“刚过成人礼”的 人工智能在让世界更不公平

作者:张矩 | 发表时间:2017-07-06 15:37:27 0 条评论

  当在微博上高调宣称“无敌是多么的寂寞”的柯洁,在解释与AlphaGo的第三局比赛中为何落泪时,他坦陈:我自己可能做得不好,昨晚也没睡好,很紧张。对局中失态的解释中,柯洁将那个硅基(指碳基生命以外的生命形态)的机器对手称为“他”。有人说,柯洁的眼泪在某种意义上是人工智能走入社会主流视野的“成人礼”。当机器智能在围棋——这一被公认体现人类抽象思考能力极致的领域——开始呈现大幅度优势并迅速演进时,我们应该如何理性地看待人类第一次在认知领域遇到的有意义挑战和机遇?

  从辅助角色到喧宾夺主

  毫无疑问,信息技术的发展是我们在过去70年中所经历的生产力持续提升的表现,也是社会经济持续发展的根本动因之一。单一的人类大脑具有几近神奇的信息处理能力。从认知革命开始,我们最大程度地发挥大脑信息处理的优势,将实体世界和人类社会活动信息化。伴随着日益复杂化的信息结构和庞大的信息总量,对信息处理速度和规模提出更高要求,信息技术得以产生和发展。迄今为止,其作用还主要是对人类认知能力的辅助和增强,帮助人类解决信息处理上单一大脑在信息复杂度、规模度以及处理速度三个方面的挑战。而在信息处理的整个流程中,人类的核心决策地位是不可替代的。但随着与人工智能相关的机器学习技术的发展,信息技术的作用也在快速从辅助向自主演进。机器将逐渐侵入信息处理流程的各个环节,并从适用的场景切入,慢慢取代人类的决策角色。在可预见的未来里,我们将面临信息技术从辅助助手角色到逐渐喧宾夺主,成为自主系统的挑战。

  有趣的是,过去的60年里,我们一直在为这一挑战从想法变为现实不懈努力着。“人工智能”一词最初是在1956 年Dartmouth(达特茅斯)学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。从最初的逻辑运算、规则和专家系统支持的决策机制,到上世纪末开始的以算法和数据支撑的机器学习浪潮,在这60年的历程中,人工智能的发展也经历了起起伏伏,有风口,更有寒冬。而以深度学习为主要突破点的这一轮人工智能的热潮,起源于神经网络研究领域领军者Hinton在2006年提出了Deep Learning算法——使神经网络的处理能力和适用范围大大提高。深度学习的本质是能够有效地发现样本数据中的复杂结构,让那些拥有多个处理层的计算模型来学习具有多层次抽象数据的表示。这些方法在许多方面都显示了很好的适用性,并带来了显著改善,特别是语音识别、视觉对象识别、对象检测以及相关领域,并且在部分领域测试中超过了人类的表现。

  AlphaGo如何深度学习,瓶颈在哪?

  在技术层面,深度学习是一个端到端的学习过程,我们不需要对系统进行特征和规则定义,而是用一个非常复杂的、容量很大的模型去直接拟合输入输出,让模型自己探索有意义的中间表达。这一使用复杂模型(极大量参数的模型)来拟合的过程既是深度学习如此有效的根本原因,同时也显现了深度学习在逻辑概念层面的瓶颈。首先,模型是训练出来的:这一过程通常需要大量可校验的标注数据,系统依赖这些标注数据提供规律来产生拟合模型。这一依赖性表明了深度学习的成本底线,并导致了深度学习并不适用先验数据匮乏的领域,这使得人工智能的自主化演进具有明确的阻力点。其次,复杂拟合模型具有很强的专业性:由于模型来源于对输入和输出的拟合,而非领域内在规律的理解,因此模型所代表的知识和经验不具有可迁移性。这就好比虽然AlphaGo系统的设计思路具有很强的理论指导意义,但是AlphaGo系统本身只适用于特定设置和规则下的围棋游戏。这两个主要瓶颈很大程度上决定了现阶段人工智能在社会经济中的适应度和使用成本。

热门文章
商学院微博
商学院二维码