“废柴巨人”人工智能的质变

编者按：本文来自微信公众号“远川科技评论”（ID:kechuangych），作者：董指导，36氪经授权发布。

从匹诺曹、爱德华到大黄蜂、贾维斯，人类对于机器智能的憧憬和追求就从没离开过荧幕。而在现实生活中，最引人注意的莫过于“机器人司令”马克·雷波特（MarcRaibert）。他是麻省理工学院（MIT）的教授，在1992年时创办了波士顿动力公司，全力研发各样智能机器人。

2009年时，波士顿旗下的BigDog（大狗）亮相互联网，它虽然体积庞大，但行走平稳、转向灵活，仿生状态非常惊艳。4年后，其发布的人形机器人Atlas更是名声大噪，初代产品可以伸展双臂平衡通过狭窄的“独木桥”；随后更具备了倒立、翻转、空中劈叉等动作，甚至跑酷的姿势也非常优美。

波士顿动力的每一款产品问世，都能成为网红焦点。而雷波特及其公司也成为谈及AI时所无法避开的行业典范。因此在11月4日东莞举办的企业创新生态圈大会上，雷波特也远程参会交流。和他对话的，则是中国AI（人工智能）公司云从科技的创始人周曦。后者也是学霸创业，从中国科学院走出来的行业中坚。

两位科技大佬对话的一大背景是，当下人工智能正在从又一波高峰滑落：外界总期待AI人工智能无所不能，但实际却像个“废柴巨人”。

就拿波士顿动力来说，就连充满探索精神的谷歌，收购公司之后，看着商业化进程这么缓慢，也坐不住了，最终卖出转手。而国内的AI，在大众认知里似乎依然停留在语音、人脸识别这些不够“性感”的方向。

确实，历经六十多年发展，AI技术已有大幅提升，甚至学术界担忧，AI过于强大从而带来威胁、统治人类。然而，现实却是，成熟商业化的领域依然不多，对社会的影响也感知颇浅。因而，社会普遍认为，AI就像个“废柴巨人”，看上去很有创造力和破坏力，但除了饭（烧）量（钱）大（多）也没啥本事。

那么，AI该如何摆脱废柴的尴尬？该如何秀出肌肉、舞动拳头、发挥力量又不至于统治人类呢？

人工智能之父可以追溯到在二战中做出密码破译机的图灵，而行业的起点则从1956年达特茅斯学院的暑期会议，世界第一座AILab实验室开始。自此后的十年，AI领域一片红火：美国政府投资了数百万美元、西洋跳棋程序诞生并战胜了人类大师、会文本聊天的机器人、专家系统、根据指令抓积木的机器人相继诞生。

然而，这波热潮却在1973年被一份报告泼了冷水、湿得透透：到目前为止，该领域的任何发现都没有产生当初承诺的重大影响。[1]随后学术界进行了一轮深刻的批评与自我批评，AI的研究进入平静阶段。

1976年，诞生了十余年的专家系统，终于开始在商业中发挥作用，借助数据库积累参与医疗诊断咨询。借助专家系统，AI复兴快速展开，日本政府拨款8个多亿美元支持研发、英国耗资3亿多英镑打造AI工程。然而，又过了十年后，人们遗憾发现，机器专家也不灵光，AI研发再次陷入低谷。

1960s年代、1980s年代，两次产业的迸发与消退、人类的狂喜与失望，归根结底就是一句话：机器没有人们期望的那么智能。

事后来看，结果是显而易见的。硬件方面，晶体管、芯片的集成度仍处于早期，视觉、触感等信息的获取，也十分困难。软件方面，支持建立模型的数据量仍严重不足，算法规则理念也不够先进。可以说，不是机器不够智能，而是人类的功课还没准备充分。

两次的周期往返让产业深深质疑，AI到底是不是一个方向？未来会好吗？甚至有人开始反思，大象根本不玩象棋（ElephantsDon’t Play Chess），但大象却可以根据环境变化做出判断、反应。用人类设定规则的方法，也许是错误的。

幸运的是，科学家并没有停止探索。寒冬中播下的种子，在暖风之下，开始生根发芽。

跨学科研究：概率论、统计学、控制理论、工程学、神经学等等，越来越多学科跨界进入AI研究，交叉体系打破了先行设定规则的思路，神经网络、深度学习技术开始发展。

硬件大提速：在摩尔定律的促使下，芯片集成度指数型发展，CPU、GPU、MPU等等功能芯片层出不穷。而云的诞生，也使得算力可以近乎无限扩大。光学镜头、红外等传感器也性能提升，对外界环境的辨别、关键信息的捕捉也更加高效。

软件爆发潮：在互联网、移动互联网时代，产生的数据量爆炸性增加，每年产生的量就等于过去人类上千年积累的百万倍，真实世界的活动得到了前所未有的记录，为建立模型提供了充分的素材。在互联网大潮中，码农数量也随之增加，如今全球达到了3000万人左右。

在这些因素的促使下，AI产业再次昂首阔步：“深蓝”战胜国际象棋冠军，AlphaGo完虐人类围棋高手，无人驾驶车也行驶在路上，AI甚至出现在了美国禁令清单中。技术爆发性“奇点”似乎就要到来，以至于比尔盖茨、霍金等大佬纷纷劝阻，别搞太快了，很危险；AI会取代人类。

实际情况是，机器学习、深度学习、强化学习技术支撑的这一轮AI热潮，也根本快不起来，纯粹深度学习的算法演进，已走入绝境。OpenAI的GPT-3模型训练成本高昂，其智商却无法理解“冰箱里的奶酪是否会融化”这样的常识。

2008年金融危机后，为避免再次发生世界性危机，全球最顶级的金融人才开始修订《巴塞尔协议》，而如果交给GPT-3，起码要经历千百次金融危机它才能学会。

周曦认为，“这个时候我们需要另外一条路，我们叫专家知识。我们要相信人的力量，把人工智能和人结合。人能够在很复杂的环境，很小样本的情况下，作出创造性的决定。”

如此一来，人机协同，成为人工智能进化的必然方向，同时，也是人类合理使用AI的必然要求。

电影《黑客帝国》中展示了这样一副图景：人类生活在一个虚拟世界中，而创造并控制这个世界的是叫做“母体”的AI人工智能系统。人类仿佛是AI饲养的动物，没有真实的自由，而实际上，人类不过是一行行代码程序。然而，更可怕的是，99%的人类对虚拟世界完全没有察觉。

电影结尾，黑客Neo用人类的爱情战胜了机器的理性，但电影仍令人后背发凉，人类的肉身如何抵抗AI的超级之躯。尽管超级AI还为时尚早，但AI已经开始取代部分人类工作：

比如计算机开始取代机关机组人员工作，负责编排航班时刻表、分析异常报告；算法也取代了编辑，自动向用户推送内容；机器人替代搜救队员到危险地方工作，替代了医生进行高效诊疗，减少失误；雷达和算法，替代人脑更快判断车距和避险。毫无疑问，AI的智能化正改善着人类的生活。

然而，AI未必能永久智能。2010年，交易算法故障导致纽交所闪电崩盘，几分钟内蒸发了万亿美金；2018年，计算机故障导致欧洲1.5万个航班严重延误或取消。[2]除了金钱损失之外，AI过度使用，也在冲击着人类社会文明：

剑桥分析公司不当使用数千万用户信息，个人隐私遭到破坏；而DeepFake带来的换脸等应用，流行于网络，社会秩序、公共安全遭到极大冲击。甚至军事领域，也开发了大量AWS（无人指挥下，自主寻找目标并进行击杀）武器，大大加大了杀戮的残暴。

而在讨论超级智能AI对人类的威胁时，总有人会说，到时关闭电源不就好了，但诡异的是，AI的目标是为了完成人类赋予的任务而克服万千困难，“被断电”显然也是它认为需要克服的困难。因此，如果AI只是被设定用来实现“最大化目标”，那么AI的终极，就是超级AI、就是全面接管人类。

毕竟，初出茅庐的AI，并不能短时间内具备人类的社会经验和价值判断。基于此，人工智能学者斯图尔特·罗素（StuartRussell）认为，人类应该致力于研发“可证明对人类有益的人工智能”（ProvablyBeneficial AI），而不是人类及超人类级别的AI。

罗素对AI提出了三个原则：最大化实现人类目标；对人类保持敬畏之心；基于人类行为设定机器偏好。浓缩成一句话的话，好AI应该是“以人为本的人机协同”：人类居于主导地位，基于人类的经验、判断与偏好，研发服从于人类利益的AI，最终拍板的依然是“我们”。既不做半机器半人类，也不做机器下的人类。

而要让AI成为助手，总共分三步：第一步，在多个人机协同感知端实现技术突破，将人力从繁复的工作中解放出来；第二步，在感知、认知到决策全流程提升效率，助力决策；第三步，在人机交互体验帮助创造者，丰富终端的产品和服务内容。

这个“三步走”战略，逻辑严密前景美好，但要实现却并非易事。它要求每一步都算数，每一步都得踏实走。不少国内公司都在迈出第一步，在感知端的工作已经成为追求精度的竞赛。率先迈开第二步的，才能更快完成人机协同的目标。而这则有一个先决条件：市占率说了算。

只要在终端分布的感知端数量越多、喂给认知与决策算法的数据才会越多，而经过训练反馈的结果也才会趋近于最优。这也是统计学、概率论发挥作用的基础。

国内不少企业也在如此布局。2015年成立的云从科技，凭借“行业专家+工程师”模式的充分开发，云从对银行和机场进行了最为广泛的AI覆盖。这保证了公司在向认知与决策端延伸时，有足够优质海量的数据可以使用，为成功迈出第二步做了充分保障。

人机协同成为人类和AI的亲密接触，而需求则成为了AI竞争的关键，也成为了中国AI发展的优势。

截止2016年，全球深度学习领域，中国论文总量与引用均位列第一，AI领域的发明专利中国位列第二；而在商业化方面，2011年成立的旷视，2012年成立的依图，2014年成立的商汤，以及2015年成立的云从，都在短期内快速崛起，被并列称为中国的“AI四小龙”，赶着来投钱的资本，从中国一直排到了美国。

这几家基本都是以计算机视觉技术CV起家，所以大众普遍认为所谓的AI，不过是认脸、下棋、刷论文、或者套着AI名义做个政府集成外包。虽然AI商业化的进程缓慢，但毫无疑问，这些印象还是刻板过时了。

AI商业化的良性之路，正在形成。

以云从为例，已经实现了AI从感知（人脸、人体、物体、语音）到认知（语义、知识图谱、大数据）到决策（风控、推荐、画像）的技术闭环。除此之外，云从的“3D结构光人脸识别”、商用跨镜追踪（Re-ID）、人体3D重建等技术也走在技术前列、商用舞台。

人机协同也早已取代计算机视觉，成为这家小巨头的新标签。 周曦做了一个总结：每次科技的进步都是效率的提升，都是对人的延展。

既往的几次科技革命，都只是对人类四肢的延展。而人机协同则带来新的质变——对人脑的延展，既然人的思维没有边界，那么在人机协同这个方向下，人工智能就不应再被束缚在具象化的实物上，而是能够像思维一样拓展出无限的边界。

以AI在医疗中的应用为例，如果仅有传统的计算机视觉技术以及语音识别技术，那么AI的最多还是只能看看CT，顺便帮医生录入病例。然而，对于那些挣扎在死亡边缘的的病人来说，他们面对的最大困难则是，能够耄耋之年冲上一线的钟南山院士只有一个，能够殚精竭虑无私奉献的陶勇医生也只有一个。

人机协同则可以通过在人工智能技术这个黑匣子中置入专家知识，将钟南山、陶勇们的知识技能模型化、自动化，通过AI解决掉90%以上诊疗信息，协助医生付出10%的精力处理其他关键性问题，进而让医疗专家的服务能力扩大10倍以上。

在海关监管系统中，云从已经开始进行人机协同的阶段性实践，研发了海关立体监管决策指挥系统、集装箱全流程监管以及智慧查验等系统，将海关监管的现实场景数字化、结构化、模型化，帮助海关专家做出更好的决策。

云从之外，商汤的算法平台，旷视的物联网，也都已取代计算机视觉，成为各自新的目标。中国AI产业，正依靠着广阔的需求市场，走上世界舞台。

而无论是银行风控专家，还是三甲医院主任医生，在中国，都是极其稀缺的资源，但老百姓对高品质服务的需求是实打实的。人机协同，既可以将高质量产品与服务普惠于民，又避免了人机岗位的冲突。

对于我们这样人口大国来说，发展人机协同的普惠型AI，延展我们的智慧，是产业发展的趋势，也是工程师红利和群众需求结合的必然选择。

虽然火器大炮在中国早有使用，但清朝时期的大炮“只知道用铁铸成炮身，不知道做炮膛，全无科学分寸，所以施放不能有准头”，[3]火炮内外凹凸不平，其中最大的凹陷，可以倒入4碗水而不溢出。最终在和列强的战斗中，清朝军队惨败负辱。

诚然，如今的世界，爆发大规模战争不再容易，但不可否认的是，国与国之间的竞争、甚至对抗，却从未停止。而科学、科技，无论在清朝，还是如今，都是自强自立的根本保障。而在AI领域，经过几批人的努力，中国已经有资格和海外公司站在同一阶段，这是弥足珍贵的成绩。

任正非曾说，只有长期重视基础研究才有工业的强大，人工智能是影响和塑造一个国家的核心变量。

作为拥有14亿人口的中国，我们需要提升效率创造更多的财富、也需要注重平等共同富裕。也许AI看似“废柴”，但我们却不能忽视“巨人”的存在。包容创新、包容那些探索的人，我们的基础教育、我们的技术强国，也才会有保障。

参考资料

[1] 《莱特希尔报告》（LighthillReport），ScienceResearch Council of Great Britain，1973

[2] 《AI新生》，斯图尔特·罗素（StuartRussell），中信出版社

[3] 《中国历史纵横谈全集》，萧枫，辽海出版社