口感：拿鐵
筆記君邀您，先思考：
1. 人工智能最具商業價值的是什麼？
2. 人工智能是否會再一次退潮？
3. 人是否會被機器代替？
關於人工智能，我相信大家已經接觸了很多內容，包括技術、商業模式等等，但是聽到的內容和實際操作之間還有很大的差距。今天主要想和大家分享我在“如何銜接技術-產品-業務”方麵的思考。
一、“判斷”最具商業價值
我將人工智能分為三類：
1.識別
在視覺上，基於相對活動物體的識別已經發展到一定水平。識別的核心“人臉識別”和“語音識別”也具有很大的突破。因此，原來，人所具有的感性體驗現在也能夠被機器所掌握。
2.判斷
能夠協助人們進行選擇或者判斷。比如阿爾法狗就是在幫助人們為棋子選取一個更好的位置。判斷被越來越多地應用到實際工作生活和領域，比如：廣告。未來在基金方麵也有可能由機器自主進行決策購買行為。
3.創造
在學術界裏麵研究較多的就是創造類，比如：幫助人類合成一段文字或者語音等。穀歌發布的WaveNet就是基於語音網絡使用生成算法製作而成的，相對於以前的拚接法、參數法，在聲音質量上更具優勢。以前方法集中雖多，但性能慢，每合成一秒的音頻需要用時幾分鍾之多。
到目前為止，創造本身仍停留在學術階段，當然如果有人能夠控製無人駕駛領域就另當別論了。但是即便擁有無人駕駛技術，技術本身仍然不具商業價值，因為目的地是由用戶指定的，商業利益弱。
費曼曾說過“凡是我們不能創造的，就是我們不能理解的”，比如：除了生孩子以外的方法我們不能創造生命。雖然創造在商業上並沒有直接的用處，但是有助於我們對基礎的理解。
我認為在這三個領域裏，識別和創造的商業前景並不大，最具商業價值的是判斷，即幫助人們進行選擇或者決策。
事實上，輸入法作為搜狗最大的產品並沒有達到它應具有的商業價值，因為輸入法作為一個工具，用戶所表達的和他所需要的內容是完全一致的。比如輸入“A”絕對不能顯示“B”，所以輸入法沒有絲毫空間可以做更多的增值。
當用戶對一個產品具有充分選擇權，這個產品就無法體現出判斷的增值。這也是搜狗基於如此之大的用戶規模，在輸入法方麵卻沒有獲得商業回報的原因。
與輸入法不同的是——搜索引擎，它可以利用與搜索相關的推薦優勢，幫助人們進行決策判斷，在推薦的同時，就能夠帶來商業選擇的價值。
二、人工智能發展的三個階段
1.教規則
將規則教給機器，讓其進行判斷，這是依賴於人們的經驗的最初級的人工智能產品。
電飯鍋就是其中典型的例子，在其內部有一個測試溫度的傳感器，可以監控內部溫度，如果溫度達到103度，就停止加熱。
最初的人臉識別技術，雖然技術實現方麵更加複雜，但是原理是一樣的，就是告訴機器該從哪幾個特征來進行判斷。如何理解眼睛的距離、鼻子的高度，如何選取這些特征是傳統人工智能的做法。
傳統人工智能最大的瓶頸在於，不僅要懂規則，還要能夠準確描述規則。比如：人臉識別技術，我們看到一個人就能夠立刻知道他是誰，但是對於機器來講，就需要工程師將這個識別技巧寫成語言告知它。
但是，這一點，相對來說，就不那麼容易了，因為很難用機器能懂的語言描述一個人的長相。我們把這些說不清楚的規則叫做感性：即使我知道怎麼回事，但是無法用語言描述出來。
2.原始數據
在2012年，圖像識別技術有了重大突破，機器的識別能力超越了人類。其基礎原理在於，圖像識別不再需要描述，而是輸入大量原始點陣數據，當機器存儲的數據量足夠大，計算能力足夠強的時候，就能夠學會有效識別。
舉個例子，阿爾法狗就是存儲了將近3000萬個棋局，將每一個棋局的原始點陣數據輸入進去，告訴機器人下棋的棋路和落子方法。當3000萬個棋局全部輸入進去以後，機器就開始學會了下圍棋。
中國圍棋隊總教練餘斌，號稱在圍棋界裏麵最會寫程序的人。他認為讓機器下圍棋最大的難點在於機器沒有大局觀，但事實證明機器在大局觀方麵比人做的更好，因為機器存儲的是整個棋盤的點陣圖，而人還要琢磨某一個局部。
這個階段突破的意義在於，計算機工程人員有機會進入更多的行業領域進行合作。
比如：醫療領域，以前做心電圖分析需要技術人員能夠像醫生一樣懂行，到底什麼樣的心電圖代表一個人的心髒有問題，是一種經驗技巧，僅停留在醫生心中，工程師要掌握這方麵的知識就有些難度。
但是現在如果數據量足夠多，工程師就不必費力去進行規則表達描述，隻要告訴機器這樣的心電圖是生病的心髒，那樣的心電圖是健康的心髒，機器就有機會學會對心電圖的識別判斷。
這就是大數據下，強大的計算能力和精準的算法在日常工作和生活中的突破。以前需要依靠經驗才能夠解決的問題，現在通過數據和技術人員就能夠實現，阿爾法狗最大的啟發就是不用找規則，直接給出答案即可。
3.強化學習
有的時候我們既不知道如何向機器表達規則，也不能找出一個準確的答案，但是我們有能力去判斷，機器執行後的結果是離目標更近了，還是更遠了。這就是強化學習的基本意義。
一個複雜性頗高的問題，很難找出正確的答案，但是驗證答案是否正確十分簡單。就像幾何裏的定理一樣，證明定理很難，但是如果別人證明以後，判斷是否正確就很簡單。
在這種情況下，給機器的答案就進化成了給機器一個目標。與圍棋類似，阿爾法狗既擁有3000萬個棋局作為基礎，也有人為判定輸贏幫助它繼續學習。學習到一定程度以後，就可以安排兩個機器對弈，目標就是贏取比賽，過程無論好壞，隻要告訴機器棋局結果就可以了。
機器根據比賽結果，自行複盤總結的這種算法稱作強化學習。
這是基於我個人視角進行的分類，在行業裏麵可能會看到不同的分類方法。我這個視角的優勢在於最容易理解技術的進步路線圖，最容易分析怎樣的職業容易被取代。
對於普通員工來講，他們最擔心的問題是科技發展到什麼程度，自己就失業了。而對於企業家來講，他們更關心的是如何將人工智能嵌入自己公司業務的發展。
如果所輸入的信息是封閉、有邊界、可以結構化的，且包含做決策所需的所有信息，目標也是確定的，那麼這樣的判斷能力就可以被機器所取代。
在計算機數據裏麵有一個基本準則，機器完全可以勝任，輸入可以被表達，輸出目標穩定且可評測的工作。除了下圍棋以外，還有類似審計和數字相關的工作其實都可以被機器取代。
難以被取代的職業有畫家、作家、科研人員等，就是那種創造性大、輸入的問題相對開放的職業。
即便機器可以進行繪畫，但仍然不能取代畫家，因為機器不能真正理解“畫”，“畫”裏麵融合了畫家個人的人生經曆和閱曆，作品裏帶有好的人生體驗。因此，機器不能創造“畫”，隻能作為一種噱頭供人觀看。
過去人們總認為，人工智能會取代藍領工人的工作，精英人士無所畏懼。但我覺得不一定，比如服務員、幼兒園老師等等麵對極其不確定的、開放環境的工作者，是很難被取代的。這些工作並不需要具有高深的知識，而是在與他人的交互中處於完全開放的環境，任務也是開放的。
因此，不要認為藍領的工作容易被取代，而白領、金領的工作容易被保住。隻要不帶有創造性的工作，就會有被智能取代的風險。
三、人工智能仍有諸多未突破的領域
直到今天，人工智能領域依然有很多瓶頸沒有被突破。
與阿爾法狗的對局以4:1結束的結局雖然很美妙，但如果阿爾法狗連贏五局，這會讓人們對人工智能產生恐懼。如果機器完勝人類，就會讓人類找不到自己的生存空間。
其實，機器隻要贏一局就是一種勝利，企業也會把它當做英雄，老百姓更是親昵的稱“阿爾法狗”為“狗狗”。這就代表著，阿爾法狗作為機器已經被放在了和人相對平等的位置上，很多下圍棋的棋友更是稱唿“阿爾法狗”為“阿老師”，這徹底地將機器擬人化了。
我在6月份的時候去DeepMap（矽穀自動駕駛領域的技術公司，2016年才剛剛成立，專注於高精度地圖解決方案的研發）參觀訪問，與開發人員進行討論。
為什麼阿爾法狗會輸這一局？當時在現場下棋的時候，機器走著走著就開始變得毫無章法了。對於這一點，程序員也很抓狂，比賽完的當天就回去複盤了，但是結果顯示程序並沒有bug，沒有bug就意味著代碼不能改進，問題也就不能得到解決，隻能想盡各種辦法去找漏洞。
我去的時候，比賽已經過去3個月了，但是這個問題仍然沒有解決，因為程序員也不知道問題究竟出在哪裏了。
阿爾法狗所采用的神經元網絡是一個高維疊加的空間，從數據輸入到結果輸出，計算的複雜程度之高難以想象。比如：我們現在看到的是一個三維空間，但是再增加維度，四維就沒有那麼直觀了，而五維就徹底混亂了。
在深度學習網絡中，空間是幾百維甚至上千維，那麼人用肉眼就沒有辦法去梳理究竟是哪些數據出了差錯。
人工智能的妙處就在於可以解決高維複雜的問題，但難點在於出問題以後，程序員根本無從查起。
所以與之相對應的另一個學派，貝葉斯學派認為，程序一定要能夠看到參數的運算過程，即如何得到的運算結果。貝葉斯學派一直對深度學習表達擔憂，認為深度學習理論體係沒有嚴格的數學證明，而是僅靠梯度進行不斷嚐試，所得結果的穩定性不受掌控，風險大。
以前我認為這種思想是吃不到葡萄還說葡萄酸，你自己做不到還要貶低能做到的人。然而這件事情真的證實了深度學習理論框架確實存在風險，這個係統的正確率能夠達到90%-95%，但是對於從未嚐試的某些數據處理，人為根本無法掌控，沒有原有的算法穩定性強。
我離開後一周，DeepMap的程序員將程序進行了修改，重新調整了網絡連接參數，使得阿爾法狗一旦麵對之前失敗的棋局會選擇正確的位置，但是這並不代表不會出其他的問題。因為這不是bug，如果換另外一個棋局，可能依然會出現嚴重的漏洞。
四、無人駕駛技術尚不成熟
其實就好比給牆上漆，如果有的地方有遺漏的點，可以多刷幾下補漏。阿爾法狗的這個點被補刷上了，但是這堵牆上究竟還有多少沒有刷上的點就不得而知了。
因此，深度學習理論是高度不穩定的係統，將這個問題引申到無人駕駛領域，如果不考慮商業問題，利用大數據模式，讓無人駕駛能夠在開放環境裏自由上路的技術還是不成熟的。
在汽車工業界，將無人駕駛分為L1-L4四級。L4為最高級，即在任何環境都能夠實現無人駕駛；L3是在封閉環境下可以實現無人駕駛，比如高速公路中間不會有人突然穿越，沒有不可預計的障礙物。
我與DeepMap程序員進行交流的時候，得到的結論是：傳統算法無法實現無人駕駛技術，實現無人駕駛技術隻能依靠深度學習理論。
就目前情況來看，深度學習理論的數據量越大，得到的結果越準確。但是人為無法判斷“牆上漏刷的點” 在哪裏，這個“漏刷的點”可能會帶來非常嚴重的後果。比如突然從路邊衝出來一個人或者一隻動物，就很可能會發生加速衝撞事件。
所以到目前為止，在開放環境裏麵仍然無法徹底實現無人駕駛，或者說讓人不能放心。有可能使用無人駕駛技術很長時間都很順利，但是突然間出現了事故，就會像阿爾法狗輸的那局棋一樣。
對於遇到類似情況如何彌補，能否杜絕此類現象不再發生，廠商也顯得無能為力。如果這件事情不能得到有效徹底的解決，就可能會出現嚴重的事故。所以我認為，無人駕駛僅作為輔助駕駛還是相對安全的，開車上路仍然需要司機。
五、人工智能是否會再一次退潮
在學術界有一個大討論，主題是人工智能是否會再一次退潮？
之所以是“再一次”，是因為人工智能已經退潮過很多次了，隻不過沒有引起大家的關注而已。
每一次新科技出現“漲潮”，都會引起學術界的歡唿，大夥兒認為會有重大的突破，然而過了幾年卻根本無法實現，就會引發“退潮”，這樣的“漲退”已經發生過三次了。以阿爾法狗為代表的勝利，讓人們認為人工智能很厲害。
我認為不會退潮的原因是：雖然人工智能沒有突破到永久高，但是已經第一次能夠跟工業界大範圍結合，解決一些複雜性的問題了。能夠投入使用，是與前三次比較而言最本質的區別，也是不會退潮的根本原因。
另外，因為有資本家看到了商業價值，所以會有資金源源不斷地流入，有了資本的驅動，人工智能才會不斷進步。
我希望這波人工智能浪潮能夠持續漲潮，因為已經可以預見到未來的實用性，但是仍然有很多的坑值得注意和警惕。
六、人是否會被機器所取代
總有人問：人會不會被機器所取代？
我認為這個問題的提問者既自大又自卑。人體的構造實際上非常複雜，是難以通過機器進行創造的。凱文·凱利的《失控》裏麵有一句話：一架波音飛機和一根黃瓜究竟誰更複雜？
對於這個問題，我認為黃瓜比飛機還複雜，因為黃瓜的細胞結構裏麵的運轉很難。科學家在嚐試創造最小的生命的時候，是剪掉現有細菌的DNA，剪掉以後去觀察細菌是否還活著，如果可以進行新陳代謝和繁殖，就仍然認為它是個生命。
到今年為止，這個細菌被剪到還剩200個基因，仍然存活。這代表人類製造生命的最高水平，但這條生命是在現有生命體的基礎上得到的，而不是創造的。人類目前還沒有能力去創造一條生命。因此，到目前為止，生命還是來源於生命本身。
人類對於生命的理解還停留在非常淺顯的階段，這200個基因裏麵隻有60%是被明確作用的，而剩下的40%仍然不知道存在的作用，可是沒有這40%，生命就不能繼續繁衍。所以，要了解，生命是特別艱難的，機器到目前為止仍然不能取代人類，人類不要盲目“自卑”。
在我心中，未來會出現一個人機結合的局麵，這才是未來世界的本源。
以前，人是自我進化的，這個進化是跟環境對抗而言的。比如冷，就會長脂肪、長肌肉；奔跑，讓自己更加健壯。現在冷了，要穿衣服、開暖氣；走不動了，就可以開車、坐電梯。
所以，現在人的進化是跟機器同步的，甚至依賴於技術的進步。原來我總在思考一個問題，人在科技麵前，是變得更強大了還是更弱小了。我得出的基本結論是如果人和機器是一種協同關係，把科技當做工具，比如：使用搜索引擎、淘寶等等，人幾乎無所不能。一旦離開了科技以後，人其實變得更加脆弱了。
因此，我們必須擁抱科技進步，這是不可阻擋的趨勢。
技術在進化，技術和我們共同合成了地球的一部分，所以體內進化一段時間以後，又開啟了智能設備，然後又走向了體內技術的侵入。
有一本書內容很淺顯，叫《科技想要什麼》，講人和機器之間的互動關係。對人們理解人和技術之間的進化會有幫助，不是理解商業問題，而是理解人生存在地球上的價值。
人工智能實現以後，人類最後的陣地也會有一部分失守。過去人認為斷腿沒有關係，機器可以代替腿的功能，由大腦控製就可以了，大腦是人最寶貴的。但是現在，人腦可以進行的活動，機器也能夠替代一部分了。就比如阿爾法狗使得下圍棋的棋手非常痛苦，認為自己的大腦被機器取代了。
但其實，人早晚會進化成一種人工智能的物種，或者人和機器進行合體，不隻是身體的替代。因此也會慢慢出現人和機器的連接、“腦機接口”等。
以上是我關於人工智能的一些感悟，我不是科班出身，也許會有錯的地方，僅作為我個人的想法與大家分享。
謝謝大家！
王小川演講完整內容，掃描下圖二維碼，到喜馬拉雅親耳傾聽。
最後更新：2017-10-08 03:31:28