奇点

Deep-Sci："-sci-"源自拉丁语的"scientia"（知识）

小科

物语

+

人工智能领域的最初目标：探索智能最基础的本质，并以电子形式复制它，不过如今这个目标，已经让位给了优雅的算法和精彩的演示。

窗外风雪再大

也有我陪伴着你

全文字数：2830字

阅读时间：3分钟

如今的科技界，就像时尚T台那样讲究流行，今天人工智能，明日区块链。其实，真正的引领者必须要理解到本质，究其本质，无论人工智能、区块链还是量子力学，都是相辅相成，甚至互为因果的。比如人工智能。

人工智能领域的最初目标：探索智能最基础的本质，并以电子形式复制它。不过如今这个目标，已经让位给了优雅的算法和精彩的演示。

对于人工智能，与对待其他任何风口上的技术一样，人类总是有两个呼声此起彼伏。一边在大呼奇点将至，另一边又在历史循环论。对此，也许没有完全理智的做法，稍微靠谱一点的人，都必须注重两方的声音，不仅如此，还需要仔细琢磨两方的论据。

很多人相信奇点很快就会到来，也相信如果人类与他们生产的机器完全融合，如果人的智能能够完全转移到计算机上，奇点就能够让我们实现永生。这种“信仰”是建立在五个“信条”上的。

第一，人工智能正在并已经产生卓越成果。

第二，技术进步在不断加速。

第三，技术正在创造超越人类的智能。

第四，人类可以从比我们更聪明的机器中获益。

第五，通过图灵测试的机器至少像人类一样聪明。

关于第一条，人工智能正在并已经产生卓越成果。人们对人工智能总是过于乐观。

2014年，斯坦福大学以人工智能实验室主任李飞飞为主导的科学家团队开发了一个机器视觉算法，该算法能够通过对图像进行分析，然后用语言对图像中的信息进行描述。

在此之前，其实已经有可以识别人脸的软件算法，但是斯坦福大学的系统可以识别出图像中的场景，比如两个人在公园里玩飞盘等。

神经网络很快被另一种被称为“基于知识”的技术所取代了。理解这种“基于知识”的人工智能最简单的方法就是弄明白信息和知识的区别。

和早期电脑能够做的事情相比，机器今天确实可以识别语音、人脸、图像乃至场景，识别一只猫确实让人印象深刻。大部分这些进步其实都是围绕“识别”做文章，也大都发生在神经网络领域。

神经网络的局限性是，它背后是“模式匹配”的运作原理，真正的含义还是“识别”，这意味着要很好地利用基于神经网络的深度学习技术，你需要把你所有的问题转换成一个“识别”问题。

神经网络用的是数据统计方法，只有已经具备了很多案例，然后再“猜”下一个案例时才能良好运行。统计的方法能产生一个合理的结果，但它永远不知道为什么。

人工神经网络的应用也是如此：计算机可能会找到正确的答案，但它不知道为什么。翻译软件可能会正确地将英文翻译成中文，但它仍然不懂英文，也不懂中文。

也就是说，我们可以教会神经网络识别很多东西，却无法教会它们理解这些东西的含义，更谈不上让机器具有人类敏锐的洞察力。

比如，机器可以识别出“有人在商店里拿了一件东西”，但他们什么时候可以识别出“有人从商店里偷了一件东西”？

但人类可以通过看同样的照片分辨出小偷在商店拿东西和顾客正常购物的区别，这种能力我们根本无法训练人工神经网络来实现。

谷歌AlphaGo确实战胜了人类围棋冠军，但是AlphaGo需要消耗440 000瓦特的计算能量。即便如此，除了会下围棋，AlphaGo还会做什么呢？

相比之下，人类大脑将惊人的计算能量装入一个狭窄的空间，只使用了20瓦特的能量，而且，人类的大脑还能做其他数不清的事情。

如果有人能使用20瓦特的能量制造出一个能同时做两件事的机器人，我才真的觉得了不起，才是不可思议的大进步。

靠搜索引擎基本上就可以找到大部分问题的答案，简单到人们已经不用思考，不需要有多少创意。

然而还有常识问题，我们日常做的大部分事情都是不经过思考的，天热了就少穿点衣服，下雨了就拿起雨伞，在别人伤心的时候说安慰的话，在别人开心的时候微笑等，很多认知和行为都已潜移默化为常识的一部分。

而很多动物行为能把人逗笑恰恰是因为它们缺乏常识，比如小猫对着镜子里的自己又抓又咬等。但是，要将这种我们人类看来是小孩子都知道的事情教给机器，是难之又难的。

关于第二条，技术进步在不断加速。这是奇点理论很关键的一个支撑点。当今的各种技术进步如此之快，且还在不断加速，机器会越来越智能和强大。果真如此吗？

我们过去就已经有比今天更令人震惊的技术进步了。1880~1915年，汽车、飞机、电话、收音机、录音机以及电影逐一被发明出来。

突然之间，人们就可以“飞”了，就可以跟千里之外的朋友或家人说话了，人们可以用录音机欣赏已经逝世的歌手的音乐了……

这些对当时的人们来说，肯定像魔法一样神奇，其实这些发明都是在短短30多年里出现的。而同一时期，量子力学和相对论也相继问世。

技术发生了很多改变，但改变不等于进步。有时候一些看似重大的改变只是市场需求创造出的一些新时尚，或只是商业模式的改变而已，这些改变也许是“进步”，然而，它们主要只让少数几个大公司受益。

到底是谁的进步？真的是人类社会的技术进步吗？

对于自动驾驶，让人感慨的是，我们身处在一个社会学家们探讨媒体已经大大延伸了人们获得信息的范围的时代，结果却是，人们在车上装置了各种沟通、娱乐和电子商务等设施，汽车逐渐变成人们的第二个家，或者说生活的第二个中心。

人们越来越热衷于将自动驾驶和各种电子装备都配置到汽车上，未来是不是会发展为我们将80亿人都放到路上，甚至包括老人和小孩呢？

今天的大部分进步其实都源自过去的创意，今天能够实现主要是因为强大而便宜的计算能力。

我们一直在研发和改进能让机器人更好“识别”而不是“思考”的能力。这也是为什么机器人一直缺乏常识。

如今机器人的灵活性确实有了极大的进步，那是因为传感器和电子产品的价格一直在下降，人们可以将大量的传感器内置到机器人的“手臂”里，直到它们的机械“手臂”能跟人类一样灵巧。

关于第三条，技术将创造超人类智能。其实，超人类的智能早就已经存在了，我们周围比比皆是。蝙蝠能在黑暗里以极快的速度避开障碍物，鸟类被赋予了神奇的第六感，在寻找迁徙地和预知灾难时有不可思议的能力。

此外，我们身边的很多机器早就能做人类做不了的事情。最简单的例子比如钟表，一千年前就被发明了出来，一直都在做着“计时”这件人类无法完成的任务。

无论是自然界还是人造物，超人类智能早就出现了，不，是一直存在，那么这次的区别在于哪里呢？我们总是认为自己的大脑是最强大、最聪明、最智能的，实际上每种动物都有特别擅长的领域，我们的不同又在何处呢？

关于第四条，人类可以从比我们更聪明的机器中获益。比如可以由此达到永生。其实相比起机器智能的进化，我们更需要考虑和警惕的或许是人类智能的退化。

人类一直引以为豪的就是自己制造和利用工具的能力，人类在享受技术和工具带来的便利同时，也似乎一直在让自己变得退化、多余和愚蠢。

而我们制造的机器，并不是在努力学习和理解人类的语言，相反，是人类经常为了得到自动化的机器的支持，在学习和理解机器的语言，习惯了像个机器一样说话，大多数时候，我们甚至连话都不说。

关于第五条，通过图灵测试的机器至少像人类一样聪明。其实，图灵测试的定义依然是含糊的，我们需要有更好的方法来衡量机器的智能。

奇点是否将至，留待事实验证。技术对于人类来说，一直是合作伙伴而不是替代品，每一种新技术都会给人类创造更好的工作，希望，人工智能亦是如此。