深度学习让AI正在变得像人类一样神秘

自20世纪60年代起，人们对于拥有哈尔（HAL）般科幻级别的AI的期待便不断高涨。直至近期，PC和机器人仍显得颇为笨拙。如今，科技巨头与创业企业纷纷宣告AI革命的来临，无人驾驶汽车、机器人医生、智能投资等已崭露头角。普华永道预测，到2030年，AI将为全球经济贡献高达15.7万亿美元。如同“.com”在1999年风靡一时，“AI”已成为2017年的热门词汇。在这股热潮之下，我们需保持清醒，探究AI的真实面貌及其新颖之处。

尽管AI的热潮席卷全球，但其应用并非轻易或迅速之事。大学及科技巨头中涌现的AI实例最为引人注目。对于那些自封的AI专家，若他们仅许诺以最新技术为公司带来革命性变革，而不付出实际努力，那么他们所传递的AI信息便可能是错误的。一些人可能只是重塑旧技术的形象，将其包装为AI。虽然公众已通过Google、微软、亚马逊等服务体验了最新AI技术，但“深度学习”在大企业中的普及尚需时日，定制内部项目的应用更是如此。多数企业缺乏足够的相关数据来训练AI。AI并不会导致所有工作机会的消失，尤其在训练和测试每个AI的过程中，仍需要人类的参与。

目前，AI已经具备了相当的实力。它们不仅能“看到”并擅长处理视觉任务，如通过医学影像识别癌症或其他疾病，其表现甚至超越了人类放射科医师、眼科医师和皮肤科医师。从驾驶汽车到读唇语，AI都在不断进步。它们还能通过学习样本创作出各种风格的图画，甚至通过一幅画推测出真实的照片。只需观察网页或应用的屏幕截图，AI便能写出代码，制作出类似的网页或应用。

不仅如此，AI还能“听到”。它们不仅能听懂你的话，还能通过聆听Beatles的歌曲或你的音乐，创作出新的音乐，或者模拟任何人的声音。无论是画作、音乐还是话语，一般人很难区分其作者是人类还是机器。

被训练用于玩扑克比赛的AI学会了虚张声势，能够处理丢牌、潜在的欺诈行为，并误导对手。经过谈判训练的机器人也学会了欺骗，能够猜测你何时在说谎，必要时它们同样会撒谎。而一个被用于日语、英语和韩语之间翻译的AI，也能轻松进行韩语和日语之间的翻译转换。它似乎创造了一种中间语言，无论何种语言，它都能演绎出任何句子。

机器学习是AI的一个子领域，使机器能够从经验中学习，从真实世界的实例中汲取知识。数据量越大，机器学习的效果越好。如果一台机器随着经验的增多，完成任务的表现越来越好，那么它便是在根据这项任务的经验进行学习。大部分AI仍然是基于固定规则制造的，它们并未具备学习的能力。我会用“机器学习”来指代那些能够从数据中学习的AI，以突出它与其他AI的区别。

实现机器学习的人工神经网络只是众多途径之一，还包括决策树、支持向量机等。深度学习是一种拥有众多抽象层次的人工神经网络。抛开“深度”这一炒作意味的词汇，许多机器学习方法都是相对“浅显”的。成功的机器学习往往是多种方法的混合体，如树+深度学习+其他，它们分别训练后结合为一体。每种方法都可能带来不同的错误，因此它们的成功结果平均下来，往往超过了单一方法的效果。

与传统的基于规则的AI不同，旧的AI并不能“学习”。它是基于人类设定的规则进行运作的，只要能够解决问题就被称为AI。它并非机器学习，因为它不能从数据中学习。现今的AI和自动系统中，大部分仍然基于规则代码。尽管机器学习从20世纪60年代起才开始被人了解，但其对计算能力的需求如同人类大脑一样庞大。在20世纪80年代，要在PC上训练一个机器学习模型需要数月时间，当时的数据也非常有限。现在我们拥有了更强大的硬件，可以在几分钟内训练出一个机器学习模型。我们知道最佳参数，数据也更为丰富。自2010年以来，一个又一个AI领域开始被机器学习所主导，从视觉、语音、语言翻译到游戏，机器学习逐渐超越了基于规则的AI，通常也能胜过人类。

回顾历史，为何AI在1997年的国际象棋比赛中便能击败人类，却直到2016年才在围棋比赛中战胜人类呢？原因在于国际象棋与围棋的复杂性截然不同。在1997年，计算机通过简单计算国际象棋8x8棋盘上的所有可能性便能取胜。围棋拥有19x19的可能性，若要计算所有可能性则需十亿年之久。这就像试图随机组合所有字母以生成一篇完整的文章一样——这是一个不可能完成的任务。机器学习——模拟智能的新途径

机器学习为自动化带来了前所未有的可能性，只要有了正确的数据，一切皆可训练。大部分机器学习都是监督学习，这里的实例都带有标签，这些标签描述了每个实例的特征。要想训练出准确的机器学习模型，首先需要准确地对数据进行标注。例如，从大量照片中区分出猫的照片和狗的照片，或者从邮件中识别出垃圾邮件。错误的标注可能导致模型的预测出现偏差，其重要性不言而喻。

除了监督学习，还有无监督学习，它处理的是未标注的数据。在这种模式下，机器学习会尝试发现数据的模式和结构，但相较于监督学习，其解决问题的能力和适用性相对有限。有些机器学习模型是半监督式的，融合了两种模式的特点。

机器学习的应用广泛且深入。例如，在异常检测中，我们可以识别出欺诈行为或网络入侵等异常情况。部门也开始利用机器学习进行逃税侦查。在强化学习的推动下，《战争游戏》中的计算机通过不断试错和探索，最终避免了世界大战的爆发。AlphaGo通过无数次自我对弈，获得了超越人类的围棋技艺，展现出机器学习的惊人创造力。

每当机器在某些智能任务上超越人类时，总会有人质疑这是否真的是智能。他们坚信这只是机器的强大计算能力而已。但事实上，“AI效应”早已悄然来临。人们需要相信人类在宇宙中的独特性，而当机器在某些任务上表现出色时，人们往往将其归因为计算能力而非智能。但实际上，真正的智能并不仅仅是计算能力的提升，而是对复杂世界的理解和适应。机器学习正是通往这一目标的另一条道路。

大脑和机器学习都是通过处理统计数字来逼近复杂函数的工具，它们都可能给出稍微偏离真实的结果，但这并不影响它们在实际应用中的价值。机器学习和人类大脑在处理同一任务时可能会有不同的结果，因为它们采用了不同的方法和路径。机器在记忆和数学方面的能力几乎完美，而大脑则擅长处理模糊和复杂的情况。但不应因此而认为机器要么给出确切答案，要么就坏了。实际上，机器需要更多的数据、更多的训练才能更好地适应现实世界的复杂性。

真正的机器学习不应仅仅模仿人类的工作和行为，而应超越人类的偏见和局限，探索更广阔的智能空间。基于人类偏见的机器学习可能会带来种族主义、性别歧视等问题。我们需要更加关注机器学习的公平性、透明性和可解释性。我们也应该尝试从其他角度、其他文化、甚至其他星球的视角来理解和训练机器学习模型。

AI正在变得越来越神秘，像人类一样充满未知。我们不能再用旧的规则来约束新的AI时代。AI的未来发展将不再局限于模仿人类的智能，而是探索更加广阔的可能性。真正的智能不仅仅是模仿人类的行为和思维，更是超越人类、探索未知的能力。让我们期待AI带来的新思维、新视角和新世界。假如我们掌握了大脑的决策机制，真正理解了直觉背后的神经信号，那么我们将能够揭开决策的真正面纱。想象一下，每个人都能像解读毕加索画作一样，洞悉他人内心的决策过程。尽管我们能够通过直觉想象脸部、声音或音乐风格，却无法全面而精确地描述其变化。

尽管人类只能看到三维世界，但大脑似乎能够以神奇的方式解决五百维的难题，就像机器学习一样。如果我们试图理解每一个决策背后的复杂公式，那么信息过载可能会让我们感到困惑，并减缓我们的思考速度。我们的大脑并不总是以直观的方式展现其决策过程。

自动化的进步并不一定会取代人类的工作，而是会提升我们的工作效率。同样，机器学习也并非无所不能。尽管它们能够预测许多事情，但在面对不确定性和变化时，它们也会失灵。例如，股票市场的风云变幻让机器学习难以预测。它们只能在过去的模式和趋势保持不变的情况下发挥作用，但当这些因素发生变化时，预测就会变得困难。

想象一下，ML已发展到了可以产出实用的简短总结，虽然能够进行情绪分析，但它仍然无法像人类那样可靠地完成这项复杂的工作。聊天机器人尽管可以回应，却无法深入理解太多问题背后的含义。目前，没有任何AI能够完全确定一个顾客的情绪状态——是恼怒还是讽刺，并据此调整其回应。我们尚未拥有像电影中那样的全能AI，但我们已经体验到了科幻般的AI技术的某些细微之处，这些AI擅长于某个特定的专业领域，并在其中超越了人类的能力。最新的消息显示，这些AI即便在创造性的领域，也能展现出令人惊叹的能力，如绘画、作曲、创作等，这些都不需要全能的AI。

尽管我们尚未掌握如何制造全能的AI，但这令人振奋。我们已经拥有了专业的狭窄领域的AI，它们在某些任务上超越了人类。例如，可能尝试利用自动驾驶技术制造威胁，但拥有通用智能的AI可能会自我毁灭，不会盲目遵循恶意的指令。

AI可能面临挑战，如果这些AI被重新编程为非法的模式，后果将不堪设想。当前的AI并非通用，也不是由科学家完全控制的，它们始终遵循人类的指令。虽然AI可能会取代一些传统的工作，但同时也会创造出新的职业，如机器学习训练员，类似于宠物训练员，而非传统意义上的工程师。训练一个ML比训练一只宠物要复杂得多，因为它们并不具备人类的通用智能。它们从数据中学习，但不会甄别或常识判断。

在实用机器学习训练方面，如果我们用手持物品的照片来训练一个ML系统识别物品，它可能会将手部也识别为物品的一部分。这就像一只狗能从人手中获取食物，但一个不够聪明的ML可能会将食物和你的手一同识别。解决这个问题需要逐步训练ML系统，先让它识别手，再识别单独的物品，最后才是在手持物品的情况下的识别。

随着技术的发展，版权和知识产权法需要更新以适应新的现实。当ML能够在现有事物的基础上创造出全新的东西时，如何界定原创性和所有权就成了一个问题。如果C是由A和B结合产生的新事物，并且与两者都有显著不同，那么C是否应该享有发明或艺术品的专利呢？进一步来说，如果A和B本身就有版权或专利呢？如何确定一个作品是否使用了ML产生的结果？如何防止人们偷偷使用机器学习并声称那是自己的原创作品？

对于大多数小公司来说，训练机器学习的成本远远超过了训练人类。教一个人开车可能很容易，但让机器学会开车却是一个漫长而复杂的过程。尽管机器驾驶可能更安全（考虑到人类驾驶中可能出现的风险），但其高昂和复杂的训练过程仅适用于大公司。小公司往往使用不专业但成本较低的方法训练ML系统，这可能会导致潜在的风险和不可靠性。只有少数公司有能力训练出可靠的AI系统。而且，每个受训的ML都是独一无二的，无法像人类的大脑经历那样被复制或转移到另一个系统中。

大型提供商可能会出售未经训练的ML来完成特定的任务，如“放射科医师ML”。ML可以作为一个专家团队的补充，而不是完全取代他们。医院可以聘请一位放射科医师来监督ML的工作，而不必雇佣多个放射科医师。虽然放射科医师的职位不会完全消失，但在每家医院中的数量可能会减少。训练ML的公司可以通过向多家医院出售其服务来赚取投资回报。随着越来越多的人学会如何训练ML，训练成本可能会逐年下降。但由于数据储备和测试的需求，可靠的ML训练并不会变得非常廉价。理论上，许多工作任务都可以自动化，但实际上只有一部分工作能够承担起训练一个ML的成本。对于过于特殊或罕见的工作，人类的薪资在长期内可能仍然比一次性训练一个ML更经济划算。

尽管我们一直在追求全能的AI，但在ML研究之外，人类仍然在从事通用智能的工作。智商测试是有局限性的，它无法预测一个人在生活中的成功。真正的智能是多元化的，包括视觉、语言、逻辑、人际关系等各个方面。我们不能仅仅用一个量化的智商数字来衡量一个人的价值。比起人类的智商，一些昆虫可能在某些特定任务上表现得更为出色。就像蚊子在“咬完就跑”这个简单任务上就能胜过人类一样。每个月都有更多的工作领域被机器超越或取代就像蚊子的技能那样狭窄而特定但它们依然有其存在的价值和意义所在。。当我们迈向一个个技术革新的奇点时刻，有些人忧虑AI会在诸多领域超越人类，这种想法无疑是过于悲观了。事实上，我们正在经历多个特定的技术进步阶段，每当人工智能在某个领域超越人类时，社会上便会出现一些讨论关于是否需要保留那些监管AI的职位。我认为人工智能并非完全无法匹敌的。尽管AI可以模仿甚至超越人类在某些方面的能力，但它无法完全复制人类的创造力与智慧。就像我们人类一样，AI也能够学习模仿各种缺陷和特色，制造出像手工产品一样精细的作品。

在预测AI将会在哪些领域超越人类的问题上，我们无法确定未来的具体走向。尽管人工智能具备学习和进步的能力，但它们在通用智能方面仍有所欠缺。比如说，喜剧演员和政客的工作是独特的，他们无需具备特定的技能或学位就能胜任这些工作。他们之所以能够胜任这些职位是因为他们具备能够轻松驾驭任何话题的能力。相比之下，某些特定专业领域如放射科医师需要更加专业和深入的技能才能胜任其工作。如果这种专业工作过于复杂且特定化，机器学习可能会成为未来的替代方案。真正重要的是我们需要具备通用智能的能力，这是人工智能无法完全取代的。我们应该关注如何更好地利用人工智能的优势来推动人类社会的发展和进步，而不是过分担忧它是否会超越我们人类的能力范围。