AI決策浪潮背后

文/黑爪

AI決策浪潮背后

文/黑爪

基于概率模型的人工智能技術(shù)，在具體案例的決策、判斷中存在不足，可能會造成巨大的決策風險。

人類自古就在夢想，要制造出會思考的機器。這個愿望至少可以追溯到古希臘時代，傳說中的皮格馬利翁、代達洛斯、赫菲斯托斯都被賦予了傳奇發(fā)明家的形象，經(jīng)他們之手而誕生的葛拉蒂雅、塔羅斯、潘多拉，也許便是出現(xiàn)在人類敘述中最早的人工智能。

今天，人工智能已經(jīng)真實地活躍在眾多的應用和研究領(lǐng)域。但它不是魔術(shù)，也不創(chuàng)造奇跡。讓我們透過喧囂，回顧一下人工智能的前世今生，借此看清它究竟是什么，現(xiàn)在能作什么，未來能作什么。

早期的人工智能，迅捷地攻占了一些對人類大腦而言相對困難，而對計算機來說則顯得直截了當?shù)膯栴}，換句話說，那些可以用一系列數(shù)學規(guī)則所描述的問題。

但人工智能所面臨的真正挑戰(zhàn)卻恰恰相反。我們希望它能替代我們的，有更多的是人類很容易執(zhí)行，卻非常難以用規(guī)則來描述的任務(wù)，那些我們通過直覺來解決的問題。例如，聽懂別人說話，或者在一幅圖片里找到人臉。

第一波浪潮：難以理解現(xiàn)實的專家系統(tǒng)

人工智能的第一次技術(shù)發(fā)展，是基于人類專家知識的人工智能。人工智能專家提取特定領(lǐng)域的知識，將其轉(zhuǎn)換成可輸入計算機的規(guī)則，以及遵循不同規(guī)則帶來的不同后果。計算機繼而運用邏輯推理來“懂得”這些采用正規(guī)語言所描述的說明。

這個技術(shù)可以用于日程安排，棋類游戲（例如IBM戰(zhàn)勝國際象棋大師卡斯帕羅夫的超級計算機深藍），或者替人報稅等，有非常明確而具體的條件，執(zhí)行明確的任務(wù)。對現(xiàn)實世界進行認知，則是第一波人工智能的短板。此外，它不具備自我訓練和提高的能力，這恰恰又是作為智能體的一個要素。那期間有個著名的項目叫作Cyc，由推理引擎加數(shù)據(jù)庫組成。人們希望這樣的一套系統(tǒng)，可以利用足夠的復雜度，來精確地描述現(xiàn)實世界。然而Cyc讓人失望了。例如，它試圖去讀一個故事，故事里有個人叫弗雷德，每天早上會刮胡子。然而它的推理引擎檢測到了故事中有一處前后矛盾：它知道人的身上沒有電動部件，可是每當弗雷德剃須時手里拿著電動剃須刀，于是它相信這個“剃須時的弗雷德”身上包含了電動部件，因此它問，弗雷德剃須時還是不是人。

這是仰仗硬編碼知識的智能系統(tǒng)，也就是第一波人工智能所面臨的一個經(jīng)典困難。它說明人工智能系統(tǒng)需要具備通過從元數(shù)據(jù)中提取規(guī)律來自主獲取知識的能力，這就是我們今天說的機器學習。

但這并不意味著第一波技術(shù)對于今天毫無意義，去年美國國防高研署（DARPA）成功完成了一項數(shù)字安全測試，便是基于第一波人工智能技術(shù)的應用。孤立的技術(shù)，在外部環(huán)境（硬件、數(shù)據(jù)量、配套技術(shù)）不成熟的情況下，可以作的另一件事，就是等待。

第二波浪潮：個體精度欠缺的機器學習系統(tǒng)

第二波人工智能出現(xiàn)的最好例子，也出自美國國防高研署。他們在2004到2005年兩年間鼓勵并組織業(yè)界進行了大量的自駕車研究，并推出一個挑戰(zhàn)賽，看誰的自駕車能在加利福尼亞和內(nèi)華達的沙漠里跑150英里。結(jié)果，2004年那一屆，沒有一輛車跑完，事實上沒有一輛車跑過了8英里。原因是這些自駕車的視覺系統(tǒng)分辨不出遠處的黑色物體，究竟是陰影還是石塊，“我”是應該避開呢，還是應該碾過去。因此它們大多在這個問題上翻了船。到了2005年這一屆，情況一下子大不一樣，有5輛車跑完了全程。

造成這個差別的原因，正是他們大多開始使用機器學習的技術(shù)，運用概率方法來處理信息。這就是人工智能技術(shù)的第二波。

表1 第二波人工智能工作原理

這一波的特點是統(tǒng)計學習。它在語音識別，人臉識別等應用領(lǐng)域作得非常成功。人們常常會說，計算機“就是”會學習啊。但事實真的不是你以為的那樣“就是”，若沒有背后強大的，將現(xiàn)實問題用統(tǒng)計數(shù)學模型來描述的支撐，它便“就是”不會學習。

我們現(xiàn)在看見的、談?wù)摰?，并且真正應用到商業(yè)領(lǐng)域的，大多是此處描述的第二波人工智能技術(shù)。撇開它鋪天蓋地的輿論影響，真正被有效利用的類型極其有限。近來幾乎所有的人工智能進展都只是一種，那就是輸入數(shù)據(jù)（A），迅速產(chǎn)生簡單響應（B），如表 1所示。

就這么簡單地輸入A，輸出B，已經(jīng)足夠改變許多行業(yè)了。然而“A→B”與科幻小說向我們許諾的有感知的機器人，畢竟相去甚遠，人類的智力更是遠非“A→B ”所能相比。為什么這么說？例如有一張拿著牙刷的小男孩圖片，被人工智能識別為，一個拿著棒球棍的小男孩。

這讓我們發(fā)笑，因為我們?nèi)祟惤^不會這樣說。從這個例子可以看出，第二波技術(shù)在大量的工作中一次又一次地讓我們嘆服，但也會忽然間爆出這種笑料來。它所反映出來的一個結(jié)論則是，第二波人工智能在統(tǒng)計學范疇表現(xiàn)出色，但個體樣例不可靠。而這種個案的不可靠，若是發(fā)生在金融領(lǐng)域，就是災難性的。

將“A→B”放到具體的商業(yè)環(huán)境下意味著什么？前百度首席科學家吳恩達教授用這樣一句話來解釋：一個正常普通人能夠用少于一秒鐘的思考所完成的任務(wù)，都可以通過人工智能來實現(xiàn)。

第三波浪潮：初現(xiàn)成效的語境適應系統(tǒng)

借用美國國防高研署對第三波的定義，那就是“語境適應”。第三波的系統(tǒng)，會逐漸建造出“有意義”的模型用以描繪現(xiàn)實世界的現(xiàn)象。

舉個例子，讓第二波系統(tǒng)來甄別一張貓的圖片不是問題，但如果你問它，為什么你認為它是一只貓呢？它的答案肯定是：“經(jīng)過大量的計算，結(jié)果顯示貓位居榜首。”這個答案顯然并不能令人滿意，我們希望它說，當然是貓了，你看它有耳朵，有爪子，有毛，以及各種把貓與其他東西區(qū)分開來的特征呢。具備了這種知道“為什么”的能力的第三波系統(tǒng)，便絕不會在把前面提到的圖片標注為“拿棒球棍的小男孩”。

第二波系統(tǒng)對數(shù)據(jù)的依賴，幾乎達到“喪心病狂”的地步，這也是吳恩達為什么說，當今的人工智能企業(yè)要成功，最重要的一是數(shù)據(jù)，二是人才。比如你要教會一個系統(tǒng)識別一個手寫的數(shù)字，大概需要交給它5萬甚至10萬個例子，才能保證基本不出錯，設(shè)想如果你教一個小孩識字，每一個字要教5萬到10萬次是什么情景。

因此，第三波基于“語境”模型系統(tǒng)的到來便成為一件自然而然的事。

IBM的辯論機器人從海量的辯論文本中學習提取有說服力的論點，谷歌剛剛推出的“觀點接口”用以在社交媒體上辨別惡意評論，都是較為成功的應用嘗試。從前面的分析可以看出，第一波人工智能，基于嚴格的問題定義（硬編碼）而獲得了較強的推理能力，略有認知，卻完全欠缺學習和抽象能力。第二波人工智能建立在統(tǒng)計模型基礎(chǔ)上，能夠進行精準分類和預測，其認知和學習能力有了長足進步，卻喪失了第一波技術(shù)的推理能力，同時抽象能力依然十分不足。第三波人工智能，理論上可以粗略理解為前兩波的取長補短，然而并非把二者相加那樣簡單?；诮y(tǒng)計模型的學習和基于嚴格問題定義的專家系統(tǒng)，同時存在于同一個智能系統(tǒng)這個目標，還有大量需要克服的技術(shù)實現(xiàn)以及成本問題。越仰仗人類直覺、感知的問題，對機器的挑戰(zhàn)越大。去年圣誕期間，一輛優(yōu)步無人車在舊金山當代藝術(shù)博物館門前闖紅燈的事故，就是一例。

是不是泡沫？

答案很堅決，不是。那怎樣解釋反復出現(xiàn)的漲潮退潮呢？又得回頭看歷史，這一次我們單獨回顧一下目前最主流的“深度學習”技術(shù)的歷史。

深度學習的變遷深度學習經(jīng)歷了漫長而豐富的歷史，跌宕起伏的熱度，也被叫過不同的名字，每一個名字都反映了特定年代下的視角和觀點。

今天深度學習在很多人眼里是一個令人振奮的新技術(shù)，而事實上，它的歷史可以回溯到20世紀40年代。它之所以看上去新，僅僅是因為它在近幾年的這股熱潮之前不被人看好，也因為它經(jīng)歷了許多不同的名字，直到最近，才定下來被叫作“深度學習”。

最早的學習算法很多是生物學習的計算模型，所以它曾經(jīng)叫作人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs），是實實在在基于生物大腦的啟發(fā)為基礎(chǔ)的學習系統(tǒng)。所以那個階段的“學習”概念比今天的更寬泛。

對今天的深度學習而言，神經(jīng)科學僅僅被當作啟發(fā)和參照，已經(jīng)不再是這個領(lǐng)域的主導指南。因為如今的科學對大腦的認識依然非常有限，遠不能給人工智能提供足夠的信息來進行模擬。而媒體對輿論的誤導往往正源于此，它們通常會將深度學習與生物大腦聯(lián)系在一起。理解了現(xiàn)代深度學習技術(shù)除了從大腦獲得靈感外，它的技術(shù)體系還架構(gòu)在大量對線性代數(shù)、概率、博弈理論、以及數(shù)字優(yōu)化的基礎(chǔ)之上這一點，也許將不再會被輿論所帶來的威脅論嚇倒。當然，也不會對人工智能正在帶來的顛覆視而不見。

到了80年代，伴隨著認知科學的興起，神經(jīng)網(wǎng)絡(luò)又熱過一次，被稱作符號推理。這期間值得一提的是一種叫聯(lián)結(jié)主義的觀點——大量可以進行簡單計算的單元聯(lián)結(jié)在一起，能夠執(zhí)行智能任務(wù)。這個潮流持續(xù)到90年代中期而終止，它的“遺產(chǎn)”到了今天，在包括谷歌在內(nèi)的很多項目中仍然得到廣泛的應用。

這一波原本非常有價值的研究之所以戛然而止，很大程度上是因為那些開展這項研究的公司在尋求投資時夸大其詞，而結(jié)果并未能達到浮夸的預期，導致了投資者失望。

人工智能行業(yè)有一個眾所周知的事實，許多自20世紀80年代起就存在的算法如今表現(xiàn)優(yōu)秀，但它們的優(yōu)秀在大約2006年之前并不明顯，原因恐怕只能用硬件開銷來解釋。當今強大而廉價的計算能力、存儲能力彌補了超前優(yōu)秀算法的時代鴻溝。

大數(shù)據(jù)讓人工智能從“藝術(shù)”變?yōu)椤凹夹g(shù)”深度學習早在50年代就出現(xiàn)了，為什么到了最近才忽然重要起來？這是一種隨機出現(xiàn)的狂熱和泡沫嗎？

其實從90年代起，它就有過不少成功的商業(yè)應用，但人們更多地視之為“藝術(shù)”而不是“技術(shù)”。不可否認，提升深度學習算法的性能需要一些技巧，但幸運的是，技巧的需求與訓練數(shù)據(jù)的尺寸之間是反比關(guān)系，隨著數(shù)據(jù)量的猛增，對技巧的需求也隨之降低。

今天的學習算法在一些復雜任務(wù)的執(zhí)行能力上達到人類的水平，但這些算法本身與80年代用來解決一些小兒科問題都十分掙扎的算法幾乎一模一樣。帶來巨變的無疑是今天的海量數(shù)據(jù)。這些海量的數(shù)據(jù)來自高度聯(lián)網(wǎng)的計算機，來自全社會生活的數(shù)字化，人們的每一個行為，甚至每一個步驟都被數(shù)字化后記錄了下來，這是“大數(shù)據(jù)”年代給機器學習領(lǐng)域的大禮。

人工智能商業(yè)時代需要什么

理解了眼下的人工智能所能做和不能做的，下一步便需要企業(yè)家們將這一理解貫徹到企業(yè)的策略之中，這意味著，理解價值在哪個環(huán)節(jié)產(chǎn)生，什么是難以復制的。人工智能行業(yè)是一個非常開放的領(lǐng)域，幾乎所有的頂級研究人員都沒有保留地在發(fā)表最新成果，分享經(jīng)驗、想法以至開放源代碼。在這個開源的世界里，如下資源因而變得極其寶貴：

數(shù)據(jù)頂尖的人工智能團隊要復制別人的軟件，大多數(shù)不會超過一到兩年就能做到。但是要獲得別人的數(shù)據(jù)卻難于上青天。因此，數(shù)據(jù)而不是軟件，是許多企業(yè)的防御堡壘。

人才簡單的下載，再把開源代碼應用到你的數(shù)據(jù)上，通常很難奏效。人工智能要求對你的商業(yè)環(huán)境和數(shù)據(jù)進行量身定制，這正是眼下硝煙彌漫的人工智能人才戰(zhàn)的起因。

至于人工智能模仿人性善惡兩極的潛能，已經(jīng)有許多的討論。然而它對于每一個個體，在未來可見時間里的最大威脅，可能還是對一部分人力工種的取代。致力于建造一個讓每一個個體都有繁榮機會的世界，是作為企業(yè)領(lǐng)袖的責任。理解人工智能可以做什么，并將它運用到企業(yè)策略中只是一個開始，而不是結(jié)束。