我們要的是人一樣的機器，你們卻發(fā)明了更精準的廣告投放？

前一陣子，特斯拉的總裁馬斯克、物理學家霍金突然發(fā)聲，要大家警惕超級人工智能。這件事多少有點奇怪。對人工智能的恐懼感大眾并不陌生，已經(jīng)有一大堆科幻電影靠著這種情緒賺得大筆票房了。可這一次，一個是世界上最知名的企業(yè)家（可能沒有之一），一個是在世的最知名的科學家，兩位都是媒體關(guān)注的焦點，他們說要警惕，事情似乎非同小可？

并沒有。盡管大家都喜歡《終結(jié)者》之類的電影，可真要讓我們在平時關(guān)注一下看不見摸不著的東西，反而是件難事。而且，霍金不是不久前還說要大家小心地外生物嗎？對于這些事情，我們更多抱以微笑：老爺子醒醒吧。我們盡管看不懂你的那些理論，但還是非常尊敬你的，喊狼來了就不好了。

但是還有另外一些事情同時發(fā)生：就在最近這幾年，人工智能和它的交叉學科如機器學習、計算機視覺、自然語言處理等等，出現(xiàn)了不少驚艷的產(chǎn)品，也誕生了許多家估值甚高的創(chuàng)業(yè)公司。

有一些我們已經(jīng)體驗過了：Google的照片應(yīng)用不僅能根據(jù)拍攝信息自動將我們的照片分類，還能分辨出圖像中的動物是貓還是狗；無人駕駛汽車已經(jīng)在美國很多公路上實驗性地馳騁；利用深度學習，各家公司正在更精準地投放廣告；IBM的沃森登上了美國版“開心辭典”，在智力問答中擊敗了之前衛(wèi)冕時間最長的人類冠軍；微軟的翻譯系統(tǒng)已經(jīng)能做到實時翻譯，通話時對方的西班牙語傳到你的電腦時已經(jīng)變成了翻譯好的英語。

我們甚至有點習以為常了，甚至覺得有些技術(shù)本應(yīng)如此。但其實，這里舉出的各種技術(shù)都是最近十年內(nèi)從不可用、難用變得可用的?？萍己屯顿Y領(lǐng)域盯上這塊下一個爆點已經(jīng)很久了。

然而說來也怪，這些進展和之前提到的超級人工智能好像不是一回事啊？電影里的超級人工智能，不是應(yīng)該閃爍著一簇邪惡的紅色眼睛，不，發(fā)光二極管，用奇怪的金屬音說話，除了毀滅人類沒有其他事情可做嗎？或者，那些溫柔的機器人不是既能夠理解人類，又學會了愛與幽默感？我們要的是人一樣的機器，你們卻發(fā)明了更精準的廣告投放？

翻開《人工智能》的教材我們就會發(fā)現(xiàn)，公眾對于這個字眼的理解，向來和教科書差距不小。教材中最大篇幅介紹的，往往是讓計算機求解一個問題，其次關(guān)注的，有讓計算機理解自然語言、推理、知識表示等；相關(guān)的，也有希望通過計算機制造一個神經(jīng)系統(tǒng)；還有另外一派，通過統(tǒng)計方法，讓計算機完成各種任務(wù)。這些充滿術(shù)語的大部頭教材，怎么看都和電影里的人工智能不沾邊。然而如果了解一點背景和技術(shù)，又會發(fā)現(xiàn)很多事情是今天這個樣子，實在是順理成章的。

這要從上世紀五十年代年說起。1956年，一群年輕教授和工程師收到約翰·麥卡錫等人的邀請，齊聚達特茅斯大學，召開一個會議。他們有著共同的學術(shù)興趣，都在關(guān)注計算機能否思考這個話題，然而對于什么是思考、什么是智能，卻沒有統(tǒng)一意見。本來，大家對當時的學術(shù)進展也都很了解，并不指望在會上看到什么重大突破（也確實沒有），但這次會議把后來這個領(lǐng)域大牛們第一次聚集在了一起。就是在這次會議上，大家決定，把相關(guān)的研究單獨列出來稱之為“人工智能”。會上，西蒙和紐厄爾展示了邏輯理論家，一個能夠自動證明數(shù)學定理的程序；馬文·明斯基帶來了神經(jīng)網(wǎng)絡(luò)模擬器；麥卡錫本人則演示了自動下象棋的程序。這次大會不久之后，麥卡錫的團隊實現(xiàn)了一種人工智能研究常用的計算機語言Lisp。這十年，是人工智能奠基的十年。

我們在這里可以一窺人工智能領(lǐng)域后續(xù)的發(fā)展方向：一是創(chuàng)造像Lisp這樣的工具，有了工具并不能讓計算機產(chǎn)生智能，但很多工具影響深遠，起作用的遠超人工智能領(lǐng)域；二是構(gòu)建神經(jīng)網(wǎng)絡(luò)，我們已經(jīng)知道人腦由神經(jīng)細胞構(gòu)成，如果能夠構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，就能實現(xiàn)一定的功能，如果能更進一步，興許能制造出像人腦一樣復(fù)雜的機器；三是研究計算機的推理運算、問題解決和知識表達。學者們認為，人腦在處理信息時無非也是利用已經(jīng)具有的知識、通過運算來解決問題，如果計算機能夠做到這些，就可以說計算機具有智能。

整個六七十年代，人工智能的研究主要圍繞的是第三點。這種取向有著深厚的背景，在人工智能這個詞還不存在的年代，已經(jīng)有無數(shù)學者曾思考思維的本質(zhì)，他們把思維抽象為運算，而如果能夠讓機器學會這種運算，我們自然就得到了智能。

不僅因為這種研究的觀念和我們對思維的看法最接近，也因此它是最容易上手的。五十年代的時候就已經(jīng)有了自動證明數(shù)學定理的工具，之后又誕生了各種有一定運算能力的程序或者機器。最后還有一點，那就是冷戰(zhàn)背景下，政府和軍方的巨額投資。當時，他們認為，人工智能可能產(chǎn)生重大的科技突破。想想看，如果有永不疲倦的雷達員檢測敵人，如果有不需眼睛和手的翻譯官將俄文資料翻譯成英文……這真是誘人的前景。當然，研究神經(jīng)網(wǎng)絡(luò)的學者也沒有止步不前，他們實現(xiàn)了一些更復(fù)雜的模型。只不過，他們選擇了一條窄門，突破更難取得。

事情很快起了大反轉(zhuǎn)。到七十年代末的時候，已經(jīng)苦等十余年的投資人開始抱怨，為什么那些神奇的機器還是沒有發(fā)明出來？為什么所謂的智能只會推理數(shù)學，而一些小孩就能做出的判斷計算機卻怎么也做不出來？不多久，政府大幅縮減了人工智能研究的預(yù)算。

人工智能迎來了一次低潮。而另一種方法卻正在暗中生長。我們現(xiàn)在稱呼這種方法為機器學習，盡管它和我們平時用的“學習”這個字眼并不那么接近。機器學習的方法看起來徹底放棄了讓計算機去表達知識之類的想法。既然計算機最強的能力莫過于高速計算，那么索性讓它在自己的長項上發(fā)揮吧。機器學習的專家不那么在乎計算機表現(xiàn)的是不是智能，他們設(shè)計、實驗各種精妙的算法，讓計算機可以解決特定的任務(wù)。到了八十年代，很多領(lǐng)域都迎來了突破。我們有了最初的自動駕駛，能夠用計算機給圖片做分類，能夠讓計算機和人類世界冠軍下棋。實現(xiàn)這些的辦法，和過去我們渴望的人工智能并不完全一致，然而卻在效果上大獲成功。

幾乎同時，研究運算與知識的方法效果不佳，但神經(jīng)網(wǎng)絡(luò)的研究卻興盛了起來。一些學者自稱聯(lián)接主義者。他們的思想來自六十年代?？涩F(xiàn)在有了更好的計算機、更好的實現(xiàn)方法，也對神經(jīng)有了更多了解。他們索性就不去考慮意識啊、思維啊是什么這些大問題，而是把精力放在構(gòu)建神經(jīng)網(wǎng)路的模擬上。很多人不同意他們的思考方式，但是大家對于建造一個模擬的大腦還是很有興趣的。

最近幾年，一個叫做“藍腦計劃”的項目被很多媒體報道。這個計劃已經(jīng)利用超級計算機模擬了一個大腦，復(fù)雜度大概相當于貓的大腦。我們僅通過這個計劃，大概也能判斷這種方法前景巨大——想想看，如果能模擬一個人類大腦的話會怎么樣？當然，你也能猜到這有多難。歷經(jīng)數(shù)年時間、投入大量金錢之后，目前我們只得到了一個貓腦。

最終勝利的似乎是機器學習的方法，這種我們對智能理解差異最大的方法。如今，流行的機器翻譯、語音識別、自動駕駛、圖像識別、打擊網(wǎng)絡(luò)犯罪乃至反恐……機器學習已經(jīng)全面開花，與其相關(guān)的詞還成了行業(yè)甚至全民熱詞，比如數(shù)據(jù)挖掘、數(shù)據(jù)科學家、大數(shù)據(jù)等。一些持傳統(tǒng)觀點的人工智能研究者實在沒法同意，計算機表現(xiàn)的這些能力是一種智能。然而機器學習解決問題的效果實在是好。

那么，這就是超級人工智能的雛形了？自八十年代以來，計算機的能力提升了那么多，很多實驗性的研究已經(jīng)成了我們每天使用的工具。然而如今，我們還是造不出能兩腿行走的機器人，計算機很難分辨扭曲的字母或面孔，對于人類的常識也很難理解，能夠做出判斷的專家系統(tǒng)一般只局限于少數(shù)專業(yè)領(lǐng)域?？傊?，許多一個人類小孩就能勝任的工作，依然是計算機所不擅長的。計算機的能力如此強大，但似乎又和我們想象的智能不是一回事。于是問題來了，超級人工智能的威脅在哪里？

答案也許要分兩部分。第一部分是我們的心理因素。畢竟，人類是我們已知的唯一智能生物，我們對智能的所有了解其實都來自我們自身。我們對地外生命和人工智能總有著強烈的好奇與恐懼，是因為我們從來不知道和我們不盡相同的智能生命是什么樣的，它們又會有什么樣的情緒和態(tài)度。

在人工智能作為一個學科誕生之前，數(shù)學家圖靈就堅信機器可以有智能。他設(shè)計了一個判斷機器是否有智能的圖靈測試：一個人向屋子里的機器提問，如果后者回答一系列問題后人類仍然無法判斷它是人還是機器，那么這個機器就具有了智能。這是一個簡單粗暴又無比高明的方法，避開了什么是智能的種種爭論。然而，這種測試得到的不僅是一臺有智能的機器，還是像人一樣的機器。我們對這種機器如此的好奇又恐懼，這種情緒，將伴隨未來所有研究。

另一部分答案在于我們?nèi)缃竦某晒?。盡管我們都承認現(xiàn)在計算機能做到的種種事情和人的智能還不一樣。但是“不一樣”和“有差距”是兩個概念。許多領(lǐng)域，計算機都表現(xiàn)出了比人更好的能力。想想看，盡管“他們”沒法做到一些對于我們來說很簡單的任務(wù)，但“他們”可不是只有劣勢。我們還不知道這條路通向何方。

不過先壓壓驚，至少目前，人類將大量聰明的頭腦投入到了機器學習領(lǐng)域，最重要的事情就是幫助我們投放更精準的廣告。嗯，人類好樣的。