从1960年到现在，计算机的技术用日新月异来形容，一点也不过分——体现在一颗小小的芯片上。
今天一颗芯片可以放大概一亿个如同人类大脑一样的黑盒子。黑盒子上有很多旋钮，每个旋钮就是神经网络中的一个权重，也因此，机器可以识别更多更复杂的图形。
但这是不是就说明人类被机器所打败呢？当然没有这么简单。
一般来说，事物间存在两类关系，一类是因果关系，一类是相关关联。因果是指可以从一件事情推导出另一件事，比如人的皮肤被晒得黢黑，很明显，原因是被晒，结果使皮肤变黑。相关指一件事和另一件事同时发生，比如皮肤晒黑时冰激凌也化了，皮肤晒黑和冰激凌化掉同时发生，但两者之间有因果关系吗？显然没有，它们共同的原因在第三方——酷日。
神经网络的局限在于不适合发现因果关系，也不会推理。举个简单例子，面对这样两个句子：学校拒绝了这帮学生的踢球要求，因为他们害怕喧哗。学校拒绝了这帮学生的踢球要求，因为他们喜欢喧哗。面对两个“他们”，其中的逻辑关系，人类大脑一眼可以分辨，但神经网络却无法理解。
它的理解可能需要涉及这些方方面面：学校是什么地方？干什么的？喧哗是什么意思？为什么学校里不能喧哗？学校和学生之间存在什么关系？各自有什么权利？踢球和学校之间有什么关系？和喧哗有什么关系？……一大堆背景常识和一大堆因果关系，这些都不是冰冷的机器能够理解的，当然更加无法理解生命的复杂性。
神经网络最擅长的是发现事物间隐蔽的相关性，即我们之前所说的暗知识。在海量的数据库里，往往数据量越大，相关性越隐蔽，人脑在面对如此庞大的数据时会觉得头痛无比，但机器的线性功能反而会发挥到极致。
毋庸置疑，智能机器的发现，在人类的生活中即将或者正在起着巨大的作用。尤其是那些重复性高、可预测和可编程的工作，最容易首先被人工智能所取代。比如收银员、快递员、司机等，因为有着标准化、程序化，所以很容易被机器掌握而取代。
譬如今天常用的人脸识别，这是一个特别适合神经网络的领域，特别之处就在于抓取主要特征。人类在过去几十万年的演化中，为了觅食和生存以及求偶的需要，往往需要快速做出决定，而无法集中精力观察复杂的东西。譬如人脸、指纹，我们能看到的可能只有高鼻梁或者塌鼻梁，大眼睛或者小眼睛，方脸盘或者鹅蛋脸这些区别，但智能机器就不同了，他抓取的特征很多很细，甚至能够精准到肉眼难觉察的细纹、暗疮等，因为抓取的特征多，所以机器识别比人类准。
而特别需要依赖对人类情感理解的工作，比如心理咨询师、人类学家、考古，甚至保姆、护工等工作，就较难被取代。
还有，如正在不断刷新我们认知的精准医疗。我们常说看病要找老先生，因为他们经验丰富，眼光奇准，但这也是基于一些比较粗糙的判断。而应用了人工智能的精准医疗，就可以做出比较精细的研判，不仅如此，强大的数据库还能让其把历史上所有的已知病人的资料都过滤一遍，从中筛查出病例之间蛛丝马迹的不同之处，从而得以对症下药。这样的医生是不是更加有经验？
写了半天，似乎和自己的认知还有巨大差距。这本书大名《暗知识》，小名《机器认知如何颠覆商业和社会》，以此类推，只设计人脸识别或者精准医疗，肯定太狭隘。那么，它又是如何颠覆我们的商业和社会呢？
从智能机器到自动驾驶，似乎只有一步之遥，其实已经跨越很多鸿沟，未来的世界，自动驾驶会是常态，车停车行必定是比人类驾驶要更加精准，那么延伸而来的自动汽车行业，与之配套的各种周边产品……一切，都在冲击着老行业的时间之河里直撞而行，那么最终呈现给我们的，一定是不一样的世界。（完）
网友评论