當我們在談?wù)?AI 時，我們到底在談什么？人工智能三度崛起，所有的人張口閉口都是 AI，媒體的炒作讓人看到未來仿佛已經(jīng)來到我們的身邊。但事實真的如此嗎？機器學習宗師級大牛、加州大學伯克利分校計算機科學與統(tǒng)計學教授 Michael I. Jordan 今天在 Medium 上發(fā)布了一篇文章，名為《人工智能革命尚未發(fā)生》，看似在給這個冉冉升起的行業(yè)潑冷水，而實際上，這篇文章帶給我們更多的是冷靜的思考。

人工智能被稱為這個時代的標志，這句話是技術(shù)人員、學者、記者和風險投資家一致同意的。如同從技術(shù)學術(shù)領(lǐng)域跨越到普遍發(fā)行的許多術(shù)語一樣，在使用這些術(shù)語的同時存在重大的誤解。但這是因為公眾不了解科學家所做的事情，實際上科學家經(jīng)常和公眾一樣迷惑。我們這個時代在某種程度上從芯片中洞見了智能未來，并用這些成就來娛樂自己、激勵自己甚至嚇到我們自己。很不幸的事實是：這些都太讓我們分心了。

對于我們這個時代，有一種不同的描述。先來聽一個故事吧，這是一個有關(guān)人類、計算機、數(shù)據(jù)和生死的故事，這是個真實的故事，并不是一個有關(guān)智能的幻想。

14 年前，我的妻子懷孕的時候，我們進行了超聲檢查。當時病房里有一位遺傳學家，她告訴我們，胎兒的心臟周圍有一圈白色斑點，“這是唐氏綜合癥的標志”，她這樣說：“現(xiàn)在風險已經(jīng)高達 1/20。” 之后她進一步告訴我們，可以選擇用羊膜穿刺的辦法確定胎兒是否真的患有唐氏綜合癥。但是，羊膜穿刺是有風險的，胎兒致死率是三百分之一。作為統(tǒng)計學家，我決定找出這些數(shù)字從哪兒來。長話短說，我發(fā)現(xiàn)一個統(tǒng)計分析在英國已經(jīng)進行了十年，這些反映鈣積聚的白色斑點確實是唐氏綜合癥的預(yù)測指標。但我也注意到，在我們的檢查中使用的成像機器比英國研究中使用的機器每平方英寸多了幾百個像素。我回過頭來告訴遺傳學家，我相信這些白斑可能是假陽性特征——它們實際上是 “白噪聲”。她說：“啊，這就解釋了為什么我們幾年前開始看到唐氏綜合征診斷的增加，就是從新儀器啟用之后開始的。”

我們沒有做羊膜穿刺術(shù)，幾個月后我們有了一個健康的女兒。但是這件事讓我感到困擾，特別是在信封計算（back-of-the-envelope calculation）后，我確信全世界當天有成千上萬的人得到這種診斷，其中許多人選擇了羊膜穿刺術(shù)，并且已經(jīng)造成了一些嬰兒不必要的死亡。而這種情況一天又一天發(fā)生，不知何時才能得到修復。這個事件顯示的問題與我個人的醫(yī)療保健無關(guān)——它關(guān)乎整個醫(yī)療系統(tǒng)。它可以測量不同地點和時間的變量和結(jié)果，進行統(tǒng)計分析，并在其他地方和時間使用這一結(jié)果。這個問題不僅與數(shù)據(jù)分析本身有關(guān)，而且與數(shù)據(jù)庫研究人員所稱的數(shù)據(jù) “來源” 有關(guān)——廣義而言，數(shù)據(jù)出現(xiàn)在哪里，數(shù)據(jù)得出了什么推論，以及這些推斷與當前情況之間的相關(guān)程度如何？或許一個訓練有素的人能夠在個案的基礎(chǔ)上進行所有這些工作，但問題在于如何設(shè)計一個大規(guī)模醫(yī)療系統(tǒng)來做到同樣的事，而無需人類進行詳細的監(jiān)督。

我是一名計算機科學家，在我的知識體系中，這樣的事幾乎是沒有先例的，要建立這種超大規(guī)模的推理和決策系統(tǒng)，需要將計算機科學與統(tǒng)計數(shù)據(jù)融合在一起，同時還要考慮人力資源的情況。不僅在醫(yī)療領(lǐng)域，在商業(yè)、交通和教育等領(lǐng)域，它的需求都很大，而且會比已有的花哨的 AI 系統(tǒng)更加耀眼奪目。

無論我們是否真能在不久的未來理解 “智能”，我們確實面臨著一個重大挑戰(zhàn)，那就是如何將計算機和人類結(jié)合在一起從而增強人類生活。雖然有些人認為這一挑戰(zhàn)是“人工智能” 創(chuàng)造出來的附屬品，但其實我們也可以把它看作是一個新的工程分支，雖然看起來比較平凡，但同樣令人敬畏。就像過去幾十年的土木工程和化學工程一樣，這一新學科旨在集中一些關(guān)鍵思想的力量，在保證安全的前提下，為人們帶來新的資源和能力。土木工程和化學工程是建立在物理和化學基礎(chǔ)上的，而這個新的工程學科將建立在上個世紀賦予 “信息”、“算法”、“數(shù)據(jù)”、“不確定性”、“計算”、“推理” 和“優(yōu)化”等概念的基礎(chǔ)之上。此外，由于新學科的大部分重點將放在來自人類和與人類有關(guān)的數(shù)據(jù)上，因此需要從社會科學和人文科學的角度來看待這一學科的發(fā)展。

雖然人工智能這個大工程的組成部件已經(jīng)逐漸顯現(xiàn)，但如何把這些部件組合在一起的原則尚未出現(xiàn)，因此這些部件目前只是以臨時的方式堆在一起。

而正如人類在土木工程出現(xiàn)之前就已經(jīng)開始建造房子和橋梁一樣，人類已經(jīng)開始著手建造涉及機器、人和環(huán)境的大規(guī)模推理和決策系統(tǒng)。但也正如早期的建筑物和橋梁有時會以無法預(yù)見的方式倒塌，并帶來悲劇性后果一樣，我們許多早期的大規(guī)模推理和決策系統(tǒng)已經(jīng)暴露出了嚴重的概念缺陷。

不幸的是，我們并不善于預(yù)測下一個會出現(xiàn)的嚴重缺陷是什么。我們所缺少的是一門涵蓋分析和設(shè)計原理的工程學科。

當前公眾談到這些話題的時候總是把什么都說成是 “AI”，仿佛這是一個萬用通配符，這會導致人們很難推理出這項新興技術(shù)的影響范圍和帶來的后果。所以，首先讓我們開始仔細地考慮一下，“AI” 到底指的是什么，不管是過去歷史中的 “AI” 還是最近人們經(jīng)常談?wù)摰摹癆I”。

當我們談?wù)?“AI”，我們到底談的是什么？

今天所謂的 “人工智能”，特別是大眾所談?wù)摰摹叭斯ぶ悄堋保蟛糠种傅氖沁^去幾十年中被稱為“機器學習” 的東西。機器學習屬于算法領(lǐng)域，它融合了統(tǒng)計學、計算機科學和許多其他學科的思想，以設(shè)計處理數(shù)據(jù)、做出預(yù)測和幫助決策的算法。真正給現(xiàn)實世界帶來影響的是機器學習，而且它所帶來的影響并不是最近才有的。事實上，業(yè)界在 90 年代初就已經(jīng)非常清楚地意識到，機器學習未來可能會對工業(yè)帶來大規(guī)模的影響，在本世紀初，亞馬遜等極具前瞻性的公司就已經(jīng)在所有業(yè)務(wù)中使用機器學習，以解決欺詐檢測、供應(yīng)鏈預(yù)測等關(guān)鍵問題，并構(gòu)建面向消費者的創(chuàng)新服務(wù)，如推薦系統(tǒng)等。在接下來的 20 年中，隨著數(shù)據(jù)和計算資源的迅速增長，很明顯，機器學習將能夠為任何決策與大規(guī)模數(shù)據(jù)相關(guān)聯(lián)的公司提供新的動力，而不僅是亞馬遜。新的商業(yè)模式不斷涌現(xiàn)。“數(shù)據(jù)科學”一詞開始被用來指代這一現(xiàn)象，反映出機器學習算法專家需要與數(shù)據(jù)庫、分布式系統(tǒng)專家合作，以建立可擴展的、健壯的機器學習系統(tǒng)，同時也反映出推理系統(tǒng)的更大潛力。

在過去幾年里，這種想法和技術(shù)趨勢的融合被重新命名為 “AI”。這種重新命名值得仔細研究。

回顧歷史，“AI”一詞是在上世紀 50 年代末被創(chuàng)造出來的，指的是用軟件和硬件實現(xiàn)一個擁有人類智能的實體這一雄心勃勃的愿望。我們將使用 “仿人 AI” 一詞來指代這一愿望，它所強調(diào)的是人工智能實體應(yīng)該是人類的一員，如果不是身體上相似那么至少應(yīng)該從精神上相似（先不管這意味著什么）。這主要是一項學術(shù)研究。雖然諸如運籌學、統(tǒng)計學、模式識別、信息論和控制論等相關(guān)的學術(shù)領(lǐng)域早已存在，并且常常受到人類智能（和動物智能）的啟發(fā)，但是這些領(lǐng)域可以說集中在 “低級” 信號和決策上。比如說，松鼠能夠感知它所生活的森林的三維結(jié)構(gòu)，并在樹枝間跳躍，這種能力對這些領(lǐng)域是很有啟發(fā)性的。而 “AI” 所應(yīng)該關(guān)注的是另外一些不同的東西——人類 “推理” 和“思考”的 “高級認知” 能力。然而，60 年過去了，高級推理和思考仍然難以捉摸。現(xiàn)在那些被稱為 “AI” 的發(fā)展主要出現(xiàn)在與低級模式識別和運動控制相關(guān)的工程領(lǐng)域，以及統(tǒng)計學領(lǐng)域——該學科側(cè)重于在數(shù)據(jù)中發(fā)現(xiàn)模式，并做出有根據(jù)的預(yù)測、假設(shè)檢驗和決策。

著名的 “反向傳播” 算法在 20 世紀 80 年代初被 David Rumelhart 重新發(fā)現(xiàn)，且現(xiàn)在被認為是所謂的 “人工智能革命” 的核心，但事實上，這一算法最早出現(xiàn)在 20 世紀五六十年代的控制理論領(lǐng)域。它的早期應(yīng)用之一是優(yōu)化阿波羅宇宙飛船飛向月球的推力。

雖然自 20 世紀 60 年代以來，我們已經(jīng)取得了很大的進展，但可以說，這并不是源于對 “仿人 AI” 的追求。相反，就像阿波羅宇宙飛船一樣，這些想法往往隱藏在幕后，是專注于具體工程挑戰(zhàn)的研究人員的杰作。雖然公眾看不到，但文檔檢索、文本分類、欺詐檢測、推薦系統(tǒng)、個性化搜索、社交網(wǎng)絡(luò)分析規(guī)劃和診斷、A/B 測試等領(lǐng)域的研究和系統(tǒng)構(gòu)建取得了巨大的成功——而這些進步推動了谷歌、Netflix、Facebook 和亞馬遜等公司的發(fā)展。

人們可以簡單地同意將所有這些都稱為 “AI”，事實上，人們現(xiàn)在似乎就是這么做的。這種隨意的命名標簽，可能會讓優(yōu)化或統(tǒng)計學領(lǐng)域的研究人員感到意外，他們一覺醒來后發(fā)現(xiàn)自己突然就被稱為“人工智能研究人員” 了。但撇開研究人員的標簽不談，更大的問題是，使用這個單一的、定義不清的首字母縮略詞，使人們無法清晰地理解當前正在發(fā)生的到底是什么樣的技術(shù)和商業(yè)變革。

在過去的二十年里，在工業(yè)界和學術(shù)界取得重大進展的應(yīng)該是 “智能增強”（IA），這通常被人們視為對“仿人 AI” 的一種補充。在 IA 領(lǐng)域，計算和數(shù)據(jù)被用來創(chuàng)建增強人類智力和創(chuàng)造力的服務(wù)。搜索引擎可以被看作是 IA 的一個例子（它增強了人的記憶和事實知識），自然語言翻譯也是如此（它增強了人的交流能力）。基于計算的聲音和圖像生成是藝術(shù)家的調(diào)色板和創(chuàng)造力增強器。雖然這類服務(wù)可能涉及高級推理和思考，但目前它們并不涉及——它們主要執(zhí)行各種字符串匹配和數(shù)字操作，以捕獲人類可以利用的模式。

希望讀者能容忍最后一個縮略詞，讓我們大致設(shè)想一下 “智能基礎(chǔ)設(shè)施”（II）學科，即存在一個包含計算、數(shù)據(jù)和物理實體的網(wǎng)絡(luò)，使人類環(huán)境更加穩(wěn)定、有趣和安全。這種基礎(chǔ)設(shè)施正開始出現(xiàn)在運輸、醫(yī)藥、商業(yè)和金融等領(lǐng)域，并對個人和社會產(chǎn)生巨大影響。類似的問題有時會出現(xiàn)在關(guān)于“物聯(lián)網(wǎng)” 的對話中，但 “物聯(lián)網(wǎng)” 通常指的僅僅是將 “物” 放到互聯(lián)網(wǎng)上的問題，而我所指的 “智能基礎(chǔ)設(shè)施” 涵蓋的是更大的挑戰(zhàn)，包括如何分析這些互相關(guān)聯(lián)的 “物” 的數(shù)據(jù)流以發(fā)現(xiàn)關(guān)于世界的事實，并以比 bit 更高的抽象級別與人類和其他 “物” 交互。

一個 “以人為中心” 的新學科將會出現(xiàn)

例如，回到我的個人軼事，我們可以想象生活在一個 “社會規(guī)模化的醫(yī)療系統(tǒng)” 中，我們在周圍的醫(yī)生和設(shè)備之間建立數(shù)據(jù)流和數(shù)據(jù)分析流程，從而幫助人類進行診斷和提供護理。這個系統(tǒng)將我們身體里的細胞、DNA、血液檢測、周遭環(huán)境、群體遺傳學和關(guān)于藥物和治療的大量科學文獻相關(guān)信息整合起來，它將不僅關(guān)注單個病人和醫(yī)生，還關(guān)注所有人類之間的關(guān)系——就像現(xiàn)在的醫(yī)學檢測允許在一組人類（或動物）上進行實驗之后被大規(guī)模應(yīng)用一樣。借鑒當前銀行體系著重解決財務(wù)和支付領(lǐng)域挑戰(zhàn)的方法，這將有助于保留相關(guān)性、出處和可靠性的概念。然而，人們可以預(yù)見到這樣一個系統(tǒng)將帶來的許多問題 ，包括隱私、責任、安全問題等。但這些問題應(yīng)該被視為挑戰(zhàn)，而不是阻礙我們行動的絆腳石。

我們現(xiàn)在遇到了一個關(guān)鍵問題：傳統(tǒng)的仿人 AI 是否為解決這些難題的最佳且唯一的方法？事實上，最近大受歡迎的 ML 已經(jīng)在一些仿人 AI 相關(guān)領(lǐng)域得到了成功應(yīng)用，如計算機視覺、語音識別、游戲機和機器人等。所以，也許我們應(yīng)該耐心觀察這些領(lǐng)域的進一步發(fā)展。這里有兩點需要說明。首先，盡管報紙上不會宣揚這樣一個事實，即仿人 AI 的成功實際上是有限的——我們距離實現(xiàn)仿人 AI 的愿望還很遙遠。 不幸的是，仿人 AI 領(lǐng)域一點點的進展和風吹草動都會被媒體關(guān)注和夸大，導致過的的興奮（和恐懼），這在其他工程領(lǐng)域并未出現(xiàn)。

其次，更重要的是，這些領(lǐng)域的成功既不足以解決重要的 IA 和 II 問題，也不是必需的。在效率方面，以自動駕駛車輛為例。為了實現(xiàn)這樣的技術(shù)，需要解決一系列工程問題，但這些問題可能與人的能力（或人所缺乏的能力）關(guān)系不大。整個交通系統(tǒng)（一個 II 系統(tǒng)）可能會更像目前的空中交通管制系統(tǒng)，而不是目前管理松散，雖具有前瞻性，但注意力不集中的人類駕駛員。它將比當前的空中交通管制系統(tǒng)復雜得多，特別是在使用大量數(shù)據(jù)和自適應(yīng)統(tǒng)計建模來進行精細的決策時。這些挑戰(zhàn)是重中之重，我們也正在為此而努力，因此過于專注于仿人 AI 將會是分心的一件事。

有一些觀點認為，仿人 AI 其實包含了 IA 和 II 目標，因為仿人 AI 系統(tǒng)不僅能夠解決傳統(tǒng)的 AI 問題（例如圖靈測試），它還是解決 IA 和 II 問題的最佳選擇。這樣的論點以前并沒有過。土木工程能靠想象創(chuàng)造一個人造木匠或泥瓦匠就能建立得起來的嗎？化學工程是否應(yīng)該讓一個人造化學家來創(chuàng)建？更具挑戰(zhàn)性的問題是：如果我們的目標是建立一家化學工廠，那么我們是否應(yīng)該首先創(chuàng)造一個人造化學家，然后才能制定出如何建造化學工廠的計劃？

與此類似的一個觀點是，人類智力是我們目前所知的唯一智慧，所以第一步，我們應(yīng)該模仿它。但是人類其實并不擅長所有推理——我們會有失誤、偏見和局限。而且，關(guān)鍵是我們并沒有進化出現(xiàn)代 II 類系統(tǒng)必須具備的大規(guī)模決策的能力，也沒有處理 II 類背景下出現(xiàn)的各種不確定性的能力。有人可能會說，人工智能系統(tǒng)不僅會模仿人的智能，而且會 “糾正” 它，并且還會擴展到任意大范圍的問題。但是，這是科幻小說中才會出現(xiàn)的情況，這種推測性的論點雖然在小說創(chuàng)作中很有娛樂性，但它不應(yīng)該成為我們在面臨開始出現(xiàn)的重大 IA 和 II 問題時，拿出的主要策略。

II 系統(tǒng)中的算法和基礎(chǔ)設(shè)施的問題不難解決，這些并不是仿人 AI 研究的核心課題。II 系統(tǒng)需要管理分布式知識庫，這些知識庫在不斷發(fā)生著變化，并且可能在全球范圍內(nèi)并不一致。這些系統(tǒng)必須在做出及時的分布式?jīng)Q策時應(yīng)考慮到與云端的相互作用，而且必須處理長尾現(xiàn)象，因為可能某個人的數(shù)據(jù)數(shù)量巨大，但大部分個人的數(shù)據(jù)則很少。另外，它們還必須跨越管理和競爭的界限，解決分享數(shù)據(jù)的難題。最后，尤其重要的是，II 系統(tǒng)必須將諸如激勵和定價等經(jīng)濟概念帶入統(tǒng)計和計算基礎(chǔ)設(shè)施領(lǐng)域，這些基礎(chǔ)設(shè)施將人與人之間，以及有價物品聯(lián)系起來。這樣的 II 系統(tǒng)不僅可以提供服務(wù)，而且在創(chuàng)造市場。諸如音樂、文學和新聞等領(lǐng)域正在翹首以盼這樣的市場誕生，讓數(shù)據(jù)分析將生產(chǎn)者和消費者聯(lián)系起來。而這一切，都必須在不斷演變的社會、道德和法律規(guī)范的背景下才能進行。

當然，傳統(tǒng)的仿人 AI 問題仍然值得關(guān)注。然而，目前我們專注于通過收集數(shù)據(jù)，部署 “深度學習” 基礎(chǔ)設(shè)施，以及展示某些模仿狹隘定義的人類技能的系統(tǒng)（很少使用新出現(xiàn)的解釋原則）來研究人工智能，卻極有可能會偏離解決經(jīng)典人工智能中重大開放性問題的目標。這些重大問題包括：將意義和推理引入自然語言處理系統(tǒng)的必要性，推斷和表示因果關(guān)系的必要性，開發(fā)計算上易于處理的不確定表示的必要性，以及開發(fā)制定并執(zhí)行長期目標的系統(tǒng)的必要性。 這些都是仿人 AI 的經(jīng)典目標，但在目前人們對 “AI 革命” 的喧囂中，我們很容易忘記這些問題其實還沒有得到解決。

IA 的重要性仍將持續(xù)，因為在可預(yù)見的將來，計算機還是無法與人類在抽象理解現(xiàn)實世界的能力相提并論。我們需要經(jīng)過深思熟慮的人機互動方案來解決最緊迫的問題。我們希望計算機能夠打通人類創(chuàng)造力的任督二脈，而不是取代人類的創(chuàng)造力（無論這可能意味著什么）。

約翰 · 麥卡錫（John McCarthy，當時是達特茅斯大學的教授，后來在麻省理工學院任職）創(chuàng)造了 “人工智能” 這個詞，顯然是為了與諾伯特 · 維納（Norbert Wiener）（當時是麻省理工學院的一位老教授）所提出的 “控制論”（cybernetics）做出區(qū)分。維納創(chuàng)造的“控制論” 是指他自己構(gòu)想的的智能系統(tǒng)——這一系統(tǒng)與運籌學、統(tǒng)計學、模式識別、信息論和控制理論密切相關(guān)。但另一方面，麥卡錫的理論強調(diào)了邏輯之間的聯(lián)系。有趣的是，在麥卡錫術(shù)語的旗幟下，維納的理論卻在當今時代占據(jù)主導地位。（然而，這種情況當然只是暫時的，人工智能中各派系地位的變化比大多數(shù)領(lǐng)域都大得多）。

但我們需要超越麥卡錫和維納的歷史局限。

我們需要認識到，目前關(guān)于人工智能的大討論（專注于狹隘的行業(yè)和學術(shù)子領(lǐng)域）讓我們面臨被蒙蔽的風險，難以看到 AI、IA 和 II 全局范圍所帶來的挑戰(zhàn)和機遇。

科幻小說中的幻想和超人類機器的噩夢有一天會成真并不是重點，我們更關(guān)心人類理解和塑造技術(shù) AI 的需求，因為它在人們的日常生活中變得更加現(xiàn)實和有影響力。此外，在這種理解和塑造中，我們需要來自各行各業(yè)的不同聲音，而不僅僅是技術(shù)方面的。狹隘地專注于仿人 AI 也會屏蔽掉更廣泛的聲音。

雖然行業(yè)將繼續(xù)推動發(fā)展，但學術(shù)界也將繼續(xù)發(fā)揮重要作用，它不僅能提供一些最具創(chuàng)新性的技術(shù)思想，而且還可以將計算和統(tǒng)計學科的研究人員與其他領(lǐng)域的研究人員，特別是社會科學、認知科學和人文科學領(lǐng)域的研究者，他們的貢獻非常有意義且必要。

另一方面，雖然人文和科學是我們前進的關(guān)鍵，但我們也不應(yīng)該假裝我們正在談?wù)撘粋€規(guī)模和范圍空前的工程，我們的社會從古至今一直都在致力于按照規(guī)則建造新的人類文明，人工智能也不例外。我們不希望原本旨在幫助我們獲得醫(yī)療、交通便利和商業(yè)機會的系統(tǒng)，到最后被發(fā)現(xiàn)并不能很好地工作，它們犯下的錯誤讓人們的生活和幸福受到影響。在這方面，正如我強調(diào)的那樣，我們至今還沒有形成一個聚焦于數(shù)據(jù)和學習的學科。它們的出現(xiàn)將非常令人興奮，但目前還未能構(gòu)成一個工程學科。

而且，我們應(yīng)該接受這樣的事實：我們正目睹一個新的工程分支出現(xiàn)。“工程”（engineering）這個術(shù)語通常是指學術(shù)或其他領(lǐng)域的狹義定義——冷酷無情，不受影響，并暗含失去人類控制的含義。但是工程學科可以按照我們想要的來創(chuàng)造。

在當今時代，我們有一個真正的機會來設(shè)想一些歷史上不曾出現(xiàn)的新事物——一個以人為中心的工程學科。

我拒絕給這個新興的學科命名，但如果仍用首字母縮寫詞 “AI” 繼續(xù)作為術(shù)語，我們應(yīng)意識到它的限制性。反之，我們應(yīng)該有大局意識，少一點炒作，并認識到未來面臨挑戰(zhàn)的嚴峻性。