Douglas+Heaven

我們已經(jīng)創(chuàng)造了一種全新的智能形式，盡管沒有人能夠看透它如何思考、如何推理。

瑞克·拉希德（Rick Rashid）這么緊張是有原因的。他在中國的天津邁上講臺，面對2000名研究者和學生，要發(fā)表演講。問題在于，他不會講中文，而他的翻譯以前糟糕的水平，似乎注定了這次的尷尬。

“我們希望，幾年之內(nèi)，我們能夠打破人們之間的語言障礙”。這位微軟研究院的高級副總裁對聽眾們說。令人緊張的兩秒鐘停頓之后，翻譯的聲音從擴音器里傳了出來。拉希德繼續(xù)說：“我個人相信，這會讓世界變得更加美好?！蓖ｎD，然后又是中文翻譯。

他笑了。聽眾對他的每一句話都報以掌聲。有些人甚至流下了眼淚。

這種看上去似乎過于熱情的反應(yīng)是可以理解的：拉希德的翻譯太不容易了。每句話都被理解，并被翻譯得天衣無縫。令人印象最深的一點在于這位翻譯并非人類。

曾幾何時，執(zhí)行這樣的任務(wù)遠超最復雜的人工智能的能力，而且并不是因為人們沒有為此付出努力。多年以來，人工智能領(lǐng)域被那些旨在復制人類意識功能的宏大計劃統(tǒng)治著。我們夢想著擁有一臺機器，能夠理解我們、識別我們，幫助我們做出決定。近幾年來，我們已經(jīng)實現(xiàn)了這些目標，然而實現(xiàn)的方式，是先行者不曾想象的。

如此說來，我們已經(jīng)研究出了復制人類思想的方法了嗎？還差得遠呢。相反，實現(xiàn)這些目標的方法，與我們最初的愿望大相徑庭。人工智能在你周圍無處不在，它的成功可以歸因于大數(shù)據(jù)和統(tǒng)計學，也就是利用海量信息執(zhí)行復雜計算。我們已經(jīng)創(chuàng)造出了意識，只不過它們與我們的意識相去甚遠。它們的推理過程，對人類來說深不可測——這一進展所預(yù)示的前景，正在引起人們的關(guān)注。既然我們正在愈加依賴這種新型智能，我們或許需要改變自己的思維方式去適應(yīng)它。

復制思維

半個多世紀以前，研究者列出了一系列目標，是我們向具備人類智能的機器挺進時必須要達成的。英國布里斯托爾大學的尼洛·克里斯蒂亞尼尼（Nello Cristianini）說：“從20世紀50年代開始，我們就有了一張待辦事宜的清單。”他曾寫過人工智能研究歷史和演化方面的著作。

清單上的很多項目可以追溯到1958年在英國特丁頓召開的思想過程機械化會議。參與那次會議的，不僅有計算機科學家，還有物理學家、生理學家和心理學家。按照我們的樣子建造思考機器的前景，令這些人全都激動萬分。他們一致認為，智能的特征應(yīng)該包括對理解話語、翻譯語言、識別圖像以及模仿人類決策的能力。

然而時間在流逝，那張清單卻絲毫沒有變短。很多研究者試圖以邏輯公理為根基，使用程序化的規(guī)則來模擬人類思考。他們以為，只要創(chuàng)建足夠多的規(guī)則就能成功。但事實證明，這太難了。幾十年過去了，人工智能研究成果寥寥，資金告罄。

那么，究竟是什么發(fā)生了改變呢？“我們并沒有找到智能的解決方案，”克里斯蒂亞尼尼說，“我們算是放棄了?！比欢?，這便是突破?！耙坏┪覀兎艞壷圃炀窈托睦硖匦缘膰L試，成功之道便開始出現(xiàn)在眼前了。”

說白了，他們放棄了預(yù)編程的規(guī)則，而是投向了機器學習的懷抱。利用這種技術(shù)，計算機教會自己從數(shù)據(jù)中建立模式。有了足夠大的信息量，你就能讓機器學會做看上去有智能的事情，別管是理解話語、翻譯語言，還是識別人臉。英國劍橋微軟研究院的克里斯·畢肖普（Chris Bishop）打了個比方：“你堆積足夠多的磚塊，然后退上幾步，就能看到一座房子?！?/p>

這種方法的原理大概是這樣的。很多最成功的機器學習系統(tǒng)，依據(jù)的都是貝葉斯統(tǒng)計，這種數(shù)學框架能讓我們測算可能性。根據(jù)給定情境以及先前在類似情境中觀察到的關(guān)聯(lián)數(shù)據(jù)，貝葉斯統(tǒng)計能夠給出出現(xiàn)某個結(jié)果的可能性數(shù)值。

比如，我們想讓人工智能回答一個簡單問題：貓吃什么?；谝?guī)則的方法要從零開始，采取有邏輯的步驟，建立一個關(guān)于貓及其飲食習慣的數(shù)據(jù)庫。采用機器學習技術(shù)，你只需要不加選擇地輸入數(shù)據(jù)——互聯(lián)網(wǎng)搜索、社交網(wǎng)絡(luò)、食譜書籍等。通過計算特定詞匯出現(xiàn)的頻率以及概念之間如何彼此關(guān)聯(lián)，系統(tǒng)便建立了一個統(tǒng)計模型，能夠估計貓喜歡某些食物的可能性。

當然，機器學習所依賴的算法已經(jīng)出現(xiàn)多年。新鮮之處在于，現(xiàn)在我們有了足夠的數(shù)據(jù)，讓這種技術(shù)大顯神威。

就以翻譯語言為例。20世紀末，

IBM將加拿大國會生成的英法雙語文檔輸入計算機，利用機器學習技術(shù)教它在這兩種語言之間互譯。那些文檔就像羅塞塔石碑一樣，包含了幾百萬被寫成兩種語言版本的例句。

IBM的系統(tǒng)辨別出兩種語言單詞和短語之間的關(guān)聯(lián)，并將這種關(guān)聯(lián)應(yīng)用于新的翻譯任務(wù)。結(jié)果卻滿是錯誤。他們需要更多的數(shù)據(jù)?！斑@時谷歌跟了上來，差不多輸入了整個互聯(lián)網(wǎng)?！庇＝虼髮W互聯(lián)網(wǎng)學院的維克托·邁爾-舍恩伯格（Viktor Mayer-Sch?nberger）說道。

和IBM一樣，谷歌在翻譯領(lǐng)域所做的努力，一開始也是發(fā)展算法，在多語言文獻之間交互參考。然而，研究者開始意識到，如果翻譯器學習了說俄語、法語和韓語的人們實際的講話方式，翻譯質(zhì)量將有很大提高。

谷歌轉(zhuǎn)向了被它索引過的龐大網(wǎng)絡(luò)。這張網(wǎng)絡(luò)正在朝豪爾赫·路易斯·博爾赫斯（Jorge Luis Borges）1941年的短篇小說《巴別圖書館》中那座假想的圖書館迅速演進。小說中的圖書館收藏的書籍，囊括了所有可能的詞語組合。假設(shè)谷歌翻譯器正試圖將英語翻譯成法語，它便可以將它最初的嘗試與互聯(lián)網(wǎng)上用法語寫就的每一個句子作比較。邁爾-舍恩伯格用翻譯“l(fā)ight”一詞來舉例：表示光照時，要翻譯成法語詞“l(fā)umière”，表示重量時，則要翻譯成“l(fā)éger”。谷歌翻譯器自己學會了如何做出與法國人一致的選擇。

除了大量詞序的相對頻率，谷歌翻譯器以及拉希德使用的微軟翻譯器，對語言可謂一無所知。這些人工智能無非是一個詞接一個詞地計算接下來出現(xiàn)什么詞的可能性。對它們而言，這只是個概率問題而已。endprint

這些基本原理多少顯得有些直來直去。當巨量數(shù)據(jù)中產(chǎn)生海量關(guān)聯(lián)時，事情就復雜了。比如，谷歌的自動駕駛汽車，為了對周圍環(huán)境作出預(yù)測，每秒鐘要收集差不多1GB的數(shù)據(jù)。亞馬遜這么善于誘導人們購買更多的商品，是因為它做出推薦所依據(jù)的基礎(chǔ)，乃是幾百萬其他購買行為中的幾十億關(guān)聯(lián)關(guān)系。

大者為王

翻譯拉希德的演講，展現(xiàn)了統(tǒng)計人工智能可以有多么強大——不僅要猜測他說了什么，思考該怎么翻譯，還要判斷這句中文由他說出來是什么效果?！斑@些系統(tǒng)的表現(xiàn)并非神跡，”畢肖普說，“但僅僅是探究一下巨量數(shù)據(jù)的統(tǒng)計信息，就能取得這么大的成就，我們常常為此感到驚訝?！?/p>

這些智能算法正開始影響生活的每一個方面。就在拉希德演講一個月之后，荷蘭國家法證科學研究所就雇了一套名叫波拿巴（Bonaparte）的機器學習系統(tǒng)，輔助他們尋找一名已經(jīng)潛逃了13年的謀殺犯罪嫌疑人。波拿巴能夠分析和比對大量DNA樣本，這個工作由人工來做的話將非常耗時。保險和信用行業(yè)也在擁抱機器學習，部署這種算法為個人建立風險評估簡況。醫(yī)學界也在利用統(tǒng)計人工智能，篩選大得令人類無法分析的基因數(shù)據(jù)庫。IBM公司的沃森（Watson）甚至能夠診斷疾病。

“大數(shù)據(jù)分析能夠發(fā)現(xiàn)被我們遺漏的事情，”邁爾-舍恩伯格說，“它對我們的了解，比我們自己還要深刻。但它也需要一種迥然不同的思考方式?！?/p>

在人工智能發(fā)展早期，“可解釋性”被賦予了很高的價值。當機器做出選擇時，人類能夠追查到原因。然而，如今，那些由數(shù)據(jù)驅(qū)動的人工意識所做的推理，是對巨量數(shù)據(jù)點進行高度復雜的統(tǒng)計分析。換句話說，為了得到“是什么”，我們放棄了“為什么”。

就算一位高超的技師能夠搞懂其中的數(shù)學過程，可能也沒有什么意義。畢肖普說，那并不會揭示為什么系統(tǒng)會做出某個決定，因為這個決定并不是經(jīng)由人類能夠解讀的一系列規(guī)則而得出的。他認為，為了得到有用的系統(tǒng)，這是個可以接受的取舍。早期的人工意識或許是透明的，但它們都失敗了。“你可以得到一個解釋，但那是對錯誤預(yù)測的解釋?！币恍┤藢@種轉(zhuǎn)變提出了批評，但畢肖普和其他一些人主張，是時候放棄對人類解釋的期待了。

“可解釋性是一種社會契約，”克里斯蒂亞尼尼說，“過去我們認為它很重要，現(xiàn)在我們認為它不重要?！?/p>

英國布里斯托爾大學的彼得·弗拉赫（Peter Flach）試圖向他計算機科學專業(yè)的學生，講授這種從根本上不同的思維方式。編程講究絕對，機器學習分析的卻是不確定程度。他認為，我們應(yīng)當更習慣懷疑。比如，亞馬遜的人工智能推薦了一本書，這究竟是機器學習的結(jié)果，還是亞馬遜有一些書不好賣？再比如，亞馬遜可能會告訴你，和你差不多的人購買了它所展示的書，它所說的“和你差不多的人”以及“與此差不多的書”究竟是什么意思？

“也許，在某種程度上，我們終將不得不信任機器，即便我們無法完全理解它。”弗拉赫說。

危險在于，我們不再提出問題。我們會習慣于在不經(jīng)意間由機器替我們做出決定嗎？由于智能機器已經(jīng)開始針對抵押申請、醫(yī)療診斷，甚至你是否有罪，做出神秘莫測的決斷，我們押在人工智能上的賭注更大了。

比如在醫(yī)療方面，如果一套機器學習系統(tǒng)認為，你在未來幾年中將開始酗酒，會怎么樣？醫(yī)生可以據(jù)此拒絕給你施行器官移植手術(shù)嗎？如果沒人了解結(jié)論從何而來，便很難討論你的病情。一些人可能會信任人工智能甚于其他?！叭藗兲敢饨邮芩惴òl(fā)現(xiàn)的事情，”弗拉赫說，“連計算機都說‘不了。而這正是問題所在?！?/p>

此時此刻，某個地方，可能有一部智能系統(tǒng)正在判斷你是什么樣的人以及將成為什么樣的人?？纯窗l(fā)生在美國哈佛大學拉坦婭·司維尼（Latanya Sweeney）身上的事情吧。有一天，她驚訝地發(fā)現(xiàn)，她的谷歌搜索結(jié)果附帶的廣告問道“你被逮捕過嗎？”白人同學的搜索結(jié)果中卻沒有這條廣告。這件事促成了一項研究，表明谷歌搜索背后的機器學習系統(tǒng)，無意中成了種族主義者。在深不可測、浩如煙海的關(guān)聯(lián)當中，跟犯罪記錄相關(guān)的廣告與黑人慣常使用的名字被聯(lián)系了起來。

“人工智能會遇到很多倫理困境，”邁爾-舍恩伯格說。很多人已經(jīng)對大數(shù)據(jù)時代的隱私問題表達了關(guān)切。 “說實話，相對于隱私，我更擔心統(tǒng)計預(yù)測遭到濫用?！?/p>

為了探索人工智能的世界，我們有必要改變自己對于人工智能是什么的想法。我們已經(jīng)建造的標志性智能系統(tǒng)，既不下象棋，也不謀求推翻人類的統(tǒng)治。克里斯蒂亞尼尼說，“它們跟HAL 9000不一樣?！彼鼈円呀?jīng)不再僅僅在線上陪我們打發(fā)時間，或者慫恿我們?nèi)ベI更多的東西，而是能夠在我們自己意識到之前預(yù)測出我們的行為。我們避不開它們。因此，相處的訣竅在于，承認我們沒有辦法知道這些選擇因何作出，而是要正確看待人工智能給出的這些選擇：它們是建議，是數(shù)學上的可能性。這些選擇的背后，不存在什么神諭。

當人們夢想著以自己為藍本建造人工智能時，他們向往的或許是，有朝一日能夠以平等的身份，與這些會思考的機器相遇。然而，我們最終得到的人工智能卻是異類，是一種我們之前不曾遭遇過的智能形式。（來源：果殼網(wǎng)，2013-09-07）endprint