作者：皮埃罗・斯加鲁菲
这是非常值得读的一本书，会颠覆你对人工智能的理解。
感谢人民邮电的马玉伶老师赠了本书，收到一周了，在五一期间，一翻开这本书就爱不释手，一天时间就看完了。
这两年人工智能非常热，我也参加了几次人工智能的技术会议，了解了“图灵测试”、“语音识别”、“深度学习”、“神经网络”等概念，看了不少文章，也跟谷歌的朋友谈起AlphaGo的伟大。也研究了人工智能对教育、医疗等行业的影响。
但看了本书之后，按照书中的分析逻辑，发现我之前对人工智能的理解存在很多错误之处。
作者皮埃罗-斯加鲁非并未单纯就人工智能而谈人工智能，而是从人类学、社会学、市场营销、历史学、时尚、生物学等这些领域出发，讲明白了一个非常简单的道理，人工智能超越人类智能还有很远的距离，人类需要花费很长的时间才能到达“奇点”。皮埃罗-斯加鲁非在本书中一再强调：”我不害怕人工智能的到来，我害怕它来得不够快“。
实际上，能下棋赢过人类的AlphaGo的智能水平如果按耗费的功率来算，比人类智能差太远了。从深度学习来识别“视频中的猫”的效率来看，最先进的人工智能都比不上一只发育未齐全的猫。
奇点理论的两个阵营
奇点理论分为两个阵营，乐观派和悲观派，乐观派认为。机器最终会将人类带入永生，悲观派则认为机器会将人类带向毁灭。
至今，还未听说有人在这个问题上与大多数宗教人士是相同的观点，好人去天堂，坏人下地狱，显然奇点理论不会去区分好人和坏人，他要么会杀死所有人，要么就将每个人都带入永生。
【我的评论】奇点临近，到了之后到底会怎么样呢？带着这个理论继续来分析吧。我觉得机器带人进入永生的概率更大。
人工智能的两个派别
人工智能分为两个派别，第一个是知识学派，该派别倾向于智能已经达到数理逻辑的最高形式，将符号处理做为研究重点。随着计算机化处理能力的不断提高，知识可以用符号结构表示，推理也可以简化为符号表达式的处理。
最新的研究推动了知识库系统或专家系统的建立，这套系统由“推理引擎”融合了全球数学家所公认的合理性推理技术和专家库组成，在这项技术中，为了创造出专家的“克隆”系统，就必须从该领域专家那里汲取特定知识。
专家系统的局限性在于他们只在某个特定领域拥有智能的表现。
另一个是人工智能学派，采用截然不同的方法，从神经元和突触的物理层面模拟大脑的工作，认为可以通过对大脑结构的仿真设计来模拟大脑的工作原理。
神经学家坚信智能源自神经元之间的连接，而非单个的神经元。可以将大脑看作是相互连接的节点形成的网络。借助于上述连接，大脑活动的产生过程为：信息从感觉系统的神经细胞单向传递到处理这些感觉数据的神经细胞，并最终传递到控制动作的神经细胞，神经系统间连接的强度可以在0到无穷大之间变化。改变某些神经连接的强度，结果可能截然不同。换句话说，可以通过调整连接的强度，使相同的输入产生不同的输出，而对于那些设计神经网络人来说，问题在于连接的微调，能够使网络整体做出与输入相匹配的正确解释。例如，当出现一个苹果的形象时，网络就会反映出苹果一次，这种反应的方式就被称为训练网络。又例如，当向此系统展示出很多苹果，并最终要求系统产生苹果的问答时，系统会调整连接网络，从而识别多个苹果，这被称为“监督学习”，所以系统的关键是要调整连接的强度，因此而人工智能学科中此分支的另一种叫法叫联接主义。
人工智能神经网络学派逐渐与另一个统计和神经科学为背景的学派融合，创建了隐马尔可夫贝叶斯网络模型，在语音识别中被广泛使用。后来提出了分层贝叶斯信念网络，使得用一种无监督学习方式发现一组数据中的隐藏结构。直到2006年，科学家们开发出来了深度信念网络，一种快速学习算法，才使得深度学习领域迅速腾飞。另一条发展主线是卷积网络理论，专门用于图像处理。
深度信念网络是由多层概率推论组成的概率模型。2012年以后，深度学习的应用范围，迅速扩展到大数据，生物技术，金融医疗等无数的领域，希望在深度学习的帮助下实现数据理解和分类的自动化。AlphaGo就是代表了能够捕捉人类模式的新一代神经网络。
遗传算法，或者更恰当的说是进化计算和神经网络算法的发展齐头并进，前者的发展是后者发展的真实写照。
遗传算法理论是一种不同的程序设计方式，软件的生成与生物进化规则相当，不是依靠单纯的编写解决问题的程序，而是一组程序通过自身的演化，根据某些算法而变得更合适，更有效的发现解决问题的方法。
就目前来看，人工智能技术的核心还是半个多世纪前图灵机的架构，并没有本质上的变化。
【我的评论】之前的几个算法一代代发展，遗传算法应该是今后的重点。预计遗传算法的完善，意味着程序可以自我进化，写出更好的程序来，早点达到奇点。
飞机是最先进的机器人
事实上，最先进的机器人是飞机。虽然人们很少会把飞机看作机器人，但它是货真价实的机器人，它能自主完成从起飞到降落的大部分动作。根据2015年波音777的飞行员调查报告显示，在正常飞行过程中，飞行员真的需要手动操作飞机的时间仅有七分钟，而飞行员操纵空中客车飞机的时间还会在少一半，因此机器人已经非常成功的担当副驾驶的角色。
【我的评论】飞机在飞行和下降的环境信息容易结构化，也就更容易做好自动驾驶。
人工智能研究的动机与假说
人工智能研究的动机与假说无外乎有以下几个动机：
首先是出于纯粹的科学好奇心。是否计算机设备具有智能？是否表现得像真正的人类，通过图灵测试？是否能超越其创造者的智能水平，达到奇点？
第二个动机，出于纯粹的商业目的。自动化一直以来是生产力提高和财富创造的源泉。加速了工业革命发展的进程，而现在依然是经济发展的重要因素，总有一天人类会被机器所替代，机器可以每周七天每天24小时，全负荷的工作。不会罢工，不必停下来吃午饭、睡觉、也不会生病，没有生气或难过的情绪困扰。机器只有运转和不运转之分。如果不运转了，只需要用另一部机器替代他即可。
第三个动机，是人类的理想主义。专家系统能够提供世界上最优秀的专家所提供的服务，区别在于，人类的专家无法在全世界范围提供服务，而系统可以。机器就像一出生就成年的人，这等于你一出生就已经25岁，而且永远不会老，除非某个器官停止工作。
【我的评论】现在是商业目的占主流，寻找人工智能的机会。也为理想主义提供了大量资金和人才。
人工智能与人类童年的比较
关于人工智能的一个基本事实就是智能来源于人类的童年时代。只有经过童年，人才会成长为具备阅读书写文字能力的人、其实人类身体的正常生理发育及社会的认知发育是平行的，儿童通过假设分析的过程，认识物质世界和社交世界。他们在了解了生理和心理世界的运行方式之后，首先会进行虚构（想象的世界，想象的朋友），然后他们了解事物的真实面貌（与世界的互动改变了他们原来的假想，与人的互动改变了他们的思维）。当经历儿童阶段时，人家会学会按照世界和其他人设定的规则“智能地”行事。与人类的其他方面很类似，这个运行机制并不健全，例如我们都曾学会说谎，我们说谎一般是为了改变别人的想法。以前一位同事曾跟我说机器从不说谎，这就是我认为科学这段时间里还无法创造出智能机器的原因。在所有符合智能定义的事情中，说谎是我们从小就学会的事情，还有许多其他事情也是如此。
尽管人们都在竭力吹捧人工智能，在我看来，机器的智能程度甚至不及大多数的动物，最近，一项有关神经网络的实验被誉为举足轻重的成就，一台计算机经过120万张图片的训练，最终成功地识别出来了视频中的猫至少好几次，那你知道老鼠学习认识猫需要多长时间吗？而且你要知道计算机采用的可能是目前最快的通信技术，而老鼠大脑中的神经元却依然沿用老旧的化学信号方法。
【我的评论】用学习效率和能耗比较，人工智能还处于非常低的水平。远不及普通生物。
计算能力的提升带来的智能与人脑比效率很低
现在深度学习人工智能领域的研究内容很简单，就是罗列大量的数字进行计算，这是一种很聪明的大数据集的处理方法，由此可以为数据集分类，但这种方法无需通过电话是模式创新来实现，只要提高计算能力即可。
2011年由吴恩达创立的谷歌大脑项目，正是这种方法应用的最典型例子，谷歌与斯坦福大学组成的联合研究组，利用16000台计算机组成了包含十亿个连接的神经网络，然后将它部署到互联网，使它通过观看数百万youtube的视频学习识别猫。
16000台世界上最快的计算机，耗费数月时间来识别一只猫，我们理应对此扼腕叹息，其实这是大脑还未发育成熟的小猫在一秒钟内就能做到的事情，假如那16000台计算机能够模拟只有302个神经元且突触数目不超过五千的线虫大脑的话，还有些许的宽慰，因为就算是这种级别的大脑，也能相当精确地识别出很多非常有趣的事物。
人类大脑每小时大约消耗20万能量，我估计alphago有1920块处理器，以及280块图形处理器的配置，每时候可以达到四百四十千瓦的水平，这其中还不包含训练过程中消耗的能量，但除了下围棋外，AlphaGo还能做些什么？什么事情也做不了。而人类除了打游戏之外，还能完成做饭，洗车等无数的事情，AlphaGo消耗四百四十千瓦能量只能完成一件事，而人类消耗20瓦能量，却能做无限多的事情。
如果一个人，使用了比你多2万倍的资源去做了一件事，你到底该怎样定义这类人？
所以说，AlphaGo所做的事情只能被称为“愚蠢”而非“智能”，如果设定人和AlphaGo，都只能消耗20瓦能量，试想一下，谁会赢？
如果机器需要消耗四百四十千瓦才能下围棋，那么完成其他那些围棋大师只靠自身大脑就能完成的事情，比如开车，做饭，公园慢跑，阅读新闻，与朋友聊天。将耗费多少能量？
假如机器人要具有与人类水平相当的能力，那需要的机器数量会非常惊人，耗费能量的数量级可能会超过各国的能耗总和，15万亿瓦，我们也许得搭上地球几乎所有的材料才能制造出这么多的机器。
暴力计算目前是统治人工智能领域的范式之一。毕竟通过数百万网页的索引，搜索引擎能够为绝大多数问题找到答案，包括那些如何做的问题，这是任何专家系统都无法企及的结果。
【我的评论】从计算能力来看，要做一个超级智能的能耗和物料，目前尚不足够。除非算法和学习速度有几十万倍、甚至几亿倍的提升，才具有比较大的可能性。
人工智能中语义学的重要性
语义学对了解机器人的真正功能至关重要，清理桌子不是把桌子上所有的东西都扔掉，而是要辨别哪些东西是垃圾，哪些东西不是。哪些东西要被放到别处，哪些东西要留在桌上。比如装满鲜花的花瓶，而不是盛满凋零花的花瓶。
的确，现在的机器可以进行人脸识别，识别率很高，但他们无从解读这些场景中动作的含义，机器可以识别有人在商店里拿起一件东西的场景，但什么时候可识别有人从商店偷东西、抢劫的机器才能问世？人类是在一定的语境中理解一句话的含义，有些东西是商店里待售的货物，而一个人拿着东西就走那他就是小偷，而这个场景跟店员在货架上理货，或客户拿着东西到柜台结账的场景截然不同。我们可以训练神经网络识别很多事物，但机器完全不明白他们的真实含义，即使有一天，我们成功的研发了一个能识别扒手的机器，这时候我们要分析更深层的理解里，发现这种场景可能是恶作剧，从当事者之一面带微笑，而我们知道他们是老朋友，就可以做出这样的判断，在这种情况下你不会打电话报警，而是会站在一边等着看一场好戏。即便发明了那些可以识别场景的机器，我们仍然需要提高机器的抽象思维能力，使他能区分电影中发现的场景和现实场景，诸如此类等等。
任何人都能轻松解读这一情况，同一个场面可能有很多不同的含义。判断智能，不是以识别动作的错误率高低，而是判断动作的目的是什么？识别错误其实没什么大不了，人类犯错误都在所难免。
还有种说法叫做“不断进化的人工智能系统”，映射出机器的形象是越来越智能。
这可能有多层含义：1）开发能更好的解决问题的软件；2）通过学习人类行为自我提高的软件；3）通过自学自我改进的软件。
当我们说一个物种在自然界中进化而来，并包含上述这些意思，在自然中的进化意味着一个人的小孩子都各不相同，然后在自然选择法则适者生存。经过几千代的更迭，人类将进化成不同的种族，完全看不到第一代的影子。
没错，软件程序在不断升级换代，功能越来越强大，但称之为进化并不恰当，进化论的隐喻，并不适用于今天的软件，进化的软件并不存在。
即使你真的想用进化一词，你应该知道软件的进化在于编写软件的工程师。如果明天海狸筑坝的质量提高，你说是堤坝还是海狸的进化？
所以误解的根源在于我们将一些技术归类为人工智能，人们会不言而喻的认为这些机器配合这些技术将很快变得和人类一样子。技术曾经、正在并将要把机器的智能化水平提高，例如，棘轮装置和陀螺仪使一些机器更加智能化，还包括时钟，动作感应装置等，但人们并不担心棘轮装置和陀螺仪可能消灭人类、接管世界。
【我的评论】由于语义环境的复杂性，以及目前人工智能的进化并不是真的进化。在可以看到的技术发展路线中，没有看到遗传算法的巨大突破，人工智能的发展依然不够快。
作者在书中提了64个问题，这些问题归纳起来可以看到作者的几大观点：
一、现阶段的人工智能研究几乎等同于创造宗教
作者认真地说：”我绝无讽刺之意，看到硅谷在全新的基础上重新创造一门宗教真的是太有趣了。“
如果人工智能成为宗教，人工智能专家面对的挑战也非常小，媒体首先会出来鼓噪支持，作者评论道：“如果哪位计算机科学家宣布他的程序能够识别出猫，那么全世界的媒体都会争相报道。
实际上可能根本没人见过这个系统是如何运作，也没人能够亲自去测试系统的性能。没人会去费心核查人工智能领域的传奇新闻，媒体会从人工智能的成功故事中获取利益，人工智能领域也会因为媒体的鼓吹而获取更多的研究资金。
二、技术的进步驱动了人工智能的进步
作者认为技术的进步驱动了人工智能的进步，抽丝剥茧般寻找逻辑的”逻辑智能“时代已经过去，廉价计算机和技术实现了大数据检索，现在是“后勤智能“的时代——万维网的”智能“来源于成千上万网友的”非智能“贡献，这种方式与无数蚂蚁的非智能贡献缔造了智能的蚁群是一个道理。
神经网络智能只有在拥有很大的数据集的前提下才可以工作。这可能也是其局限性。而人类智能则可以从很少的信息中即可学会，甚至是一个老师传授即可获得智能识别能力。
从《未来简史》的观点中，我觉得这类基于人类的智能构建的“人工智能”模型，反而是未来出现永生的“神”的一个可以预见的路径。这时候出现的巨大的网络是个群体形成的永生智能生命。
三、机器人抢走了人类的工作但是也制造了大量的工作机会
作者认为自动化当然会带来负面影响，但是失业并不能算是负面影响，自动化所创造的工作要远远多于并且优于它摧毁的工作。我们只是夸大了工作被淘汰的现实，同时也低估了新工作涌现的现实。
人性永远是复杂的，尽管工作内容像机器的人将会被机器取代，但世界需要人类，人类能称之为人的地方在于人类努力探索生活更深层的含义，而不是朝九晚五跟机器人一样。同样技术仍然是人工智能的硬伤，目前全世界的陪护机器人，在陪护老人方面做得还不如一条狗好。
四、如果机器有了生命，能够做一些人类不能做到的事情，只不过是另一种非人类智能
很多动物能做到许多人类不能做到的事情，比如蝙蝠的超声波识别。很多如留声机之类的技术也是如此，人类做不到从刻出的唱片解析出整个乐团的音乐。如果机器有了生命（能够繁衍），能够做一些人类不能做到的事情，只不过是另一种非人类智能。
超人类智能需要具有一个特点“意识”。人类的思考、感觉、痛苦、快乐都属于意识，比人类高级的智能也应该具有意识。
总之，对于人工智能，作者对当下人工智能技术的发展持相当保守的态度。作者认为现阶段的人工智能只是在创建一些”以愚蠢的方式服务人类的智能“，这些机器甚至会导致人类智商降低，以致于人工智能化的机器还没有出现，但是大部分人类已经被机器化。
本书摘作者Sting发起了乐读创业社（http://ledu.omeng.co/），从2015年4月开始进行的“一周读一本书”活动，已经持续108周，欢迎参加，并阅读800多人提交的4000多篇读书笔记（http://www.jianshu.com/c/d3950a9c3431），也可看Sting的书摘笔记汇总。
欢迎加Sting的微信号“1025792036”申请加入社群，一起成长。
也欢迎关注“乐读创业社”微信公众号看大家的精选书摘书评。
网友评论