AI和芒格的距离——读《穷查理宝典》和《情感机器》

人工智能飞速发展，阿法尔狗在围棋上战胜了人类，接下来会是什么？在投资方面，能很快出现战胜芒格的AI算法吗？主要技术困难在哪里？现有的人工智能算法与人脑思维相比，谁更聪明？或者说各自的优缺点是什么？未来会如何发展？这些发展对脑科学和金融学意味着什么？

这些都是很大的问题，我没有野心提供答案。本文的主旨是分享我这段时间围绕相关问题进行的学习和思考，尝试预测未来有趣的发展方向，并提出“以教为学”的认知理论假说。除了满足我理顺思路和夸夸其谈的乐趣，希望可以为你反思自己的思维方式带来一些启示，变得更聪明！

AI与人脑谁更聪明？

好吧，这个标题只是为了吸引眼球。更有意义的问题是：现有的人工智能算法与人脑思维相比，有什么本质的差别？各自有什么优缺点？正如明斯基在《情感机器》中提到的：

“人类解决问题的最有效的方法并非建立在大范围搜索的基础之上，而是基于如何使用大量的常识性知识来“分割和克服”人们面对的问题。”

人工智能：运算速度快，主要靠穷举搜索、比较试错（trial and error），擅长单一目标预测。

人脑：速度远没电脑快，但会用人类特有的直觉（heuristics）和常识（common sense）分割问题和猜测，擅长利用因果关系多元综合推断。

阿法尔狗的算法固然厉害，其应用范围却有限，算法原理也与人脑思维相差甚远。这些算法用于类似围棋这种相对标准化的问题威力惊人，但在其他一些人类可以轻松完成的任务上（比如人脸识别、身体移动等），却步履蹒跚。在我看来，还原人类思维过程的研究至少有以下三方面的意义。

人工智能算法不受情感和情绪因素影响，能帮助消除部分人类认知偏差。但我们需要知道具体哪些认知偏差可以通过机器算法替代来消除，研究具体思维过程必不可少。芒格在《穷查理宝典》中列举了人类容易误判的心理学倾向清单，也许可以成为该问题的入门读物。

现有的人工智能算法和人类的思维方法仍然存在很多差别，也就是说还有一些人类思维过程不能被准确地还原。而如果要实现终极人工智能（机器能完成大部分甚至全部人类能完成的任务），进一步解读人类思维必不可少。明斯基在《情感机器》中列举了人类的19大思维方式，这是一个大开脑洞的清单，很显然清单上的许多思维方式仍是人工智能研究前沿试图破解的对象。

最后，准确还原人类思维过程，并与人工智能算法进行比较，能帮助我们反思这些思维方式的有效性，从而改进自己的思维方式，并考虑如何与不同的人工智能算法相结合，以期变得越来越聪明！

以上列举的充满诱惑的研究方向，已经有许多也许是这个世界上最聪明的脑袋在积极研究，至少在我接触到的脑科学领域和经济学领域都是如此。对于其技术细节，我现在没有足够的知识储备详述，所以只能从我能理解的层面描述，如果有讲错的地方，还请大家指正。

人类优于（现有）AI的直觉何在？

芒格提的跨学科多元思维模型，和明斯基分析的人类多层次思维模式，在我看来有异曲同工之妙。芒格的总结更贴近现实、简单易懂，而明斯基的理论更开脑洞、极具学术价值。这两本书激发了我对认知科学的兴趣，让我意识到人的思维有很多个层次，必须通过不停地反思和验证才能挖掘出来。这个过程就像是心理学提到的认识自我的自省过程，能帮你踏上“少有人走的路”，发现思维的奥秘。

我先举两个简单的例子，尝试讲清楚有用直觉和思维层次的问题。人脸识别是人工智能和脑科学的一个热门领域。科学家发现人脑有个专门识别人脸的区域，因此大部分人识别人脸都比识别其他物体更擅长。然而计算机识别人脸却困难重重，通过图片像素识别的方式显然和人脑的运作方式有着本质的区别。比如说，对于你认识的某个朋友，不管是看到她的正面还是侧脸、她的发型是否变化、她是抬头还是低头，你通常都能轻易地识别出来。而对于靠像素识别的计算机，只要图片换个立体角度，可能就迷失了。

那么人脑是怎么运作的呢？通过研究人脑的认知过程，专家认为人脑会依据经验常识在脑中形成人脸的立体模型，包括其平面投射的各种可能性，以便随时预测并比较检验视觉中枢形成的图像，从而做出判断。他们据此提出一种因果推理的新模型（probabilistic programs），并成功用计算机模拟了与人脑识别方式类似的结果。MITOCW网络课程中的2015夏令营系列有Josh Tenenbaum教授的精彩讲解。

如果不是人类试图让计算机识别人脸，大概也很难意识到人脑原来有这样的“超级功能”。有很多学生都有过怀疑自己数学能力的时刻，却不曾想婴儿可能就已经具有这种神奇的概率因果推理能力，才能成功地识别各种人脸。也就是说，我们的大脑顺利完成的很多任务，我们都过于习以为常，却知其然而不知其所以然。类似的例子还有人脑顺利避开障碍物自由移动身体的能力。专家将从这种能力的认知模式中找到解决困难重重的自动驾驶问题的算法。

“以教为学”为何有效？

学习的过程也跟认知过程的隐秘性和复杂性一样，如果没有认真反思是察觉不到的。而“以教为学”的过程使反思变得更加触手可及，还能从其他样本中吸取经验，是个事半功倍的学习方法。反思可以帮你纠正以前作为初学者的一些错误认知导致的因果关系误判或者因果关系缺失，让知识系统化，从而拓展新的认识，产生新的创意。

举个例子，新兴学科中经常存在有争议的概念，在初学的时候，为了避免问题复杂化，通常会从最常用的定义学起。而习惯之后就容易形成惯性思维，而忽略了一些对外行人来说反而显而易见的问题。学习了十几年金融学，听到“风险”这个词我就会很自然地想到标准差——总风险的常用量化方法。如果不是我需要把这一概念教给学生，我也许不会因此了解到巴菲特对风险完全不同的定义，并重新思考这一有趣的问题。我发现这些基本概念有可能改变你对一系列事件的看法，迫使你重塑自己的世界观，对知识心存更多的敬畏和好奇。

就像玩超级玛丽一样，作为新手你乱蹦乱跳，不小心撞到了隐藏的彩蛋，空中平白出现一块砖，长出一个大蘑菇让你吃。你以为是三大跳的模式触发了机关，于是在接下来的时间里不停地重复着三大跳的尝试，以求下一次好运的降临。要不是你教另一个新手的时候他没按你的指示却也撞到了机关，让你重新考证三大跳的必要性，也许你就一直留着错误的知识。

另外，“以教为学”的反思还能帮你“偷窥”别人的认知偏差，补齐芒格的心理学误判清单和思维模型清单。刚开始给学生讲题的时候，碰到思维方式不一致的学生，我总会要求他认真听取我的思路，不要钻牛角尖。不过后来我试着认真倾听他的思路，努力理解并找出中间有问题的步骤。我发现这个办法不仅是沟通顺畅了很多，还帮我补齐了不少思维的漏洞。也是这种新思路让我开始对认知科学感兴趣，越来越关注有效的思维方法。

当然，不要把“以教为学”狭隘地理解为必须存在教授的对象。写读书笔记本身也是一种“以教为学”，把别人的知识转化为自己的。所以，本文也算是“以教为学”的一种反思。在写作的过程中，我发现了很多我没有掌握扎实的部分，或删或改来回折腾了好多次，也因此重新翻阅书籍材料，温故而知新。至于你是否阅读并有收获，都已是副产品而已。希望你也能养成写读书笔记的好习惯！