【环球科技】 撰文 佩德罗·多明戈斯（Pedro Domingos） 翻译 崔迪潇 我们关于未来化场景的大多想象都是基于高度的自动化，但是每个人的生活习气不同，所以每个人需求的自动化程序都不一样。那么，美好的未来生活怎样才干让每个人的自动化程序都合你的心意呢？ 或许，你需求的仅仅是一个数字替身，它是“电子化”的你，了解你的一切生活习气。这个替身会成为你的助手和管家，把你的工作和生活中循序渐进的部散布置得杂乱无章。 事实上，人工智能最可能招致的情形就是“数字替身”的大量呈现。“数字替身”是我们自身的虚拟模型，这些模型能够在各种各样的模仿中互动，辅佐我们在日常生活中做出更快速、更全面的决策。往常的各种语音助手音箱曾经是这个替身的雏形。人工智能将效劳于人类，而不是控制人类。
光明图片/视觉中国 1.从制造机器到机器学习 人类是独一能够制造机器的动物。经过这种措施，我们扩展了自身的才干，超越了我们的生物极限。工具使我们的双手变得万能。汽车让我们行进得更快，飞机给了我们飞翔的翅膀。计算机赋予我们更强大的智力和记忆力，智能手机为我们布置日常生活。而往常，我们正在发明一项全新的技术，用代码赋予它经过数据和练习中止学习的才干，使其能够完成自我进化。它会最终取代我们吗？还是将以史无前例的方式提升我们的才干，增强我们的人性？ 机器学习源于20世纪50年代部分科学家的开创性工作，如弗兰克·罗森布拉特（Frank Rosenblatt）设计了一种能够辨认数字的电子神经元，阿瑟·塞缪尔（Arthur Samuel）开发了一种跳棋程序，能够经过和自己对弈来学习，并最终击败人类选手。但也仅仅是在过去十年，机器学习范畴才开端真正起飞，为我们带来了自动驾驶汽车、能（在一定水平上）了解我们指令的虚拟助手等形形色色的应用。 每年，我们都会开发数以千计的新算法。所谓的算法，就是用来指导计算机完成某些操作的指令序列。而自我学习机器的中心特性是，我们不需求为它们编写细致的程序，只需求给它们一个诸如“学习如何玩跳棋”的普遍目的,接下来，机器就能够像人类一样，经过积聚阅历而不时优化。 对人工智能的追求能够看作是人类自我进化的一部分。自动化技术展开的下一阶段是发明出所谓的主算法，将把当前的5种机器学习措施整合为统一的框架。技术只是人类才干的拓展。除了达成我们给予的任务目的，机器并没有自由意志。我们应该担忧的是人类对技术的滥用，而非被机器夺走了控制权。 往常机器学习算法大致能够分为5个大类，每一类都是从不同的学科范畴取得了灵感。并不让人意外的是，有一种机器学习措施就是在模仿自然选择，我们称这样的算法为进化算法。例如，在哥伦比亚大学的创新机器实验室（Creative Machines Lab）中，有许多雏形机器人在尝试匍匐或飞行，其中表示最优秀的结构将定期融合和变异，产生新一代的3D打印样机。一开端这种随机组装的机器人简直无法运动，但阅历了数千次的迭代后，这种措施曾经产生了相似蜘蛛或蜻蜓的机器人。 但这种进化是低效的。当前应用最普遍的机器学习措施是深度学习，它的灵感来自大脑。这种措施从模仿单个神经元功用的高度简化的数学模型动身，构建出包含数千个神经元的网络，并经过学习不时调整不同神经元之间的衔接。假如两个神经元在处置数据时同时放电，它们之间的衔接就会增强。这样的神经网络能以极高的精确度识他人脸、了解语音和翻译言语。机器学习也会自创心理学。与人类相似，这种以类比为基础的算法经过在已有的数据中寻觅近似的问题来处置新的问题。这种特性能够完成自动化的客户效劳，也能够让电商网站基于用户个人习气引荐商品。
光明图片/视觉中国 2.努力发明一个主算法 经过自动执行科学措施，机器也能够完成学习。为了引入新的假定，所谓的符号学习会中止逆向推理演绎：假如我知道苏格拉底是人类，要推断出他会死，我还需求知道什么信息？知道人会死或许就足够了，而且这个假定能够经过检查样本中其他人类能否会死来中止确认。英国曼切斯特大学的生物机器人Eve便是经过这种措施发现了一种有可能治疗疟疾的新药物。依据疟疾的相关数据和基本的分子生物学学问，Eve提出了什么样的药物可能具有疗效的假定，还设计了实验并在机器人实验室中止测试，然后修正或放弃一些假定，不时重复上述过程直到取得称心的效果。 最终，机器学习能够完整构建于数学原理之上，其中最重要的是贝叶斯定理。依照这个定理，我们能够基于现有学问，先给不同假定指定初始概率，然后提升与数据相符的假定的概率，并降低与数据不符的假定的概率，最后计算一切假定的加权平均值，就能够作出预测：概率越高的假定，权重也越高。基于贝叶斯定理的机器在某些医疗诊断中的精确率要高于人类医生，也是很多渣滓邮件过滤系和谷歌个性化广告引荐系统的中心技术。 这5类机器学习算法，每一种都既有优势，也有缺乏。例如，深度学习在处置视觉或语音辨认等感知任务上性能杰出，但无法处置常识的获取和推理等认知任务。而符号学习则与之相反。固然相比于神经网络，进化算法能够处置更为艰难的问题，但处置这些问题要耗费大量的时间。类好比法能够从少量的数据实例中学习，但面对过多信息时却容易堕入紊乱。贝叶斯学习是处置少量数据的最有效措施，但处置海量数据时却代价昂扬。 由于不同的措施各有利害，所以机器学习研讨者不时努力于把各种措施的优势分离起来。就好像一把能翻开一切锁的万能钥匙，我们也在努力发明一个所谓的主算法（master algorithm）——这个算法能够从数据中学习到一切特征，提取出一切可能得到的学问。 当前，机器学习范畴面临的应战和物理学家面临的应战相似：量子力学能够在微观尺度上很好地描画宇宙，广义相对论则适用于宏观尺度，但这两个理论却是不相容的，有待调和。在粒子物理学的规范模型树立起来之前，詹姆斯·克拉克·麦克斯韦（James Clerk Maxwell）首先统一了光、电和磁；与此相似，包含我和华盛顿大学的同事在内，很多研讨团队都提出了将两种或多种机器学习措施统一到一同的思绪。但科学进步是断断续续、非线性展开的，因而很难预测这个大一统的主算法什么时分才干完成。不论怎样，这一目的的完成并不会招致一个全新的、强大的机器种族呈现，相反，它会促进人类的进步。
光明图片/视觉中国 3.人工智能与自由意志 一旦我们取得主算法，并输入由每个人产生的大量数据，人工智能系统就可能经过学习得出每个个体的十分精确和细致的模型：我们的口味和习气、优点和缺陷、记忆和愿望、信仰和个性、我们在乎的人和事，以及任何特定场景下我们会如何回应。我们的模型实质上能够预测我们将做出的选择，这既令人兴奋又令人不安。 许多人担忧，具有这些才干的机器会应用它们新取得的学问来夺走我们一切的工作，奴役我们，以至消灭我们。但这是不可能发作的，由于它们没有自己的意志。基本上，一切的人工智能算法都是由我们设计的目的驱动的，好比“找到从酒店到机场的最短道路”。这些算法与普通算法的区别在于，它们能够灵活地决议如何完成我们为它们设定的目的，而不是需求执行预先定义的一系列步骤。即便经过不时执行任务而得到优化，它们的目的依旧没有改动。不能更好地完成目的的计划会被自动放弃。此外，人类会核对机器的成果能否契合我们的目的。我们还能够考证机器有没有违背我们对它们施加的限制，好比“恪守交通规则”。 但是，当我们想象人工智能时，我们倾向于将人类的特质，如意志和认识投射其上。我们中的大多数人也更熟习家用机器人这样的类人人工智能，而不是无数工作在幕后的其他类型的人工智能。好莱坞将机器人和人工智能描画成人类的形象，也促使我们产生了这种印象。当然，好莱坞采取这样的战略能够了解，这能让故事故得更有吸收力。人工智能只是一种处置难题的才干，而这一任务并不需求自由意志。它与人类作对的可能性，并不比你的手忽然不听使唤，扇自己耳光更大。和其他技术一样，人工智能技术将永远是我们自身的扩展。我们所设计的人工智能系统越强大，人类也就受益越多。 那么，人工智能会让我们的未来变成什么样子呢？智能机器的确会取代许多工作，但对社会的影响可能相似于以前的自动化机器。200年前大多数美国人都是农民，往常机器曾经取代了简直一切的农民，却没有构成大范围的失业。末日论者以为，这一次是不同的，由于机器正在取代的不只仅是我们的肌肉，更是我们的大脑，这将让人类无事可做。但是，人工智能距离承担我们的一切任务依旧十分悠远。在可预见的未来，人工智能和人类将擅长不同的事情。机器学习的主要作用将是大大降低智力成本。这种提高进程将让人工智能在更多的范畴变得经济可行，发明新的就业机遇，并改造旧的工作，让相同数量的人力能完成更多工作。 然后，还有未来学家雷·库兹韦尔（Ray Kurzweil）鼓吹的“奇点”。他想象，技术进步会永远不时加速：机器学会制造更好的机器，而新的机器又能制造出比它还要好的机器。但我们知道这是不可能的，即便是量子计算机——它的计算才干也遭到物理定律的严厉限制，而且在某些方面，我们距离这样的极限曾经不远了。人工智能的进步，就像其他一切的进步一样，最终会趋于平稳。 另一个在未来学家中盛行的观念是，我们自身的计算机模型将变得十分完善，致使于与真实的我们没有区别。在这种状况下，我们能够把自己上传到云端，永远作为软件的一部分存在，不受理想世界的恼人的约束。不外这面临着一个问题：它在生物学上可能行不通。为了上传你自己，你需求一个精确的模型来描画你的每一个神经元，以及它们贮存的记忆。你必须十分牢靠地采集这些信息，使得模型的预测结果尽可能地契合真正神经元的行为——这的确是一个艰巨的任务。但即便这是一个可行的选择，假如你有机遇，你真的会上传自己吗？你怎样能肯定你的模型并没有丧失你的一些必要记忆——或者，这个模型真的具有认识吗？假如一个小偷以最为绝对和完好的方式偷走了你的身份呢？我置信，只需人们能够，都会选择死守他们那黏黏的、以碳为基础、计算机科学家戏谑地称之为“湿件”（wetware）的本体——直到坚持不下去为止。 4.人工智能警察抓捕人工智能罪犯 人工智能，特别是机器学习，事实上只是人类进化的持续。在《延伸表型》（Extended Phenotype）一书中，英国科学家理查德·道金斯（Richard Dawkins）谈到，动物基因控制的不只是它们的身体，还有环境，而且这种现象相当普遍——从杜鹃产蛋到河狸筑坝，都是如此。技术就是人类表型的延伸，我们今天所构建的是我们的另一层技术外骨骼。未来人类会如何运用人工智能？我以为最可能呈现的情形要比通常的推测更有趣。 在十年内，我们中的每一个人都可能具有一个“数字替身”，这个人工智能助手将比我们今天的智能手机愈加不可或缺。你的数字替身不需求和你一同移动，它很可能存在于云中的某个中央，就像你现有的个人数据一样。我们能够在Siri、Alexa和Google助手等虚拟助手中看到它的雏形。数字替身的中心是一个你自身的模型，该模型将从你与数字世界互动时产生的一切数据中学习，包含桌面电脑、网站、可穿戴设备以及智能扬声器、恒温器、手机信号发射塔和摄像机等环境传感设备。 我们的学习算法越好，我们给数字替身提供的个人数据越多，它们就会变得越精确。一旦我们有了主算法，就能够经过增强理想设备和其他个人传感器连续捕获你的觉得和运动信息，这样一来，数字替身会比你最好的朋友都更了解你。 你的数字模型和数据将由一个“数据银行”来维护，这与你用来储蓄和投资的传统银行不同。许多现有的公司肯定愿意为你提供这种效劳。谷歌开创人谢尔盖·布林（Sergey Brin）表示，谷歌想成为“你的大脑的第三个半球”，但假如你大脑的一部分要经过向你展示广告来维持它的存在，你可能不愿意。最好是由利益抵触更少的新型公司或由与你志趣相投的人构成的数字联盟来给你提供更好的效劳。 究竟，人工智能最值得担忧的中央不是它会自发地变邪恶，而是控制它的人会滥用它（用法国人的话说，cherchez l"humain——“看，问题本源总是在人类身上”）。因而，你的数据银行的首要任务是确保你的模型永远不会被用来损伤你的利益。你和数据银行都必须坚持警惕，时辰监控人工智能立功，由于这项技术同样也能增强坏人的才干。我们将会需求人工智能警察来抓捕人工智能罪犯。科幻作家威廉·吉布森（William Gibson）在1984年出版的小说《神经漫游者》（Neuromancer）中就描写了这样的警察，他称其为图灵警察。 当然，这也给某些机构提供了机遇，让它们更容易监视和约束你。思索到机器学习的展开速度，电影《少数派讲演》（Minority Report）中的情形也可能呈现——人们在行将立功时被提早拘捕。还有，在我们一切人都能取得一个数字替身前，世界曾经顺应了部分具有数字替身的人的生活节拍，这对那些尚未取得数字替身的人也意味着错误等。 5.虚拟空间的无数种人生 作为个人，我们的首要任务是不要自满，不要盲目信任我们的数字替身，疏忽它们才刚降生没多久的事实。人们很容易遗忘，人工智能就像具备某些超凡才干的自闭症患者，而且在可预见的未来仍将如此。从名义看，人工智能似乎是客观，以至圆满的，但在内里，它们同我们一样有诸多缺陷，以至更多，只是方式不同而已。例如，人工智能缺乏常识，很容易犯一个人永远不会犯的错误，好比把横穿马路的人误认成被风吹起的塑料袋。它们常常只能了解我们指令的字面意义，精确给出我们请求的东西，但那不是我们真正想要的。（所以，在通知自动驾驶汽车不惜一切代价把你准时送到机场前，要三思。） 实践上，你的数字替身和你如此相似，致使于它能够在各种虚拟互动中替代你。它的工作不是像你一样生活，而是要辅佐你选择那些你没有时间、耐烦或学问亲身去选的东西。它会阅读亚马逊上的每一本书，引荐一些你最可能想要阅读的书。假如你需求一辆车，它会研讨各种选项，并与汽车经销商的替身讨价讨价。假如你在找工作，它会寻觅一切契合你需求的职位，然后为你布置最有可能经过的真人面试。假如你被诊断出了癌症，它会尝试一切可能的治疗措施并引荐最有效的治疗措施。（让你的数字替身参与医学研讨使得更多人受益也是你的道德义务。）假如你正在寻觅爱侣，你的数字替身将会与一切契合条件的数字替身中止数百万次的虚拟约会。在虚拟空间中擦出恋情火花的情侣们则能够在理想生活中约会。 从实质上说，你的数字替身会在虚拟空间中渡过无数种可能人生，这样活在真实物质世界中的你就可能选出其中最好的一个版本。你的模仿生活能否真实，你的数字化身能否有某种自我认识，就像英剧《黑镜》（ Black Mirror）中的一些故事那样，都是有趣的哲学问题。 一些人担忧，这意味着我们将把自己生活的控制权交给计算机。但它实践上给了我们更多的控制权，而不是更少。你的模型还将从每次虚拟体验的结果中学习（你享用这次约会吗？你喜欢你的新工作吗？）所以随着时间的推移，它给出的倡议会越来越接近你自己的选择。 事实上，我们曾经习气了在潜认识的干预下做出我们的大多数决策，由于这就是我们大脑的运作机制。你的数字替身就像是大幅扩展了的潜认识，但它们之间有一个关键的区别：当你的潜认识在你的身体里单独生活时，你的数字替身将会不时地与他人和组织中止互动。每个人的数字替身都将继续努力学习其他人的模型，构成一个基于模型的社会，它们会以计算机的速度生活，探求一切的可能性，猜测我们在当下可能做出的选择。我们的机器将是我们的侦查兵，为独立个体和整个人类物种开辟一条通往未来的道路。它们将带领我们去往哪里？我们将选择奔赴何处？ 本文由《环球科学》杂志社供稿 作者简介: 佩德罗·多明戈斯是华盛顿大学的计算机科学教授。 本文译者: 崔迪潇是西安交通大学人工智能与机器人研讨所讲师，主要研讨方向是人工智能和无人驾驶技术。 《光明日报》（ 2018年10月17日 14版） 作者：2018年10月17日 14版 |
名表回收网手机版
