理查德·费曼(1918—1988,1965年诺贝尔物理学奖得主)是著名的物理学家,他曾讲过一个故事。
(相关资料图)
某天下午,费曼坐在巴西的一家咖啡馆中思考,这时进来一个卖算盘的日本人,打算向咖啡馆推销算盘。这个日本推销员说用算盘便于记账(当时还没有计算机),但是咖啡馆老板表示不想买。
咖啡馆老板说:既然你说这个东西计算很快,那我随便找一个顾客(碰巧就是费曼),你们两个比试一下,看看机器人和人谁的运算更快。
比试开始,首先是算加法,费曼的速度完全没办法和算盘比,他还没读完数字,日本推销员就已经用算法算出得数了。后来费曼说要增加难度,算乘法,这时用算盘需要更多步骤,所以费曼和算盘的速度差不多。
这下,日本推销员说,这不行,我们要找一样更难运算的:开立方根。
费曼同意了,于是咖啡馆老板随机选定了1729.03这个数字。费曼作为一个物理学家,碰巧知道12的立方是1728(一英尺等于12英寸,求立方体体积时,这种运算是很常见的),所以他只需要知道剩下的1.03怎么开立方。
很快,在几秒钟内,费曼通过使用“泰勒公式”算出了小数点后5位的得数,给出了12.0025,这个数字和正确答案12.00238……的误差是10万分之一。
几分钟后日本推销员才喊出12,费曼完胜算盘。
人与机器的角逐实际上各有优劣,人的直觉和经验是机器无法模仿与超越的,而机器在弱人工智能方面是胜过人类的。一个简单的人造计算器没有智能,但是可以在计算6位数乘以6位数的乘法上胜过人类。100年前那个人造的手摇计算机在计算速度方面已经超过人了。
机器确实有比人做得更好的地方,但是在需要直觉和经验的场景下,机器往往无法胜过人。
人和机器在做决定时,用的是两种不同的方法。
人是用直觉,直觉是人将各方面知识综合在一起形成的,直觉让人快速得到一个解决答案。
机器用的是“梯度下降”算法,这是在求解机器学习算法的模型参数时,最常采用的方法之一。
机器做决策只有一个方法,就是先让人类找到“损失函数”,然后让损失函数最小化。
从这方面看,机器没有任何智能——是人写出损失函数,然后让机器执行优化算法。所以人们对机器的期望不能太高:机器在弱人工智能层面可以做得很好,但是用梯度下降的范式不可能产生强人工智能。
现在我们常说的人工智能,与以前的人工智能最大的区别是:以前,人通过写计算机程序来制定规则,然后输入一些数据,让计算机算出结果;而现在,是人把数据和结果输入进去,通过监督和非监督学习的算法,让机器来学习并得到规则。
以前的人工智能叫做“专家系统”,是基于规则的;现在的人工智能则更多是让系统根据数据去自动优化,学习底层逻辑。
就如所有机器一般,人工智能在某个方面可以很强大,但是复杂的算法常常被掩盖在简单的界面里,使用者在不理解底层逻辑的情况下使用,可能会产生极坏的效果。就好比把机关枪交给一个三岁的小孩去用,结果会难以想象。
我们举几个例子。
有一位美国朋友给我们发来一张优步的自动驾驶汽车的照片,从中我们发现一处不对劲的地方:禁止左转的红灯亮的时候,车居然向左转弯了。
后来我们讨论了这个问题,原来是因为训练自动驾驶时使用的是人类驾驶的数据记录,有人在禁止左转的红灯亮的时候左转过,导致机器学到了这样一个行为。
所以,人并不是一个完美的物种,如果机器完全向人类学习的话,也会学到人的一些坏习惯。
几年前,几位北航的教授做过一个研究,根据人们乘坐北京地铁进站和出站的情况,画出一些曲线,把人分成几种类型。
例如,游客会去圆明园、香山;购物者会去西单、王府井;而小偷的行为曲线与正常人群是非常不一样的。
是否可以用人工智能分析所有人的行为轨迹,找出小偷呢?
可以。
但是另一种分析方法则是比较危险的。
美国新泽西州的警监说:“我们用大数据技术能够算出什么样的人会比较容易犯罪,并算出他们在什么时候会犯罪,这样可以提前预警。”
这让我们想起科幻片《少数派报告》,这里最大的问题就是,这样的计算依赖的是人不可改变的数据平均值。平均来讲,黑人的犯罪率更高,但是并不代表每个黑人的犯罪概率都高,用平均值算出来的结论如果推广开来,对黑人个体就是很不公平的,而在很多场景下是很危险的。
从算法上讲,我们不能只看平均效果,还要看个体行为。
这与抓小偷的区别在于:美国新泽西州的警监抓罪犯的方法,是根据对方的年龄和肤色这些自身无法改变的因素来判断的,这样会冤枉好人;而前面抓小偷的方法则是根据对方的行为,根据行为的判断就没有问题。
很多人工智能算法试图追求的都是平均效果,但如果聚焦到人的话,结论就会完全相反。
可见,人工智能不是万能的,结果要靠人去解读,人和机器要一起合作才是最优的。
人工智能有两个非常深刻的课题需要解决:一是过度拟合问题(假如给了系统太多的自由度,让它学到一些不该学的东西,那么它在样本内的表现很好,但是在样本外就很差);二是因果关系的问题(即便能发现两个变量的强相关关系,也不能代表其中一个导致了另一个发生)。
这两大挑战,是人工智能目前急需解决的问题。
(张晓泉为香港中文大学商学院副院长、决策科学与企业经济学系教授)
[责任编辑:linlin]
标签: