【可关注微信公众号：大风三千】
（注：这里的ABC，跟百度提出的“百度云ABC”里的ABC不同，百度云ABC是指其“人工智能+大数据+云计算“三位一体战略。）
【我在北京听讲座。此为第 1 篇】
2019年6月13日，笔者有幸参加了清华大学“未来已来”系列讲座，这一期是由微软亚洲研究院院长、微软全球副总裁洪小文博士带来的演讲《智能简史及数字化转型的未来》。洪小文博士以其独特的“智能金字塔”的视角，简述了人工智能发展的历史及展望，并与清华大学国家金融研究院院长朱民（曾担任国际货币基金组织（IMF）副总裁、中国人民银行副行长）一起讨论了由人工智能技术引发的哲学思考。
▲摄于清华大学大礼堂前
一直以来，人类都在制造机器替代自身去完成某些工作。这些机器可以代替人的手脚改造周围环境，有些力大无穷，有些精准无失。但如果有一类机器能够代替人的大脑，人类便开始警惕起来……
以下内容，是笔者听完演讲后的整理及思考。虽然笔者的整理并无“高深”之处，不过看完之后，至少能对人工智能有点“ABCD数”。
何为“智能金字塔”的视角？
洪小文博士把智能这个“东西”，分为了5个层级（如下图），它们是：1.记忆&计算、2.感知、3.认知、4.创造力、5.智慧 。而人工智能的发展，可以看成是从金字塔的底端不断往上爬的过程。洪小文博士认为，目前人工智能已经爬到了“认知层”的一半（紫色区域）。
▲朱民院长（左）和洪小文博士（右）
笔者认为，如果学过心理学，你会觉得这个金字塔似曾相识。随便翻开一本认知心理学教材的目录，可以发现即便章节的安排有不同，但始终少不了这几块：感觉&知觉、注意&意识、记忆、问题解决、思维、创造力……这跟“智能金字塔”的内容很是相似。不禁让笔者联想到马歇尔·麦克卢汉在《理解媒介》中说到的一句话：“一切的技术都是人的延伸（…all human artefacts are extensions of man, …）”，而人工智能技术也可是人类“认知行为”的延伸。那么这个“智能金字塔”的视角，其实很接近认知心理学的视角，而人工智能的很多理论也是从认知心理学发展过来的，因此认知心理学的理论实际上是可以对人工智能技术进行“指导”的。
其实，人工智能三大核心之一的算法（另外两个是大数据和算力）之中，目前被广泛应用的“神经网络算法”本身就是模仿人类神经网络行为（这也是认知心理学的研究范围）的数学模型。
那么接下来，在跟随洪小文博士讲解“智能金字塔”的过程中，笔者也会试着加入一些认知心理学角度的思考。
人工智能是如何爬到现在的？
1.记忆&计算：这其实就是计算机的基本组成，即储存器（Memory）和中央处理器（CPU）。记忆是人类认知活动的基础，储存器也是计算机一切计算的基础。据笔者了解，内存与硬盘的关系，可以用心理学中的工作记忆（短时记忆）与永久记忆（长时记忆）的关系来描述。至于计算能力，这是计算机CUP不断迭代中最重要的提升项目之一，也是计算机诞生的最初目的。艾伦·图灵在构想图灵机的时候，就是将人们使用纸笔进行数学运算的过程抽象化，由一个虚拟的机器替代。无论记忆力还是计算力，计算机都远远超过人类。
要把这种计算能力变成各种场景之下的应用，还需要借助软件来实现，即通过代码（编程）的力量为解决某个问题规定一定的运算方式。这时候的算力，可以看作一种基于因果规律的“逻辑计算力”。用”高斯求和“的例子来简单说明：同样是从1+2+3+4+…一直加到100，一种方法是提升计算速度在短时间内完成，另一种方法就是像高斯那样通过1+2+3+4+……+n=(n+1)n/2一个简单公式来快速完成。这个公式本身可以看成一段代码（其中的“+、/、=” 就是这种代码的“语言”），而产生这个公式的思路就是算法，算法是超越语言的，需要依靠代码来实现。就目前来看，计算机可以替代人的计算能力，却无法具备人改变思路（算法）的能力，只能按照既定的算法一遍遍地执行（计算）。
在互联网发达的今天，又有了“云计算（Cloud Computing）”的概念。通俗地讲，云计算就是通过大量在云端（互联网）的计算资源进行计算。这就像是把计算能力作为一种商品进行流通，就像煤气、水电一样，取用方便、成本低廉，只不过它是通过互联网进行传输的。
2.感知：这一层提到的是视觉、听觉、触觉等一系列的感觉，以及识别这些物理信息“意义”的知觉。对大脑的研究，使人们知道外界的物理信息是通过相应的感受器官（眼、耳、皮肤）转化为电信号，经由神经传输到大脑，大脑接受到这一电信号时就产生了感觉。那么一个系统若要对外部环境做出反应，必须得有传感器。人造传感器在对物理信息的转化上，也经历了由模拟信号到二进制的数字信号的发展，这让物理信息的储存、加工和传播得到了极大的提升（二进制真伟大）。简单地说，人造传感器输出的就是平时所说的数据。随着传感器技术的发展，传感器对环境的“感觉”越来越“真实”，输出的数据也越来越“大数据（Big Data）”。当然，PC和手机本身也是一个高端传感器，其输出包含使用者行为的数字信号，通过互联网的搜集，就成了代表使用者行为的大数据。
▲模拟信号转数字信号过程（采样-量化的颗粒度越小，分辨率越高，就越接近真实物理信息）
接下来，对这些数据的”识别“就显得至关重要了，如语音识别、人脸识别等，也是人工智能在这一层上的应用。怎么识别呢？通过算法识别，算法本质上是一种思路/思维。这里笔者要提一下逻辑性思维和直观性思维。逻辑性思维下的算法是要先将信息概念化，根据语言规则进行逻辑推理，并把这一过程写成串行的指令，再让计算机执行。这也是人类解决抽象问题时的思维模式，它基于因果规律，是可以解释出来的。而直观思维下的算法，是用数学模型模拟人脑的神经网络，是信息的分布式存储和并行协同处理。这种算法即神经网络算法（Neural network algorithm），是没有逻辑可言，并无法解释的，就像一个“黑盒”。为什么无法解释？因为人们根本不知道大脑是如何通过单个神经元来实现思维过程，只能通过数学模型来模拟。人工神经网络不是按给定的程序一步一步地执行运算，而是能够自身适应环境、建立联系、完成某种运算、识别或过程控制。
在笔者看来，人工神经网络本身就是数据（信息）的一种加权分布模式，通过设置一定的学习准则，每次新输入的数据在网络中进行加权、对比运算，并对输出的结果进行反馈，按照相应的规则调整连接权值，形成一个反馈闭环。在经历数据不断“喂养”的循环过程，人工神经网络本身的数据加权分布模式也在变化，最后输出结果越来越接近想要的效果，这是一个学习的过程。而这个学习的成果，也就是变化后的数据加权分布的模式，其本身就是个算法，即人工智能。这时的人工神经网络是相当庞大的，不可能打开一点一点分析，也没有人知道它其中的因果关系，被称为黑盒算法。目前在提到人工智能时，基本都在说这种黑盒算法。而在提到编程时，往往是基于逻辑思维的白盒算法，每一行代码都是工程师“码”进去的，都可以得到解释。
▲人工神经网络：输入层（Input）、隐含层（Hidden）、输出层（Output）
▲随机失活，一种优化人工神经网络的方法
3.认知：终于到了这一层，洪小文博士给到的组成有：理解、洞察、推理、计划、决策……同时他认为目前人工智能的最高水平只达到了这层的一半。大部分人在工作时就是处于这一层，基本上就是在“解决问题”，过程如下图：
▲问题解决闭环
其中，算法承担分析和决策的功能（图中展示的是人与人工智能（AI+HI）共同协作的模式）。人工智能想要实现真正的进化，也必须在这个过程里不断地循环反馈。那么在分析和决策的过程中，人工智能和人之间的区别在于“是否理解自己在做什么”，这也是人工智能的瓶颈所在。人工智能在建立联系的时候，是基于权值相关性，而人是基于因果规律。就像柏拉图说的，人是寻求意义的动物。洪小文博士举了一个简单的例子：比如日出和公鸡打鸣，人工智能可以通过学习在两者之间建立联系，却不知道是因为日出才有了公鸡打鸣，“只知道What而不知道Why”，不过这不影响人工智能在它们之间建立准确联系并触发相应效果。
人工智能的优势在于可以对大量数据进行分析并决策，比如同时对几百张面孔进行识别，对数以千万计的人推荐定制化内容等。劣势也很明显，那就是人工智能在决策时只能按照给定的任务模式来处理数据，是一个封闭的系统，无法考虑系统之外的因素。它不像人类那样，在进行决策时可以考虑不同方面的因素，因为人类的思维是开放式的，是基于因果规律建立不同系统之间的推理，而人工智能在不同的系统之间是无法建立推理的。这或许也是人工智能的天花板——只能停留在“智能金字塔”认知层的一半。
通往更高层的可能路径
如果能让人工智能在不同的神经网络算法之间有“意识”地建立推理关系，那么人工智能或许可以突破认知层，通往更高级的创造力层。
在大名鼎鼎的AlphaGo之后，Google旗下的DeepMind又推出了AlphaZero，它一出世便战胜了AlphaGo和其他几个“哥哥”。它跟AlphaGo的最大区别在于不需要预先给定任何数据，只使用基本规则，从零开始训练。它是通过接收环境对动作的奖励（反馈）获得学习信息并更新模型参数。这是因为AlphaZero有两个自主神经网络模块，即行动网络和评估网络，这两个网络在互相博弈之中自己产生数据并不断学习。以前，虽然我们不知道AlphaGo是怎么想的，但是我们知道它是怎么学的。现在，我们不但不知道AlphaZero是怎么想的，我们还不知道它是怎么学的。不过不用担心，AlphaZero自己也不知道，因为它虽然是在不同神经网络算法之间建立了联系，但这种联系仍然不是基于因果关系，因此还是无法跟“围棋这件事情”之外的系统进行推理。不过在围棋这个封闭领域里，它的确接近一个“无所不能”的智能系统。
让人工智能的神经网络算法拥有“意识”，可以自主对信息建立因果关系。这一步，或许就像洪小文博士说的那样，”大约是5-500年吧“。
4.创造力:这一层是人类专属的。洪小文博士在这里提到了一个观点，人工智能是“以繁制繁”，而人类是“以简制繁”。人工智能依赖大量数据之间的不断作用——这是机器的强项，强大的记忆和计算能力——最终形成了一种加权分布模式（识别模式），这是”以繁制繁“。人的智能是在复杂中找到规律，根据规律来解决问题，这是”以简制繁“。
笔者认为，这种差别也是人类拥有创造力的原因之一。爱因斯坦在1916年创造性地提出引力波（指时空弯曲中的涟漪）的时候，几乎是零数据，当时没有任何手段可以检测到相关信息（数据）以供推理。当然，这同时也说明引力波无法被证实。而在100年后的2016年2月11日，LIGO科学合作组织和Virgo合作团队宣布他们利用高级LIGO探测器，首次探测到了来自于双黑洞合并的引力波信号 ，爱因斯坦当年提出的假设被证实。
洪小文博士还提到，人类的创造力经常是在大脑低频状态下发生，人的意识相对薄弱，或许这时大脑建立了本来“不相关”的因果关系。这一行为可以看作“大胆假设”，那么“小心求证”就可以交给更擅长计算的机器去做。
5.智慧:洪小文博士表示，“我觉得我还没有资格谈论这一层”。笔者表示，“我也没有”。
除此之外，洪小文还从左右脑分工的角度，简述了人工智能和人类智能的关系。他认为，人工智能未来或许可以成为人类最好的左脑。
▲左右脑分工。
彻底数字化的时代
人工智能的基础是数据。回到”问题解决闭环“来看，一切的分析和决策也都依赖数据。彻底数字化的世界，同时也是遍布传感器的世界，必将到来。
洪小文博士提到了数字孪生（Digital Twin）的概念，广义上的理解就是，物理世界的事物都有个数字孪生的兄弟。那么它意味着什么呢？以下是笔者结合洪小文博士的演讲进行的发想：
1.“执行器“的神经系统：给机器添加传感器，就等于是给机器添加了神经系统，让它可以源源不断地传输相关数据到控制系统，当然这个控制系统可以是人脑也可以是人工智能（算法）。若是到人脑，我们可以了解这台机器的”健康“状况，并做到预防维修。若是到算法，就相当于赋予机器一定的自我决策能力，这大大释放了人的负担。若是这个算法搭载在机器自己身上，那就要求有计算能力，因此它需要有颗”芯“。这感觉就像是一个独立的生命体，且每一台机器都会因其传感器传输的环境数据不同，学习出不尽相同的算法。更现实的操作是，机器上只有传感器和执行器，它通过无线通讯技术接受统一的算法控制。这很像”物联网（IoT）“到”智能物联网（AIoT）“的发展。前者的概念更侧重无线通讯技术，后者的概念更侧重算法。通讯的速度、范围、稳定性、成本等属性成熟之时，便是万物智能互联之时。
2.模拟：数字世界给予人们一个低成本模拟现实世界的”实验室“。可以在里面模拟核爆炸、臭氧层破坏、政策的影响等等。想到AlphaZero利用两个人工神经网络互相博弈的方法，可以自己产生数据，或许有这么一种可能。只给定一个”基本法则“，模拟出一个不断产生数据并不断自我进化的系统，进化的速度取决于计算的速度。当然这是一个封闭的系统，如果没有外部干扰是可以一直运行下去的，它在某个特定的时间有其特定的数据加权分布模式。虽然其本身只是一种关联而不是因果关系，但如果从其中一个点开始往外发散，并一步步建立因果关系，这就像极了人类在现实世界中所做的事情。
DTaaS
洪小文博士在最后，提出了微软DTaaS（数字转型即服务）的商业模式。微软把自己定位为数字化赋能者，为企业提供平台及解决方案，且绝不会涉及企业的业务数据。其”赢得信任的方式“的原则，笔者深感认同。该原则的三大基础为：合法与主权、负责、透明（告知&同意）。
▲赢得信任原则
在提到人工智能当下的应用情况时，洪小文博士表示，算法意味着效率，数据意味着精准。目前，人工智能应用远不及大数据应用的范围大，且对数据的应用也处于不充分的状态。无论是组织还是企业，可先从获取数据出发。
同时笔者也了解到，目前人工智能（算法）的应用存在一些值得思考的现实。比如，神经网络算法虽然可以达到不错的效果，但因其工作原理仍是“黑盒”（不像程序一样可以逐条解释），在一些高风险应用上仍需慎重考虑。再比如，算法的广泛应用，一定程度上代替了人的决策，这在某些领域，是否也是人类独立性的丧失？更何况有些时候人们并不知道自己的行为“被决策”了。
最后，笔者想落到洪小文博士回答人工智能何时可以突破认知层的那句话，”5-500年吧“，我觉得这个回答也能很好地解释”未来已来“四个字。在如今快速变化的人类社会中，有很多的不确定。有一点可以确定的是，人类不会停止探索。
未来何时会来？5-500年吧。
网友评论