文章
智慧未来 | 我们终将被人工智能替代？从AlphaGo Zero谈起
2017年10月19日，《自然》杂志发表的一篇论文《Mastering the game of Go without human knowledge》，再次掀起大家对人工智能的无限关注。
据悉，新版的AlphaGo计算机程序能够从零开始，在不需要任何人类经验的条件下，迅速自学围棋。这款新程序名叫AlphaGo Zero，通过反复与自己对弈，在进行实验3天后就以100比0的战绩打败了它的前任AlphaGo。
与此同时，BBC发布了一篇调研报告，对未来365项具体职业被人工智能取代的前景，进行了展望。
更有意思的是，目前在沙特阿拉伯首都利雅得举行的“未来投资倡议”大会上，“女性”机器人索菲亚(Sophia)被授予沙特公民身份。她也因此成为历史上首个获得公民身份的机器人。
通过这些新闻，我们似乎可以预见：人工智能将在不久的将来部分或全部替代人类！并且许多人也已经从法律、道德、社会治理等方面对这样的未来进行进行讨论。
但世界真的会变成这样么？
要回答这个问题，让我们首先来简要地回顾一下人工智能的历史。
人工智能和其他新兴技术一样，它的诞生和发展并非一蹴而就。早在1955年，“人工智能之父”约翰·麦卡锡与另一位人工智能先驱马文·明斯基以及“信息论”创始人克劳德·香农一道作为发起人，邀请各路志同道合的专家学者在达特茅斯学院共同讨论人工智能。会上，约翰·麦卡锡说服大家使用人工智能（Artificial Intelligence）这一术语，并且开始从学术角度对AI展开了专业的研究，在那之后不久，最早的一批人工智能学者和技术开始涌现。此后几十年，工智能一方面被视作一颗冉冉升起的新星，受人追捧而蓬勃发展，另一方面也备受批评，且遭受过两次严重挫折，史称“两次人工智能寒冬”。在此期间，相继诞生了通用解题机(GPS)、专家系统(Expert System)和神经网络(Neural Network)等技术和解决方案。
直到2006年，人工智能在基于神经网络的深度学习领域取得突破，人类又一次看到机器赶超人类的希望。这次标志性的技术进步，在最近三年引爆了一场商业革命。谷歌、微软、百度等互联网巨头，还有众多的初创科技公司，纷纷加入人工智能产品的战场，掀起又一轮的智能化狂潮。
现阶段人工智能的本质
首先需要澄清的是，现阶段的人工智能并没有使用人类智能的方式去真正理解这个世界并与之进行交互。大脑作为人类智能中的核心认知器官，是一个庞大的复杂系统，即使对现代科学而言还存在大量未知领域。而现阶段的人工智能背后其实是一种被称为“机器学习”的技术，它的底层原理相对简单，并且对数据有很大的依赖性，本质上是一种大数据统计分析技术。
从学科的角度看，机器学习是广义统计推理和决策领域的一部分，同时它也引入了古典统计学中不存在的计算机科学和优化的观点。用更简单的话来说，机器学习是一项基于数学、统计学和计算机科学的交叉学科技术。
如果说1955年诞生的人工智能不是一项新的概念的话，那么机器学习也不是一项新技术，它曾于上世纪的80年代兴起，在被热捧了几年之后遭遇低谷，在2006年由于它的分支领域“基于多层神经网络的深度学习”所实现的突破再次走上历史舞台。
所以我们今天谈论人工智能，很大程度上都是在讨论人工智能概念下，机器学习领域中的深度学习技术。
深度学习能做什么？
简单来说深度学习所做的就是信息分类。例如下图就是在二维的数据平面中划出一条直线，当数据的维度是3维的时候，就是划出一个平面，当数据的维度是n维时，就是划出一个n-1维的超平面。当信息或数据的维度很高，数据量又很大的时候，深度学习可以通过建立复杂的统计模型，作出更准确的分类。
分类本身并不神奇，其背后对应的是简单的数学公式。而真正的挑战在于当面临海量、高维度的信息需要分类的时候，人类的大脑无论是从数据存储量还是计算速度而言都有很大的局限性。与之相比，计算机在存储和计算上比人类优秀的多，结合深度学习的方法可以做到信息越多、维度越多，分类结果越准确， 这样在某些特定场景中就能超越人类。例如围棋，AlphaGo所做的本质上是对每一步落子所能够产生的影响进行分类，并找出全局的最优解，这个过程所产生的数据量和计算量是人脑无法处理的，所以人类棋手被机器所击败也是在情理之中。
同样，对高维度海量信息的分类还能实现类似人类“识别”和“预测”的功能，例如在照片中区分“风景”和“人物”（识别功能），或是电商根据用户的喜好进行定制化推荐（预测功能），正是因为深度学习在某些场景中所做出的类似人类决策和认知的行为，让人们感到惊奇并由此引发了创业、投资和未来趋势讨论的热潮。
人工智能／深度学习的局限性
事实上，基于深度学习的人工智能目前还有很大的局限性：
首先，和人类智能不一样，深度学习所有的分类、识别、预测功能都是以算法为驱动，以数据为对象的一个统计分析系统。而人类智能的增长，取决于和真实世界的感知和交互。两者间的区别在于基于数据的人工智能所面对的是一个平面化且片面的世界模型，而人类智所面对的是一个立体的连续变化的真实世界。例如，有过育儿经验的家长会发现，孩子在成长的过程中每次到从未去过的地方旅游几天，回来之后智力认知水平会有明显的提高；不仅是对于孩子，成年人每天接触新鲜的事物，进行推理、思考和决策也会变得更有智慧，例如跨国公司的CEO、政治领袖等，而整天呆在家里不和社会接触则会使人变的迟钝，跟不上时代。从这个角度上来讲，人类所面对的是不断变化的外界环境（如新的工作岗位或陌生的环境），而深度学习面对的仅仅是输入系统的数据。问题在于，数据对于真实世界的抽象结构所进行的模拟与映射和真实世界本身还是有很大的差距，基于符号、逻辑的数理工具只能对真实世界进行“量化特征采样”的非连续性模拟，而无法实现连续性“完全重构”。真实世界是连续的、事物之间互相依存的整体，而数据只是局部的，抽象的对整体的表达。 所以我们往往会发现深度学习看似“智能”，其实往往得到的效果类似于“鹦鹉学舌”，因为基于数据分析的方法无法真正去“理解”这个世界。
其次，基于深度学习的人工智能与人类智能相比，在其运行模式上有很大的区别。深度学习需要“大数据”，只能应用在特定场景中；而人类智能只需要“小数据”甚至无需数据，可以应用于通用场景中。例如：教孩子认识什么是“汽车”很容易，只要重复几次孩子就能把世界上任何形态的汽车准确地识别出来，而通过深度学习的方法，即使是在重复百万次的学习以后，也会有一定的误判率（例如高度变形改装的汽车）。
同样， 一个训练了成千上万次的深度学习模型能在图片中识别各种不同的物体，但却不能像人类一样通过常识、归纳、推理去理解图片中的物体之间存在的潜在关联。例如人工智能可以识别红灯、汽车、行人，但却不能理解汽车、行人在当前的运动状态中是否会有潜在的交通事故风险。
人类智能完全可以做到离开语言、符号、数学等数据工具做到和现实世界交互（例如原始人类），但很难想象人工智能可以脱离数据运行。
理性看待人工智能
在理解了人工智能目前的发展阶段以及技术本质之后，我们才能更理性的看待目前对于这项技术的诸多讨论和应用。但一个很明显的结论是，目前阶段基于深度学习的人工智能远不能达到替代人类的程度。我们看到的很多极具未来感的的“智能演示”只存在于某些特定的封闭场景中，无法在现实开放复杂的场景中实现同样的功能。
在我们对人工智能的现状有了更好的了解之后，我们不禁要问：
- 基于现在人工智能的成熟度，它的商业价值和应用场景在哪里？如何落地？
- 如果想从模拟人类认知的角度来改进人工智能的话，人类智能的底层逻辑是什么？
- 终极的问题是，基于数据和算法的人工智能，在其发展过程中是否会在未来产生自我意识，真正的成为像人一样的生命并替代人类？
这些问题我们在会后续的专题中继续讨论。
作者为德勤智慧未来学院总监 高挺
