诺贝尔经济学奖得主：人工智能其实就是统计学 不算什么新技术

「人工智能其实就是统计学，只不过用了一个很华丽的辞藻，其实就是统计学。」8 月 11 日，2011 年诺贝尔经济学奖获得者 Thomas J. Sargent 在由厚益控股和《财经》杂志联合主办的世界科技创新论坛上表示。

从人脸识别到语音识别，从 Face ID 到智能音箱，人们逐渐习惯人工智能对生活带来的改变。但在 Sargent 看来，人工智能发展到今天，并没有脱离统计学的范畴，根本不算什么科学领域的新突破，甚至于人工智能的大多数技术的突破都是基于过去二三十年统计学的进步。

Sargent 曾因「对宏观经济中因果的实证研究」而获得 2011 年诺贝尔奖经济学奖，但他研究和精于的领域并不只是宏观经济，还包括许多前沿技术对经济发展的理论探究。

2017 年，Sargent 曾加盟北京大学汇丰商学院，组建「萨金特数量经济与金融研究所」。该研究所的主要研究方向除了数量经济学理论与应用方面的研究与教学外，还包括用大数据和云计算研究中国与世界各国的宏观经济、国际投资与贸易、能源环境经济等。

在世界科技创新论坛上，Sargent 匆匆几句对人工智能下了一个定义。为了让读者们更清晰地了解 Sargent 为什么将人工智能称为「统计学」上的东西，8 月 12 日，极客公园与 Thomas J. Sargent 展开了对话。对话中，除了人工智能，Sargent 还谈到了他对目前科技的发展的看法，对前沿技术的判断，以及对中美贸易战中关于科技知识产权的理解。

以下为极客公园与 Thomas J. Sargent 的对话内容，经极客公园整理：

GP：你说人工智能只是统计学的延伸，但有一种观点认为，通过大量的计算，机器可以像人一样聪明，甚至具备独立思维，你相信吗？

S：不。

GP：为什么？

S:我认为你绝对不能这么想。是的，你现在可以看到机器在一些事情上可以做得比人更好，但是有一些事情是人甚至是狗可以做得更好。了解我们擅长什么以及机器应该擅长什么是做人工智能的人想出来的。

我举个例子，有一个人工智能机器人呆在这个房间里，这时候有人上来试图绊倒我，或者倒些水在我身上，机器人距离理解这种行为还很远，因为我正在做的事情非常复杂。但人就不同了，我有神经传感器，我有皮肤，我可以感知这一切。想一下，你怎么让机器人准确的摸着我手的某个特定位置呢（意指如何让机器人帮他擦掉手上的水滴）？

我有做人工智能的朋友，我知道现在的人工智能机器人在要完成这样的任务非常困难。

计算机是非常擅长计算，它们可以非常快速地完成计算人算不了的东西，但最终必须由人来组织和分析这些计算。你甚至可以看一些非常成功的人工智能应用，它不仅是机器在「思考」，也是科学家在思考。甚至像 Alpha Go 的算法看上去是第一次出现，但其实有很多非常聪明的数学，并且是由人设置教学内容。人工智能是由机器和人分饰两角的，非常有趣。

GP：但是 Alpha Go 赢了人类，所以你如何看待人工智能领域近年来的变化？

S：在这个领域的确取得了太多太多的进步，正在解决很多以前的大问题。

但是我觉得这里面存在一个陷阱，我将它称为「纬度陷阱」。我们把问题写下来，然后针对这个想解决的问题提出了方程式。但是，再往深想一步，为了不断解决各种复杂的问题，我们也在把问题变得更大，我们要计算的数量也越变越大。

即使我们现在有非常强大的机器可以解决这些问题，但未来也会存在很多问题。另外，我们甚至没办法期待有机器来解决学到的新问题。所以人工智能更像是一条帮助工作的快捷方式，但这条路径需要很多聪明人的投入到基层运算中。

GP：所以你认为人工智能这种技术，其实是在浪费时间，没什么价值？

S：不不不，我不是说人工智能其实是在浪费时间。人工智能真的很有用，比如在我所在的领域，它能帮助我们更好地解决问题。当我说人工智能只是统计学的一个拓展时，我的意思是，虽然统计学是一个很棒的领域，但它并不是什么新的领域。

卡内基梅隆大学里有一个教授和我观点一样，他还出了一本叫做《wash man》（不确定）的书，里面有充分的数据证明。我其实就是继承了他的观点。如果你现在去学习人工智能的课程的话，你会发现所谓的人工智能不过是将不同的统计方法组合起来然后运行。

其实人工智能也和数学结合得非常紧密，比如，如果你去学习统计学你会发现它离不开数学底层的最小二乘回归法，这甚至是人工智能最基层的组成部分。

GP：那么，如果人工智能不算新的技术，你觉得哪些新技术更值得我们探索？

S：AI 是一个巨大的领域，它当然也会产生一些新的东西。但如果要我说有什么值得探索的技术的话，我认为是「区块链」。区块链使用了加密技术，使用信息理论编码和解码，加密信息并以可靠的方式共享信息。

区块链会带来巨大的进步。你看看现在都有谁参与到区块链发展的进程中？各种各样的人都在做，政府在做，情报机构在做，科学家也在关注它。当你观察这个领域的时候，你会发现，这不是统计学上的东西了，它要使用高水平的数学理论来对事物进行编码。在你的有生之年，你会看到这将是多么巨大的进步。当然，它可能很快就会取得突破，但也有可能要上好些年。