人工智能與自動化

　　不過，計算機技術、人工智能的高速發展給人們以新的希望，說不定以后高度智能的系統可以自學習了，那就徹底擺脫對熟練技工的依賴了。摩爾定律依然在發光，計算機的速度依然在以不可思議的速度增長，種種人工智能實驗也爆出喜人的成功，計算機甚至戰敗了國際象棋冠軍，“你怎么知道以后計算機就不能比人聰明呢?”

　　人工智能的極限是一個哲學問題，在這個問題沒有解決之前，計算機是否可能比人聰明都是空談。人類智能的另一個說法就是智慧，智慧到現在為止依然是一個無法定性和計量的東西，智慧的生成、演進、轉移和儲存都是遠遠沒有解決的問題。智慧更有顯性和隱性兩部分，顯性智慧由各種成文的知識和思想方法組成，復制顯性智慧至少在理論上是可能的。但隱性的智慧充滿“只可意會不可言傳”的東西，連描述都困難，更談不上復制或者超越。智慧不是知識的堆積，具有海量的數據庫和閃電般的快速檢索并不能繞過知識的堆積不等于智慧這個障礙。面對同樣的數據，不同的人會做出不同的反應，人工智能要超越的是誰的智能?另外，人類智能本身也在不斷演進，人類智能的一大特點就是會有階躍性的突變，每一個科技發明和人文概念都是人類智能突變的結果，理解和認識這種突變機制本身就需要人類智能的一個突變。人工智能要復制和超越人類智能，就像兔子要吃懸吊在鼻子前的胡蘿卜一樣。

　　如果人工智能極限是一個哲學問題，在實踐中是否可以不去理睬他，直接用越來越快的計算機挑戰人工智能極限呢?換句話說，哲學問題對人工智能實踐有沒有實質性的指導意義呢?自動控制理論比計算機和人工智能先行，很多東西可以借鑒。早期控制理論使用輸入-輸出模型，但60年代卡爾曼提出狀態空間理論，用狀態方程建立全新的模型，更加深刻地揭示了動態系統的本質，并且把線性/非線性、定常/時變、確定性/隨機、單變量/多變量理論放到統一的架構之下。同時，狀態空間也第一次觸及可控性概念。如果用舞龍作比方，龍頭和龍尾好比系統的輸出和輸入，龍身里的每一個人好比系統的狀態變量。龍尾的人可以通過搭在前一個人身上的手傳遞控制信息，最終使得龍頭擺到規定的位置。但如果龍身中間有幾個人偷懶，手沒有搭在前一個人的身上，那這個“斷鏈”再往龍頭方向的所有狀態就不可控，不管后面的人如何軟硬兼施。換句話說，對于不完全可控的系統，控制系統設計得多精巧都不可能控制所有的狀態。可控性是一個跨不過去的坎。人工智能的極限是什么?這個問題最終是繞不過去的。這不是茶余飯后啜牙花的談資，而是和永動機一樣，關系到有意義的科學突破還是無意義的沖撞南墻。

　　就更具體的自學習系統而言，自動控制理論里也有比照，這就是早就出現的模型參考尤其是自校正控制，這可以說是入門級的自學習系統。這些概念在上世紀 60、70年代就提出，也曾經使人們大為振奮。自動控制理論的一個關鍵難點在于擁有形式合適而且精確可靠的動態數學模型，但對于大多數工業過程，這個模型難以獲得，所以早期的控制理論常常停留在空談的層次。自校正控制把在線辨識和最優控制相結合，一面實時校正數學模型，一面根據最新更新的數學模型實時調整控制策略，這不就解決了缺乏數學模型的問題了嗎?實際上沒有，這只是把問題的復雜性轉移到另一個層面上去了。

　　在線辨識需要過程處于動態中，死水一潭是無法辨識過程特性的，只有牛鬼蛇神紛紛出動，才能辨識出過程的真實特性。但辨識的目的是形成最優控制，也就是最終把牛鬼蛇神統統鎮壓下去。但牛鬼蛇神都鎮壓之后，在線辨識就要瞪大眼睛無事生非，沒有牛鬼蛇神也草木皆兵造出幾個來，導致模型失真，真有牛鬼蛇神再露頭的時候就容易發生過程失控。這個問題有很多就事論事的辦法，但沒有能從本質上解決的，最終導致又一個美好理論喪生于實踐的巖壁腳下。人工智能的自學習是否會遇上同樣的問題，可以肯定的是，自學習在學習實際過程的時候，本身也需要人們對自學習的理論和應用進行學習。這就像自動控制避免了學習簡單勞動的必要，但增加了理解、掌握和支持自動控制硬件、軟件和控制算法的要求。對于復雜過程的控制，最終取決于對過程本質的實質性理解，而不是用投機取巧的數學方法繞過學習關。自學習不僅不能降低人類學習的要求，實際上還增加了人類學習的要求，因為自學習的成功取決于工具的正確應用，這只有來自對實際過程的深入理解。另一方面，對自學習和工具本身的學習成為額外的學習要求。這就是自學習不可能成為懶人福音的道理。

　　數學救不了懶人還有另一個例子。傳統數學模型有一個公式，形式可以很復雜，可以有很多方程聯立，可以是代數方程和微分方程的混合，并加入隨機等其他復雜性因素，但這種傳統數學模型能夠描述的現象受到具體方程形式的限制。在研究人類智能的過程中，人們提出神經元的數學模型。這是一個簡化的模型，但把很多這樣的簡化模型組網連接起來，可以描述高度復雜的現象。然而，神經元網絡本身依然在數學或者計算上相對簡單。神經元網絡出現后，很多人以為這是終極數學模型，只要有足夠多的數據，包括進所有的變量，從此可以把世界上所有復雜現象一網打盡。

　　在學究們還在顫顫巍巍地刺探神經元網絡的數學特征的時候，已經有人把他用于股票預測、市場預測和其他來錢的名堂，結果沒有懸念：沒戲。數學模型的生命力不在于對過去的解釋，而是在于對未來的預測。社會經濟系統是一個復雜反饋系統，人類行為在歷史和現狀影響下會有所調整，而調整的方式不是對過去類似現象的簡單重復，而是會因人因時因事而異。在沒有理解人類行為的本質之前，歷史的分析可以作為借鑒，但不能由歷史簡單預測未來，這是人們早已熟知的道理，用眼花繚亂的數學模型也不能改變這一事實。自學習是數學的一個分支，數學是對現實的抽象，但不下功夫理解現實，抽象就成了無源之水、無本之木，必定要誤入歧途。

　　那么自動化可以救美國的再工業化嗎?自動化是一個工具，這個工具是要人來使用的。換句話說，這是一個力量倍增器，但基數是人，美國再工業化的關鍵還是人。美國的人力資源問題是另外一個話題，但想繞過美國人力資源的現實，用自動化來創造奇跡，這條路是走不通的。這是一個無法回避的事實。