57
機器人
人工智能時代來臨，你怕了麼？——與AI先生的一場對話
導 讀
通過學習累計的交易數據，人工智能可以提供智能客服、風險防控、精準營銷、量化交易等方麵的服務，而且，在這些領域，它們都可以比人腦更快更輕鬆接受宏觀信息，進行技術性分析，從而進一步優化應用效果。
上海又雙叒叕高溫，周末我不敢出門，躲在家裏吹空調看電視新聞，發了一條信息給老同學AI先生，他是人工智能專業碩士畢業。
▎我：請問下專業人士，如何看待國務院印發的2萬多字的《新一代人工智能發展規劃》？
▎AI先生：哦，我爸以前一直認為我碩士學的“人工製冷”沒啥前途，這新聞一播出呢，現在他終於知道那四個字是“人工智能”。
1
是什麼？
電話打過來了
▎我：看了國務院鴻篇巨著，頂禮膜拜，想起你當年的英明抉擇。我隻知道直譯是AI,就是Artificial Intelligence人造智能？具體就不太懂了，給我掃個盲唄？
▎AI先生：哈哈哈，你真有興趣？那我就給你叨叨。其實人工智能字麵意思呢，就是人造的人類智力，初衷是希望用機器來模擬人的思維方式。
日本有位記憶天才靠概率知識贏遍歐洲賭場，
中國有會計高手可雙手打算盤，
有“影屆王維”之稱的香港攝影大師陳複禮對景色有超乎常人的判斷力，
看到某景時往往會迅速判斷該如何取景，立刻讓同行助手拿出合適的鏡頭和膠卷，拍出的多是傑作。
理想中的人工智能正是類似這三者的混合體。
▎我：那……超級酷炫啊，也挺難啊，人的大腦具體怎麼運作也沒有辦法完全理解吧，為什麼這些人會這麼厲害，誰也解釋不了。
▎AI先生：嗯，人類對大腦沒有研究透，很多構造和功能都是沒法理解的，更別提造出一模一樣的了。
要說人工智能在怎麼模擬麼，你學過一點編程麼？
▎我：學過一點，if else語句，其他就不知道了。
▎AI先生：額。。。這樣解釋吧，要讓機器解決問題，就要給它清晰的指令。
比如，如果下雨，那麼收衣服，如果不下雨，就曬衣服。
你絕對不能給它模煳的指令。
比如: 你不能跟機器說：如果下小雨，就收衣服，如果下大雨，就呆在屋裏。
這樣機器估計就會懵cry了，因為沒有分辨大雨和小雨的這個程序設置，它會不知道如何繼續下去。
但是你可以告訴他界定大雨和小雨的方法，並且輸入相應數據或者案例給它，這樣機器就可以快速做出判斷，而且保證非常高的正確率。
▎我：哇，我居然聽懂了……
▎AI先生：是的，這個原理還是比較容易理解的。
2
包括什麼？
▎AI先生：不過人工智能比較厲害的地方就在於，它會自學。但怎麼自學，就複雜了，我就跟你說兩個概念，神經網絡和深度學習。
人腦有幾百億個神經細胞，相互之間又盤根錯節，極其複雜。
要從千姿百態的照片中分辨出生氣的表情，人隻要瞄一眼就可以，但機器要琢磨分析好久好久，才能得出結論，而且不一定對。
因為判斷一個人開心和不開心，沒有特定的規則。要讓機器像人一樣思考和學習，就要讓機器也建立這樣的網絡。
所以就有了“神經網絡”這種算法，模擬人腦結構，讓機器在資料庫裏麵自主學習。
▎我：好膩害的樣子……那是不是有了神經網絡，機器就可以和人一樣思考了呢？
▎AI先生：沒那麼簡單。它很難主動思考，而且做出正確的判斷需要海量的數據作為基礎。
人的思維優勢在於，宏觀思維，靈活運用所有的積累，自己會總結規律，會判斷。
而機器的優勢，則在於執行的速度和精確度。所以，科幻電影都是作家寫的，而不是科學家。
▎我：慢慢來嘛，總需要一個發展的過程嘛。
▎AI先生：這過程太坎坷了，人工智能這個想法在我們父輩出生的年紀就有啦，算來也60多年了，但發展得大起大落，中間還好幾次普遍被人們認為是個騙局，因為這個話題吸引力大，也太難了……
▎我：還好吧，我這兩年經常被震驚到，比如AlphaGo戰勝了柯潔。
▎AI先生：AlphaGo用的正是我剛才提到的另一個重要方法，深度學習。
AlphaGo會自學。其實，有人工智能之前，機器和人類大腦解決問題的方法的最大區別，簡單來說，就是會不會“自學”。
人工智能的概念很寬泛，甚至沒有完全明確的邊界，其中包括比較傳統的機器學習，就是你提到的if else模式，包括精確的指令。
還有一種最近因為表現不錯而很受關注的方法, 就是深度學習（Deep Learning）。
舉個例子，你想用傳統機器學習方法教機器釣魚，你必須給它明確的步驟和指令，怎麼打窩、投餌、裝餌、下鉤、提杆，然後讓它開始練習。
而深度學習中，必要的是足夠多的案例和數據，而且越多案例越能幫助機器給出正確的判斷。
▎我：那這個深度學習，是不是就是越發展就越接近人腦了？
▎AI先生：它隻能在厚度和廣度上可以算越來越優秀，但畢竟它需要依賴自身的庫存信息量，而不像人腦，有類似舉一反三的能力，可以累積經驗，而不是每次都而今邁步從頭越。
這個類似舉一反三的方法，就叫遷移學習（Transfer Learning），而不用每一次都從頭開始訓練。但目前，遷移學習的總體發展水平還很低。
3
害怕了嗎？
▎我：既然這樣，我還看到好多名人在說要提防人工智能？
▎AI先生：我個人覺得人工智能其實就是一種新技術趨勢，就像過去幾個世紀的蒸汽動力、電力以及電腦那樣，沒必要那樣驚慌失措。
人工智能如果要說危險，我覺得隻要可控就不危險。
▎我：目前還是可控的吧，還沒發展到危險的程度，而且即使能，為什麼一定非要造出能威脅人類的那種人工智能呢？
▎AI先生：沒錯，我們圈內也基本覺得還是可控的，因為目前還沒發展到強人工智能的階段。
人工智能可以分為兩種：
弱人工智能（weak AI）
強人工智能（strong AI）
弱的，隻能夠解決一類問題，強的，則可以跟人腦完全媲美，甚至更好更強。
目前我們所見到應用還都是弱人工智能，都是一些不牽涉“推理”的查詢類信息服務。
它實質和我們報賬用的計算器是沒有區別的。
既然可控，而且人工智能運行過程中不會覺得累，也不會有情緒低落，那麼完全可以幫人類做很多事嘛。
為什麼有工具放著不利用呢，就好像有汽車，不肯坐，而非要坐馬車或者步行一樣。
▎我：可能很多人怕失業吧，機器人來了，很多人都要下崗。
▎AI先生：這個呢，我覺得確實是個趨勢問題，但應該不會導致大規模失業，而是未來經濟結構和就業結構可能會重新調整。
人可以去發掘更多隻有人腦才可以做得更好的工作，從而把自己從可以安排給人工智能去做的任務中解放出來。
人也許可以因此轉而去做自己更喜歡做的事情，或者更有創造性的、更需要宏觀思維能力的事情。總體來講，人工智能的發展會使就業結構從手工性偏向認知性工作發展。
回頭看，AlphaGo戰勝柯潔其實是遲早的事，它本質是因為預期和事實錯位引發心理衝擊。
就好像，人類原本以為AlphaGo隻能考60分，而AlphaGo一下子考了120分，連附加分都得到了，人們一下子有點驚到了。
接受了這個事實就好了，就好比，你說現在還有人去跟計算器比速算麼？就是這個邏輯。因為兩者，根本不是一個係統的。
其實AlphaGo贏才是人類的勝利，因為人類要它贏啊。
如果AlphaGo能贏，但是故意輸給人類，你想想，是不是那才可怕？
4
未來會怎麼樣？
▎我：以後到底會怎樣呢，你覺得，人工智能會如何發展？
▎AI先生：我認為還是會獲得大力發展的，尤其現在國家牽頭了，很多國內外知名企業都設立了相關研發部門，高校和研究機構的相關課題也非常多。
未來一段時間，人工智能的發展速度，可能會超過過去任何一項科技。
▎我：是啊，對了，我侄子馬上讀高三了，要不要讓他大學報人工智能專業啊，這麼火。
▎AI先生：男孩子數學好的話，學這個挺好的啊。不過國內目前本科還沒有這個專業，大的方向呢，是屬於計算機科學（Computer Science, 簡稱CS），可以關注一下。
▎我：估計我哥就想讓他找個好工作。
▎AI先生：找工作應該沒問題的，不管畢業之後去搞研究或者去企業，隻要孩子喜歡，就都是好的選擇。
人工智能其實滲透性很強，它與機器人、經濟學、醫學等很多學科都可以結合起來。
目前人工智能應用很多，Siri算你比較熟悉的吧，它的語音識別正確率已經很高。翻譯也是，近年來已經越來越精確。
智能製造領域的人工智能機器人目前也很普遍。物聯網、大數據、雲計算、社會化媒體、VR/AR這些方麵發展也很受關注。
至於金融行業，金融機構擁有成熟的交易信息係統，大量的交易數據就好像燃料一樣，讓整個金融係統鮮活地運轉著。金融行業非常適合開展人工智能應用。
通過對累積的大量規範的金融賬戶和曆史交易數據進行消化，人工智能可以學習提供智能客服、風險防控、精準營銷、量化交易等方麵的服務。
而且，在這些領域，它們都可以比人腦更快更輕鬆在短時間接受宏觀信息，進行技術性分析，從而進一步優化應用效果。
金融機構可以通過專用服務器來執行我剛才講到的機器學習和神經網絡等技術，在100毫秒內找到風險交易，這就是依據大數據技術的風險防控方案。
▎我：確實，如果能像你說的那樣，金融行業一定有很大發展，很多隱患都可以第一時間解決掉。
▎AI先生：嗯，所以人工智能絕對可以給各行各業帶來許多好處。不過，總體來講，人工智能整體市場太大，一般的企業都隻能做其中很小很小的一部分。
全世界來說，從人工智能企業數量、融資規模、投資機構數量看，目前中國都是僅次於美國的，位列全球第二，而且中國人工智能行業發展的速度非常快。
未來一段時間，由於深度學習等方式都需要依賴批量數據，而中國的各行各業最不缺的就是海量數據，所以，中國人工智能行業很可能會發展得更快。
▎我：哈哈哈，因為中國人多。
▎AI先生：對，加上政府關注、人才也會逐步加速培養起來，這是占盡了天時地利人和的，所以中國的人工智能，我個人覺得，未來相當長一段時間，還是會有很大發展空間的。
總體來講，從好的方麵說，人工智能會成為很有用的工具，幫人們做一些做不好的事，或者幫人們把有些事做得更好。
從不好的方麵講，人工智能確實會取代一部分人的技能。
這意味著，大家需要學習新的技能，可以與時俱進，學會做更多更有趣的，更依賴你獨特大腦的事，其實，未必是壞事，你說呢？
最後更新：2017-10-07 23:24:56