[更多专访]

关于暗知识和人工智能的对话

导语AlphaGo战胜了世界围棋冠军但无论是聂卫?#20132;?#26159;设计AlphaGo的谷歌工程师都无法理解AlphaGo为什么这样走棋这就是人工智能中令人困惑的“不可解释性”问题从这个问题出发发现了一类全新的知识——“暗知识”

一直以来人类知识可分为两类“明知识”和“默知识”明知识就是那些可?#26434;?#35821;言文字或公式清晰表达和描述的知识默知识则是个人在感觉上能把握但无法清晰描述的知识也即我们常说的“只可意会不可言传”的那类知识今天人工智能突?#29615;?#25496;出了人类既无法感受又无法表达和描述的“暗知识”—隐藏在海量数据中的万事万物间的关系介绍了机器学习五大流派从数据中挖掘暗知识的方法以及各自适用的领域尤其是神经网络的基本工作原理和目前在商业上应用广泛的几?#20013;?#24577;

本文是对话录作为对照也引述了业界重要研?#31354;?#30340;观点和见解相互验证互为解读

价值中国请您谈一谈提出“暗知识”概念的相关背景

王维嘉过去两年我在硅谷做人工智能方面的投资同时对那些基础的东西非常?#34892;?#36259;

我发现了一个重要的东西叫“暗知识”“暗知识”就是人类无法理解的知识什么叫人类无法理解的知识?#31354;?#36824;要从阿尔法狗下围棋开始说起阿尔法狗下围棋让全世界第一次注意到人工智能的神奇柯洁在下完棋后痛哭流涕说我根本不可能打过他它也让聂卫平五体投地说阿尔法?#20998;?#23569;是20段正当我们?#35805;?#23572;法狗?#35805;?#23376;打晕的时候他的妹妹又出现了他的妹妹就是“阿尔法折叠”2018年年底谷歌在科学杂志上发布了“阿尔法折叠”的研究成果根据DNA的序列测出一个蛋?#23383;?#30340;三维结构

大家知道蛋?#23383;?#26159;一个超级大的分子它的三维结构决定了蛋?#23383;?#30340;性质所有的生物人体植物动物的细胞都由蛋?#23383;首?#25104;人类今天对蛋?#23383;?#30340;理解还是非常浅的

2017年的?#24403;?#23572;化学奖颁给了冷冻电镜的发明者Richard Henderson冷冻电镜是干什么的呢用来看蛋?#23383;?#30340;三维结构过去人类不知道也无法看到蛋?#23383;?#30340;三维结构现在有了冷冻电镜我们终于可以看到蛋?#23383;?#30340;三维结构怎么看呢要把细胞冷冻了以后照几十万张照片才能画出一个蛋?#23383;?#30340;三维结构所以只要看清楚一个蛋?#23383;?#30340;三维结构那就是顶级期刊的一篇文章

阿法蝶叠从基因序列?#26082;?#39044;测蛋?#23383;式?#26500;

那么一台冷冻电镜多少钱呢一千万美金我们去耶?#24120;?#32822;鲁人非常?#26223;?#25105;们有一台电镜清华有?#25945;?#20294;是今天“阿尔法折叠”只用人工智能就可以把它猜出来怎么猜出来的不知道这就带来了一个巨大的问题阿尔法狗下围棋谷歌的工程师并不知道他怎么下聂卫平也不知道人工智能里出现了一个巨大的问题就是不可解释性

林永青作为开场白有一点明显的感触就是相比较2016年阿法狗战胜人类围棋冠军的时候今天业界的专家包括维嘉学长在内的业界专家人们在情绪上更为乐观了或许这两年大家更多地发现“人工智能”的局限性更多地自我认同了人类的种种核心或独特优势

我倾向于用“维度”来解释人类知识或人类认知由于人类自身“生物熵”的局限性我的“猜测”卡尔-波普尔的知识论术语是人类最多只能处理三个维度的信息知识因此人类认识论的哲学争论也只?#36824;?#20572;留在“一元论”与“二元论”这个非常可怜的层级

什么是“维度”就是“思维”的维度维度问题离不开“时间”因素——今天多数人的“时空观”只能理解到三维空间加上第四维时间——加上了时间维度人们大致可以在认知上处理多维的但是在“同?#34987;?#20849;时”的约束下人们机器智能的区别就是维度区别

爱因斯坦有句名言想像力比知识更重要不是吗我们的知识只是二维最多三维的因果或相关连接而多维的想像力就是我们一无所知的暗知识

我有一个“猜想”所谓“解释”就是为知识建立某一角度同一维度或某一维度的“连接”黑格尔很早就验证了“因果链”在逻辑上是苍白的只是归纳法的运用而已所以我认为解释也?#36824;?#26159;一种类?#28982;?#38544;喻既不是演绎推理也不是统计归纳因此“解释”也就是一种意识连接一种“无法解释”的暗知识“涌现”

?#30001;?#35299;读波普尔猜想与反驳科学知识的增长

人类目前对于人工智能及人类智能的相关知识都还只是非常早期的“猜想”需要长期的验证或反驳来进行证实或证伪

猜想与反驳科学知识的增长是英国哲学家卡尔-波普尔创作的哲学著作首次出版于1963年

该书是由波普尔不同时期的文章和讲演组成的除导论论知识和无知的来源外分“猜想”和“反驳”两部分围绕着知识通过猜想与反驳不断清除错误而增长这一主题展开论述广泛涉猎知识论科学论真理论以及自然科学史和社会科学史等领域 

阐述了其批判理性主义方法论的主要著作认为科学开始于问题即理论由证伪暴露出问题从灵感出发提出各种大胆的猜测形成科学理论然后对各种理论进行检验从观察和实验中达到?#26222;?#24230;较高的新理论新理论为科学技术的发展所证?#20445;?#21448;出?#20013;?#38382;题

波普指出?#35834;?#30340;经验主义和理性主义都是错误的无论观察还是理性都不是知识的源泉因为“我们的知识有各种各样的源泉?#20004;?#27809;有一种源泉有权威性”

真正的认识论问题不是关于知识源泉问题而是知识的正确性即是否同事实相一致的问题知识的进步在于批判地考察那些大胆的猜想波普从哲学史和科学史的大量材料出发全面的阐述了他的科学哲学思想并在此基础上提出了科学发现的方法即猜想—反驳方法论

价值中国“暗知识”的提出相信对于人类的认识论哲学又?#24179;?#20102;一?#20581;?#35831;对此问题做些解读

王维嘉我们人类从来没有这样憋屈过因为我们自以为是整个宇宙智能最高的生物没有任?#38382;?#24773;是我们不可理解的所有的事情都应该有因果可是为什么到了今天我们居然不能理解?#31354;?#23601;让我们回到人类是如何获取知识的这个问题

过去两千年来一直有两派在激?#19994;?#20105;论一派是理性主义他们认为概念是天生就有的知识来自于推理万事万物都有因果这派的代表有柏拉图一直到笛卡尔另外一派是从亚里士多德到苏格兰学派他们认为人生出来天生是?#23383;?#19968;张知识来自于感官来自于经验万世万物没有什么因果只是相关我们中国人更倾向于哪一派呢经验主义中国人觉得所有的经验不通过感受和感官怎么能得到呢

经验主义的一个重要的方法论叫“归纳”我见到一只天鹅是白的两只天鹅是白的……第一万只天鹅是白的那么我就?#36152;?#32467;论——天鹅是白的直到出现了第一只黑天鹅所以归纳法也是错的是不可靠的

简单做个小结理性主义和经验主义的历史争论对于知识的进?#20132;?#26412;无用?#28909;?#29702;性主义对于人类从上帝手中解放自?#28023;?#25152;谓“祛魅”有一些作用对后人理解知识却没有什么?#20040;?#32463;验主义的出发点也只是为了阻击理性入侵宗教或道德等“形而上”领域对理解“客观知识”也几乎无用包括近代最重要的哲学家康德在知识论上我也认为是贡献甚微

但是我们现在在脑神经科学等领域取得一点点进展这可能帮助我们在微观上理解知识?#20852;?#21161;益而在宏观上需要哲学来对知识做出整体性把握方法是通过重新解释由“科学带来的真实性论据”

价值中国理性主义和经验主义争论了上千年实质上并没有什么知识进?#20581;?#37027;么从今天的科学成果来解释人类的获取知识的机制是什么

王维嘉为什么这两派争了两千年谁都?#29615;?#35841;原因是他们在瞎争因为他们都不理解人类学?#26263;?#24494;观机制是什么样的人类学?#26263;?#24494;观机制一直到70年前才开始被搞清它就基于大脑神经元的连接人类有860亿个神经元

这个学习机制是怎么发现的我们要归功于巴甫洛夫他发现给狗喂食的时候摇铃一旦形成了习惯?#35789;?#27809;有食物一摇铃狗也会流口水这就是条件反射1949年加拿大科学家赫布就如何解释这个现象提出了一个猜想?#21644;?#26102;受激发的两个神经元会连接起来?#28909;?#21957;觉细胞闻到了狗食的香味同时听觉细胞听到了铃声这两个细胞是同时受刺激的一旦同时受刺激它俩就连起来了在连接的地方就形成了学习下一回当你只听到铃声这个细胞就被激活就会刺激“口水”细胞这一猜想后来被无数的科学实验证明是对的被称为“赫布学习定律”

人类所有的学习都是这样的一个微观机制再微观下去每个神经有上千个突触每个突触之间是有电流通过的所谓神经元之间的连接实际是离子变成了电流然后建立了神经元之间的传导其中的间隙只有20纳米知道了学?#26263;?#24494;观机制我们就可以回过头来看人类的知识是怎么获得的

价值中国请对所定义的不同种类的知识做一介绍

王维嘉我们今天理解的知识叫“明知识”就是可?#26434;?#25991;字公?#20581;?#31243;序语言表达出来的知识直到70年前波兰尼哈耶克发现了一种知识叫“默知识”或者叫“默会知识”?#28909;?#23398;自行车全世界没有一个人骑自行车是?#35789;?#20876;学会的都是骑上去歪歪扭扭摔几跤学会的你教孩子学自行车其?#30340;?#20063;不知道是怎么学的这种知识在生活中大量存在?#28909;?#32472;画舞蹈和拉提琴等等都是这样的默会知识默会知识的基本原理就是大脑神经元建立了联系但这样的联系非常复杂是无法用语言表达的我们所有的重大决定最后都是由?#20064;?#25293;板?#20064;?#24590;么拍板?#20811;?#32599;斯说“我所有的重大决定都是靠胃做出来的如果我的胃疼说明这个决定不好”

?#28909;?#35828;乔布斯从来不做市场调查他说“我的市场调查就是每天早上出门前对着镜子?#27425;易约?rdquo;为什么当智能?#21482;?#20986;来之前你去做用户调查问你认为一个智能?#21482;?#26159;什么样的你想要什么样的智能?#21482;?#20840;世界没有一个人说?#36152;?#26469;这就是默知识我们冥冥中知道要什么东西但是说不出来那怎么办只能?#31185;?#19994;家去?#28304;?#22312;乔布斯成功之前硅谷试了20年从掌上电脑到不成功的?#21482;?#21644;触屏出现了各种各样的东西有不知道多少家公司失败最后到乔布斯成功所以因为默知识不可集中所?#28304;?#26032;必须是分散的永远不可集中

讲完了明知识和默知识我们现在就可以?#19981;?#22120;发现的暗知识什么叫暗知识就是人类不可感受又不可表达的一类新知识我们如果划一个坐标轴横轴是可表达纵轴是可感受那我们会发现人类已有的知识都在右边有浮力定律等即可感受也可表达的明知识还有集合论广义相对论量子力学等可表达而不可感受的明知识它们是从方程里推出来的是先有数学而后才有的物理发现默知识是不可表达但是可感受这四个象限正好缺了第四象限就是既不可表达又不可感受这就是今天机器发现的这类知识也就是阿尔法狗下围棋“阿尔法折叠”算蛋?#23383;?#19977;维结构的这类知识

如果用一个冰山来表达的话人类已知的明知识就是冰山的一小角暗知识是冰?#36739;旅?#30340;最大块的东西波兰尼也就是第一个发现默知识的奥匈科学家说“我们知道的比我们说出来的要多”但是暗知识就是整个海洋也就是说未来机器发现的知识会让我们人类已有的两千年到今天为止的知识显得微不足道我们人类以为我们已经可上九天揽月可以做基因编辑但是实际上是什么也没有暗知识是未来统治和占领整个知识空间的最大量的一种知识

大家说你说的“暗知识”是不是一种哲学概念这跟我有什么关系太有关系了上海交通大学两位教授用1800张照片来训练机器照片中有罪?#28014;?#26377;好人最后机器可以以90%的?#26082;仿世?#21028;断是否是罪?#28014;?#36825;项研究在国际上引起了巨大的争议?#19994;?#20197;色列看一家公司他们也说在做同样的东西而且以色列海关准备用于查?#26893;?#20998;子?#26131;?#32456;没有投这家公司因为我感觉这东西太悬乎了但是有可能机器的确比人看得准为什么不知道我看你就像罪犯

社会积分系?#22330;?#22914;果说今天摄象头布满了所有地方那每个人从早上起来从小到大所有的行为都在摄象头下最后摄象头就根据你的行为给你算出社会积分你说我表现这么好凭什么打这么低的分不知道这就是未来我们将遇到的重大问题不可解释的问题

再如诺曼底登陆为什么在诺曼底而不是卡拉斯登陆机器算出?#27492;?#35201;在卡拉斯登陆那么盟军司令听不听听它的可能就打胜仗不听它的就打败仗但是我们根本不懂为什么要这样做未来一个重大的决定很可能就是由机器做出来的你可以选择不听机器的但是你会失败但是为什么呢不知道因为是暗知识这些生死攸关的决定到底敢不?#21307;?#32473;机器来做

所以人类历史上第一次被一脚踢出了知识获取的回路过去所谓知识就是人去学东西现在机器自己学和我们人没有什么关系了我们人一边儿凉快去了我们成了“吃?#20808;?#20247;“了

因此我们正面临着一个新时代的到来它不仅仅是AI技术的改进而且从哲学从认识论上给我们提出了根本的挑战也就是说机器认知时代到来这个时代无所不在的传感器在记录着所有的物理量——温度气温每个人的活动血液心脏的跳动……然后将这些数据通过5G网络传到云端机器再把万世万物当中隐蔽的相关性?#39029;z?#24182;凭借相关性去做事去改进我们生活或者是破坏我们的生活去优化生产或者进行互相残杀

现在的问题是我们人类无法理解“暗知识”而且我们人类越来越渺小我们人类的知识现在刚刚开始未来的机器知识会越来越多我们人类就像最后几个小?#28023;?#34987;暗知识这个海洋所淹没那么我们就面临一个重大的问题——人类和机器的关系谁听谁的事实上我们等于在无意中给自己创造了一个上帝这样一个时代的到来会产生什么样的问题会怎样颠覆我们每个行业会不会突然造成大规模的失业未来的社会政治军事战争会是什么形态?#31354;?#20123;都会受到暗知识的影响

林永青我还是坚持用“维度”哲学观可以很好地解释各类知识20世?#32479;?#24403;思想家们区分“明知识”和“默知识”的时候其实只用了一个“维度”即“知识是否可表达”今天维嘉学长又提出了“暗知识”的概念实际上是增加了一个“维度”即“知识是否可感受”

因此我们可以做出结论说知识的进展极大概率上是“维度增加的问题”同?#20445;?#30693;识维度的增加只需要是一个?#38382;?ldquo;连接”的问题至于“连接”为何会发生?#31354;?#20063;仍是一种?#20004;?#26080;法解释的“量子跃迁”但我们可以确信的是维度增加了知识也就发展了

?#30001;?#38405;读金观涛“暗知识”当代理性自负的解毒药

人工智能革命之基础——神经元网络的自我学习及其与环境互动所能达到的极限都超?#36824;?#22270;灵机的行为组合从20 世纪下半叶?#20004;?#20276;随着人工智能的快速高度发展关于它能否在未来某一天具有意识的讨论一直是在电脑和人脑差别的框架中展开的我认为只要发展出相应的数学理论就能了解神经元网络学习已做出的和可能做的一?#23567;?#20294;有一点是毫无疑问的它不可能具有自我意识主体性和自主性

为什?#27492;?#36825;本书是解毒药因为维嘉在解释为什么人工智能可以比人更多更快地掌握知识能力?#20445;?#25226;人工智能所掌握的信息定义为“暗知识”从而可以?#36152;?#28165;晰的理论表述我们首先要弄明?#36164;?#20040;是知识知识就是人获得的信息而人利用信息知识离不开获得信息和表达信息两个基本环节人获得信息是用感官感知即经验的表达信息是通过符号语言和对符号结构之研究符号可以是非经验的这样他根据“可否感知”和“可否表达”把人可利用的知识分为如下四?#21482;?#26412;类?#20572;?/em>

第一可感知亦可表达的知识它包括迄今为止所有的科学和人文知识

第二不可感知但可表达的知识任何经验的东西都是可感知的不可感知的就是非经验的有这样的知识吗当然有以数学为例抽象代数的定理是正确的知识但可以和经验无关人之所以为人就在于可?#26434;?#26377;纯符号的知织它是理性的重要基础

第三可感知但不可表达的知识它包括人的非陈述性?#19988;?#21644;“默会知识”

第四不可感知亦不可表达的知识这就是当前神经元网络通过学习掌握的知识维嘉将这类大大超出了个别人所能?#19988;?#21644;学?#26263;?#30693;识称为“暗知识”“暗知识”的提出不仅是一项哲学贡献也为当前盛行的科学乌托邦提供了一剂解毒药

20世纪社会人文研究最重要的成就就是发现“默会知识”和市场的关系人类可共享的知识都是可?#26434;?#31526;号表达的知识但它不可能包含每个人都具有的“默会知识”经济学家利用“默会知识”的存在证明了基于理性和科学知识的计划经济不可能代替市场机制一个充分利用人类知识的社会一定是立足于个人自主互相交换自己的能力和知识所形成的契约组织忽视所有个人具有的“默会知识”把基于理性和可表达的知识设计出的社会制度付诸实践会出现与原来意图相反的后果哈耶克称这种对可表达的明知识的迷信为“理性的自负”

今天随着大数据的应用这种理性的自负再一次出现在人工智能领域而“暗知识”的提出扩大了不能用符号表达知识的范围进一步证明了哈耶克的正确性所以我说这本书是对当前理性自负的?#34892;?#35299;毒药

另一个有意义的问题是“暗知识”会在何种程度上改变现代社会这?#20013;?#22411;知识大规模的运用将会导致大量拥有专门知识和技能的人失业一批又一批的行业消失甚至连医生专家都可能被取代?#20204;?#19981;论这种预测是否?#26082;P?#26377;一点是肯定的即人工智能必定会极大地改变我们赖以生存的社会那么它会把人类社会带到哪里去?#31354;?#27491;是人工智能革命带来的普遍焦?#20405;?#19968;人工智能对城市管理和对每个人私隐的掌握是否会导致个人?#26434;?#21644;隐私的丧失由大数据和人工智能高科技管理的社会还是契约社会吗

现代社会和传统社会的本?#20160;?#21516;就在于其高度?#24247;?#20010;人的主体性和创造性任何信息的获得表达和应用都离不开个人的主体性和创造性我认为人工智能可以具有掌握“暗知识”的能力但它不可能具有自我意识当然亦无所谓主体性它只能被人所拥有因此一个能允许知识和技术无限制进步的社会仍然是建立在个人契约之上的也就是说无论科学技术发展到什么程度现代社会的性?#20160;?#20250;因之而改变

然而我认为人工智能或许会使现代社会的科层组织的?#38382;?#21457;生改变现代社会除了由法律和契约提供组织框架以外还必须向所有人提供不同类型的公共事务服务如治安交通设施教育医疗等为此就要设立处理不同类型事务的专门机构来管理社会如军队和政府科层组织科层组织之间功能的实现和协调要利用符号表达的共享知识因此随着现代社会的复杂化必定出现技术官僚的膨胀

科层组织的形成和理性化的关系是韦伯分析现代社会的最重要贡献在未来随着人工智能对“暗知识”的掌握和运用向社会管理渗透甚而替代将会证明韦伯这一重要论断不再成立

价值中国那么机器是如何发现暗知识的呢

王维嘉?#26680;?#28982;机器可以学习明知识和默知识但它最大的本事是学习暗知识

暗知识就是那些既无法被人类感受又不能表达出来的知识也就是说人类本身无法理解和掌握这些知识但机器却可以机器有两?#22336;?#27861;可以掌握这些知识模仿人脑和模仿演化

联结学派联结学派的基本思路就是模仿人脑神经元的工作原理人对所有模式的识别和?#19988;?#24314;立在神经元不同的连接组合方式上或者说一个模式对应着一种神经元的连接组合联结学派就是目前最火爆的神经网络和深度学习它在五大学派中占绝对统治地位目前人工智能的高科技公司中绝大部分是以神经网络为主

进化学派是激进主义经验派是彻底的不可知论者进化学派不仅觉得因果关系是先验模?#20572;?#29978;至觉得类比神经元连接也都是?#28909;?#20026;主的模型认为不管选择什么样的先验模?#20572;?#37117;是在上帝面前耍人类的小聪明世界太复杂?#29615;业?#27169;型进化学派的基本思路是模仿自然界的演化?#26680;?#26426;的基因变异被环境选择适者生存做法就是把一种算法表达?#19978;?#22522;因一样的?#22336;?#20018;让不同的算法基因交配让生出来的儿女算法去处理问题比?#33268;?#22909;的留下来配种继续生孙子比?#33268;?#24046;的就淘汰

进化算法的问题是“进化”毫无方向感完全瞎蒙垃圾?#22987;?#36807;滤器为例1000比特的?#22336;?#20018;的所有可能性是21000?#35789;?#30446;前世界最快的超级计算机“进化”到地球爆炸都不可能穷尽所有可能在有限时间内能探索的空间只是所有可能空间的极少部分地球可是用了40亿年时间才进化出了现在所有的生物

美国华盛顿大学佩德罗·多明戈斯 Pedro Domingos教授在他的划时代的著作终?#31471;?#27861;中总结的一张五大流派“?#32032;?#22270;”

机器学习中的符号学派贝?#31471;?#23398;派类推学派和联结学派的共同点是根据一些已经发生的?#24405;?#25110;结果建立一个预测模?#20572;?#21453;复调整?#38382;?#20351;该模型可以拟合已有数据然后用此模型预测新的?#24405;?#19981;同的是它们各自背后的先验世界模型

1 符号学?#19978;?#20449;事物间都有严密的因果关系可?#26434;?#36923;辑推导出来

2 贝?#31471;?#23398;派认为因发生果不一定发生而是以某个概率发生

3 类推学派认为这个世界也许根本没?#24615;?#22240;我们只能观测到结果的相似如果一只鸟走路像鸭子叫起来像鸭子那?#27492;?#23601;是只鸭子

4 联结学派认为相似只是相关性能被人理解的那层表皮隐藏的相关性深邃到无法用语言和逻辑表达

5 进化学派认为什么因果什么相关都不存在我的世界模型就是没有模?#20572;?#20174;零开始不断?#28304;?#38382;题总能解决

其中人工智能是最大的一个圆圆里面分为两部分一部分叫人工学习也就是我们过去讲的的专家系?#24120;?#21478;一部分叫机器学习就是机器自己学习机器学习里面包含神经网络在神经网络里面还要再分一个是浅度学习一个是深度学习在过去?#37202;?#38598;成度低?#20445;?#25105;们只能模仿很少的神经元现在由于集成度在提高我们可以模仿很多的神经元当很多神经元被组成多层的网络?#20445;?#25105;们就?#20852;?#28145;度学习

?#30001;?#35299;读加来道雄心灵的未来

加来道雄著名日裔美国科学家1947年出生于美国?#21448;n?#31185;学畅销书作者美国著名高等学府?#21448;?#22823;学伯克利?#20013;UC Berkeley物理学博士纽约城市大学研?#21487;?#20013;心的理论物理学教授 超弦理论的专家 加来道雄的著作都广受赞誉 构想未来 超越爱因斯坦和超空间平行宇宙均被纽约时报和华盛顿邮报提名为当年的最佳科学读物之一

加来道雄也认为对于更多知识的理解主要的工具也就是哲学与科学哲学与神经科学

哥白尼原理和人择原理之间的争论也在神经科学中?#20852;?#20307;现例如有人认为人类可以还原为原子分子和神经元 因此人类在宇宙中并没有特殊的地位

生物学家戴维·伊格尔曼博士写道“除非我们大脑中所?#24615;?#20214;和零件都处在恰好的位置上否则所?#20449;讯际?#30693;和喜爱的那个‘你’不可能存在如果你不相信这一点那么请到任何一家医院的神经科去看一?#30784;?#22823;脑哪怕只有一小部分受到损?#32781;?#37117;可能令人吃惊地造成我们特定能力的丧失?#28909;?#32473;动物取名的能力听音乐的能力管理风险行为的能力分辨颜色的能力做出简单决策的能力等”

如果没有“元件和零件”大?#36816;?#20046;无法工作他最后说“我们的现实取决于我们?#24615;?#26679;的生物机体”

如果我们的身体可以还原为生物性的螺母和螺栓我们在宇宙中所处的地位就显得更?#28216;?#19981;足道我们只是一种“湿件”运行着被称为心灵的软件除此之外别无他义我们的思想欲望期待和抱负都能解释为在前额叶皮层的某个区域中运行的电脉冲这就是哥白尼原理视角下的人类心灵.

但人类选择原理也可?#26434;?#29992;到人的心灵上这样我们就会得到完全相反的结论这个结论会说是宇宙的条件使得意识的出现成为可能虽然从偶然?#24405;?#20013;造就心灵是一件十分困难的事维多利亚时期伟大的生物学家?#26032;?#26031;·赫胥黎 Thomas Huxley说“刺激性的神经组织如何生成一种让人惊奇的意识状态这与阿拉丁摩擦神灯如何能召唤出灯神一样无法解释”

另外多数天文学家都相信我们有一天会在其他行星上?#19994;?#29983;命但这种生命很可能是微生物?#38382;剑?#36825;种生命?#38382;?#32479;治?#23435;?#20204;地球海洋几十亿年 我们碰到的可能不是巨大的城市和帝国而是漂浮着微生物的海洋

这些数字令人惊?#23613;?#36951;传学表明在7万年至10万年前地球?#29616;?#26377;几百人到?#30422;?#20010;人是他们孕育了整个人类有一种理论认为大约7万年前位于印度尼西亚的多?#31361;?#23665;发生大爆发使得温度骤降多数人随后死去只留下少数由这一小群人繁衍出那些最后占据整个地球的冒?#29031;ߡ较照ߡ?/em>

在地球的历史中智慧生命似乎多次走到尽头我们能够存活实在是一个奇迹我们可?#36816;?#34429;然其他行星上可能存在生命但有意识的生命只可能出现在少数几个?#20052;?#19978;因此我们应该珍惜地球上出现的意识它是宇宙中已知的最复杂的?#38382;剑?#24456;可能也是最稀有的

在考虑人类未来的命运?#20445;?#25105;有时会想到人类自我灭绝的可能性虽然火?#22870;?#21457;地震都可能对人类宣?#20852;?#21009;但我们最大的?#24535;?#21364;来自于人造的灾难如核战争或生物工程细菌如果这真的发生那么也许银河系中存在的唯一有意识的生命?#38382;?#20250;遭到灭绝我觉得这不仅会是我们的悲剧也是整个字宙的悲剧我们想当然地认为自己拥有意识我们并不理解生物?#24405;?#20351;意识出现所经历的漫长的曲折的过程心理学家?#36820;?#25991;平克写道“我认为意识在每个时刻上的展现都是宝贵而脆弱的恩?#20572;?#27809;有比意识到这一点更能给生命以意义的了”

价值中国我们讨论到今天最?#25226;?#30340;技术就是深度学习也就是多层的神经网络深度学习能力非常强大但是有局限性吗

王维嘉当然有神经网络的一个局限性是需要?#35272;?#29305;定领域的先验知识也就是需要特定场景下的训练说白了就是神经网络只会教什么学什么不会举?#29615;?#19977;——编注“举?#29615;?#19977;”其实是一个哲学思维或者抽象升维思维的问题

神经网络的这个局限性是因为神经网络的学习本质上就是对相关性的?#19988;?#20063;就是说神经网络将训练数据中相关性最高的因素作为判断标准打比方说如果一直用各个?#20998;?#30340;白色狗来训练神经网络让它学会“这是狗”的判断神经网络会发现这些狗最大的相关性就是白色从而?#36152;?#32467;论白色=狗在这?#26234;?#20917;下让这个神经网络看见一?#35805;?#29483;甚至?#35805;?#20820;子它仍然会判断为狗

机器学?#26263;?#36825;种呆板行为用专业术语描述叫“过度拟合”如果想让神经网络变得更聪明就必须用不同维度的——编注各种颜色各个?#20998;?#26159;否穿衣服等各种场景下的狗来训练神经网络如此它才有可能发现不同的?#20998;?#38388;更多的相关性从而识别出更多的狗

人类则不同一个两三岁智力发育正常的孩子在看过儿?#36824;分?#21518;就能认出这世上几乎所有的狗了无须大量标注数据和特殊场?#26263;?#35757;练只需要少量的数据人脑就可以自己想清楚这个过程在这方面目?#26263;?#31070;经网络和人脑相比还有巨大的差距

神经网络的另一个局限性是无法解释结果为什么是这样因为人类无法理解暗知识所以更无法解释神经网络这个“满是旋钮的黑盒子”每个旋钮为什么旋转到那个位置而不是多一点或者少一点都是无法解释的这个不可解释性在许多涉及安全和公共政策的领域都是很大的问题例如医疗涉及人的健康和生命医生的诊断需要根据极为严谨的医学逻辑因此医疗对于人工智能的可解释性要求远高于其他行业极少有医院或医生敢把无法解释的诊断结果用在患者身上然而由于神经网终身不具备医学逻辑其输出的结果也缺乏医学上的解释性因此目前人工智能在医学上的应用无论是影像识别还是辅助诊断都需要专业医生的复核距离取代医生还有较大的距离

人工智能之所?#26434;?#19978;述两个局限性主要是因为目?#26263;?#31070;经网络只有相关性的学习能力没有因果推理能力更无法把一步一步推理的过程表现出来因此想要克服这两个局限性我们需要有因果推理能力的人工智能要实现这件事情人工智能需要做的不仅是识别场景还需要将识别出来的场景和它具体的功能以及想做的事情结合起来从而实现合理的逻辑推理

让我们看看人脑是如何理解一个场?#26263;ġ?#24403;人进入一个新的房间?#20445;?#20250;很自然地对这个房间的大小里面各个物品的大小位置等有一个大致的认识之后人脑会把识别出的场景和物品与其功能一一匹配例如床是用来躺的而且是一张双人床可以躺两个人椅子是用来坐的杯子是用来?#20154;?#30340;等等

然而更值得注意的是上述的几何重建和功能推理其精度是和具体任务相结合的例如人一开始看到杯子会匹配它?#20154;?#30340;功能并看到它放在桌子上判断距离自己两三?#33258;?#36825;个距离判断是非常不精确的然而当人真的需要?#20154;保人?#25104;为一个任务人在走过去拿杯子的过程中不断地更加精确地判断自己和杯子的距离直到非常精确地拿到杯子这个过程就是一个典型任务驱动的场景识别和功能推理

此外人类对于功能的推理并非会?#24515;?#20110;具体的物体而是能抽象出这个物体和功能有关的物理特性从而匹配其功能

仍然以?#20154;?#20026;例如果房间里没有杯子但是有一个瓢一个盘子一根擀面杖人会很自然地选择瓢作为?#20154;?#30340;工具如果连瓢?#27982;挥性?#21487;能选择盘子因为瓢可以作为容器的物理特点和这件杯子是一致的而且选择了瓢之后人拿?#26263;?#21160;作?#20154;?#30340;动作都会和拿杯子不一样这同样是由杯子和瓢不同的物理特性出来的决定的

由此可见人对于物体的功能推理是会根据任务的要求抽象其物理特性从而推理它的功能并完成任务因此人工智能的场景识别和功能匹配是需要基于场景和物体的物理特性来完成的而不仅仅是识别和标定具体功能

这?#21482;?#20110;任务驱动的因果推理和当?#26263;?#31070;经网络的对?#28909;?#19979;

 

 
机器神经网络
人类任务驱动
物体识别
识别物体是什么
如果没训练过就无法识别
识别物体的物理属性
?#35789;?#27809;训练过也可以识别
功能匹配
通过标定和训练匹配功能
如果没训练过就无法匹配
通过物体特性匹配功能
?#35789;?#27809;训练过也能匹配功能
驱动本质
数据标定驱动
任务驱动
数据数量
需要大量数据训练
只需要少量数据
推理能力

资源来源朱松纯正本清源2016年11月视觉求索

价值中国?#33322;?#22825;社会的大致共识是人类已经进入数字时代或数据时代或知识时代或智能时代但是普通人对于“数据信息知识”这些词汇的理解和使用是极其混乱的请做一个厘清

王维嘉的确如此我对于这几个关键词的定义?#24418;易约?#30340;表述我认为——

信息可观察的事物表征

数据已描述出来的信息

知识数据间的时空关系

林永青?#33322;?#22825;最通行的知识层?#25991;停?#22823;约就是这个DIKW模型了

DIKW模型

• Wisdom-智慧知识的嵌入式应用
• Knowledge-知识有意义的信息
• Information-信息?#33322;?#26500;化的数据—比较推论过滤
• Data-数据可计划的结果和事实

我的理解是无论每一种“解释”所采用的“定义”有何不同每一个层级与下一个层级之间并非只是通过做约束条件做了“减法”而成为简单的大集合与小集合的包含关系而是肯定“加进去了另外的东西”也就是“信息”未必就比“数据”更少“知识”也未必就比“信息”更少因为这里面有人类思维没有“看到”的更多维度的连接

再?#24247;?#19968;句不是没有而是没有看到之所以如此是因为我们人类最有把握的知识处理工具?#36824;?#23601;是“二维的图表”电脑早就可?#28304;?#29702;N维的数组图表了只?#36824;?#22312;电?#28304;?#20648;器中也只能用二维的方式来保存人类也因此无法“实时”形成一个形象化的理解

我因此?#30001;?#20986;另一个“猜想”所谓“知识”?#36824;?#23601;是降维的“?#25104;?rdquo;投影罢了借?#23186;?#31569;设计图的类比三维的“球体”投影成二级的“圆面”人脑还可以勉强“还原”出高一维的“知识”或者是四维五维或更高维的“知识”投影成二维——人类是三维生物能够瞬间理解的知识也只有二维——所以我的解释就是所谓“暗知识”极大概率就是面对多维事物“投影”成二维想想?#36824;?#21017;魔方给我们带来的巨大的脑力激荡那还只是非常低维的玩具

多维事物在我们的“物?#22763;?#38388;”只以“三维”存在而在我们的“意识空间”中完全是可以N维存在的?#28909;?#25105;们描述一件衣服颜色是一个维度材料是一个维度款式是一个维度尺寸是一个维度......什么是“维度”用哲学术语来讲“不可通约”的“概念?#20923;?rdquo;就是维度通俗地讲“颜色”和“材料”就不可比较你可以比较“红色”或“蓝色”但你不会将“红色”与“棉布”去做比较理论上讲维度越多对事物的描述越?#26082;P?#21482;要你继续开动思“维”可以无限制地描述下去

多年以前剑桥大学出版了一本非常重要的知识论著作三种文化21世纪的自然科学社会科学和人文学科提出了知识类别的三种文化——从今天的人工智能进展来看这种分类或许过于简单但十分必要包括社会学人类学政治学经济学和心理学等专业领域并分章介绍了三种文化中每一种文化的各个假定词汇和贡献指出每一个共同体所使用的许多概念的意义对它自己的方法?#27492;?#37117;是独特的因为证据的来源各不相同本书最后总结了各门科学和学科对我们理解人类知识本质的贡献

该书没有将“人文”称为“科学”是非常?#26082;?#30340;我的看法是社会科学比自然科学有更多维度或抽象而人文学科比社会科学又有了更多的维度还有一点表格是“二维”的符号表达这是人类的“明知识”能够处理的最高“维度”了 真是非常的局限

这张表格我认为非常重要从9个重要维度对三种知识文化进行了对照分析在很大程度下清晰定义“知识概念”是困难的但对照解读却可以很容易地提升我们对特定知识概念的理解

价值中国我们讨论了“暗知识”的哲学和科学上的成因及相关解释我们也都认同“暗知识”是机器人工智能的舞台那么人工智能的大发展需要具备哪些条件

王维嘉AI发展了60~70年为什么到今天能够突破

这是由于长期积累的三个条件成熟了第一个条件是计算能力计算能力和半导体的集成度在单?#35805;?#23548;体材料面积上可以集成的晶体管的数量直接相关从第一个集成电路晶体管诞生以来在过去的50年中半导体的集成度的增加速?#28982;?#26412;遵循“摩尔定律”即?#33322;?#22825;普遍流行的说法“计算机运算速?#35753;?8个月提升一倍价格每18个月下降?#35805;?rdquo;1970年一个?#37202;?#19978;的晶体管数量约为1000个今天一个?#37202;?#19978;的晶体管数量达到100亿个不到50年中提高了1000万?#19969;?#30456;应地计算能力也提高了1000万?#19969;?/p>

目前虽然单个?#37202;?#30340;晶体管数量增加速?#30830;I海?#20294;人们开?#21450;?#25104;百上千个?#37202;?#23553;装在一起以便提高总的计算速度

计算能力对人工智能的巨大推动还体现在一个标志性?#24405;?#19978;—GPU图形处理器被用于训练AI算法2009年斯坦福大学计算机系教授吴恩达和他的博士生拉加特·蓝恩纳RatRaina第一次提出由于神经网络中大量计算可以并行用一个GPU可以?#20154;?#26680;CPU快70倍原来需要几周完成的计算一天就可以完成之后纽约大学多伦多大学及瑞士人工智能实验室纷纷在GPU上加速其深度神经网络赢得2012年 ImageNet?#35895;?#30340; Alex Net同样用的是GPU此后GPU在神经网络的训练和识别中树立了公认的王者地位再后来 AlphaGo发威战胜人类顶级围棋手背后则是谷歌自行研发的专为深度学习使用的TPU发挥了重要支撑每个TPU可以提供10倍于GPU的计算能力

第二个条件是数据如果说算法是火箭发动机那?#35789;?#25454;就是燃料由于互联网的发展和各类传感器例如在各种环境中的温度位置压力等物理化学变量的测量社会中大?#21487;?#20687;头的存在成本的大幅下降和广泛安装根据IDC互联网数据中心的监测统计2011年全球数据总量已经达到1.8ZB1ZB=1万亿GB相当于18亿个1TB的移动?#25165;̣?#32780;这个数值还在以每两年翻?#29615;?#30340;速度增长预计到2020年全球将总共拥有35ZB的数据量增长近20倍.

这比从人类出?#20540;?#35745;算机出?#26234;?#20135;生的所有数据都多以目?#26263;?#20256;感器技术发展速度若干年后回?#25151;?#20170;天的数据量不仅量小而且数据采集的密度和广度都?#23545;还?/p>

第三个条件就是那批?#35797;?#22352;“冷板凳”的科学家经过?#24605;?#21313;年的积累终于从2006年开始在算法上有了重大突破当时在多伦多大学任教的辛顿教授在美国科学杂志和相关的期刊上发表了论文证明了深度神经网络的能力和实用性从此基于多层神经网络的深度学习理论成为本轮人工智能发展的重要推动力相当于过去飞机从达·芬奇设计的扇翅膀的飞行器变成?#26032;?#26059;?#26263;?#21457;动机人工智能的概念和应用开?#23478;放?#21319;语音识别机器视觉技术在几年间便超过了人类的水?#20581;?/p>

正是算力数据算法这三个要素同步成熟形成合力终于带来了今天AI的爆发这三个要素中最重要的是计算能力的发展和算法的互相促进

价值中国前面讨论的是AI产业大发展的前提条件请您在产业端谈谈基本的评断

王维嘉我们认为AI产业的各部分呈现出金字塔结构——

AI产业生态的金字塔结构

金字塔的下层对上层有?#35272;?#24615;但反之不成立也就是说上层是驱动力是自变量下层是驱动结果是因变量金字塔的宽度大致对应市场规模和公司的数量所以越上层对整个行业的影响越大但市场规模?#21483;?#36234;下层市场规模越大但影响?#21483;?/p>

产业的皇冠?#26680;?#27861;我们前面说过AI近年的突破性发展的三个驱动因素之一是神经网络算法的突破其实这是三个因素中最重要的因素因为其他两个因素计算能力和数据量属于对整个数字经济发展的“搭便车”行为暂不讨论目?#25226;?#31350;算法主要集中在美国的一流大学和几家超级互联网公司谷歌 Facebook亚马逊微软IBM百度等

大学的算法研究大部分都是学术性和公开的而大公司的算法研究最核心的只留给自己用专门研究算法的私人企业屈指可数一家著名的算法公司就是被谷歌?#23637;?#30340;大胜围棋世界冠军的 DeepMind另一家是由硅谷老将曾经做出世界上第一台掌上电脑 PalmPilot的杰夫·霍金斯 Jeff Hawkins创办的 Numenta公司名来自拉丁文 mentis意为“心灵” Numenta是一个由私人资助的研究所他们过去十几年专注于发展一种叫作层级时序?#19988;?HierarchicalTemporal MemoryHTM的算法这种算法受大脑新皮质中锥体细胞的启发网络结构远比各种神经网络复杂这种算法的一个特点是可以连续学习

神经网络都有一个缺陷在模型训练完毕后如果?#34892;?#25968;据可?#26434;ã?#23601;必须把新数据和原来的老数据合并在一起重新训练模型而HTM的连续学习没有这个缺陷当新数据来了以后只要继续把新数据喂给模型即可HTM的第二个优势在于可以将物理世界的基?#22659;?#35782;融入模型 

Numenta并不寻求直接提供商业解决方?#31119;?#32780;是仅仅提供算法的许可让合作伙伴用自己的算法来解决商业问题 Numenta还提供了开源的?#25945;?#35753;更多的开发者在这个?#25945;?#19978;完善HTM算法从 Numenta出来创业的威德罗教授的博士生迪利普·?#20405;Σ?Dileep George基于HTM创办了一家做机械手通用软件的公司 Vicarious相对于应用企业算法的公司少得可怜原因主要是缺乏商?#30340;健?/p>

价值中国我们都了解人工智能与互联网密切相关多数人都可以认可但二者最重大的区别是什么在产业运用上又有哪些各自的特征

王维嘉这次AI创新浪潮堪比互联网浪?#20445;?#20294;是AI浪潮和互联网浪潮有三个重大区别——

第一个区别是AI从一开始就要颠覆传统行业互联网1994年起步时从经济的边缘开始和传统产业似乎一点关系?#27982;?#26377;没有人懂一个网站能干什么互联网20多年来逐步从边缘蚕食中心直?#20004;?#26085;影响每个行业但?#35789;?#26159;今天互联网对制造业农业建筑业交通运输等搬运原子的行业的影响也局限在媒体和营销方面还没有进入制造业的核心而AI的特点是从第一天起就从传统产业中心爆炸自动驾驶对汽车行业的颠覆就是一个典型的例子

第二个区别是技术驱动互联网除了搜索以外基本没有太多技术主要是应用和商?#30340;健?#20114;联网创业者完全可以是不懂技术的人目前为止AI创业者以技术大拿居多当然随着AI技术和更多中间工具的普及许多有商业头脑的人只要看明白A1在一个行业的价值也可以拉起一家公司但目前最稀缺的是A的高?#37117;?#26415;人才

第三个区别是可能不会出?#21046;教?#24615;公司或赢家“通吃”的?#32622;?/strong>互联网的一个特点是连接供需双方一旦用户超过一个门限后来者就很难赶上所以很容易形成赢家“通吃”的?#32622;?#20294;在AI产业里目前还没有看到这样的机会----编注?#21644;?#29992;型AI的可能性目前看来还十分遥远不论是自动驾驶还是人脸识别都是一个一个山头去攻无法在短期内形成垄断造成融资泡沫的一个重要原因就是?#34892;?#25237;资人还以为A和互联网赢家“通吃”只要投中第一名多贵都值

简单用一句话说就是互联网是toC对用户的生意是toB对企业的生意AI中toC的生意多数都会被现有互联巨头吸纳创业者的机会在于toB

林永青就这一问题我想做一个重要的补充我认为互联网上的智能其实主要或者完全还是“人脑智能”?#28909;?#20320;进行网上购物其实是购物者的大脑在进行订单操作的和传统购物的区别只是在于传统上订单是由商家的业务员在处理订单而网购是由用户在自行处理订单但智能的来源都是人脑

而人工智能完全不同AI几乎就是机器智能除于在训练机器的阶段有人工参与人脑参与之后?#25237;?#26159;机器在自我学习自我理解和自我决策

这里可以衍生出一个重要的相关问题就是“知识”和“智能”的关系问题“现代管理学之父”?#35828;?德鲁克也是“知识工作者”“知识社会”等重要“知识概念”的提出者他有一名名言“你无法想像知识知识只存在于两个耳朵之间”他想表达的是知识是极端个人化的产物知识的传播理解存储的巨大困难图书馆里大量藏书如果你没有去阅读及理解并不能认为你掌握了“知识”

而“智能”主要是机器的舞台而且机器智能是从数字化了的数据信息知识中间产生出来的因此机器智能的传播是非常便捷高效的——几乎是以光速在机器间传播

有一件非常有趣味的轶事NOVA SPIVACK是德鲁克先生的长孙德鲁克在研究“知识”而NOVA在研究“智能”NOVA在2007年提出了一个网络1.0~网络4.0的互联网发展代?#20107;?#32447;图成为业界公认的一个指标

NOVA也在多年前开始了所谓“全球脑”的研究他认为未?#27492;?#26377;的人脑和机器脑都可以无限制地连接成一个“全球脑”而且因为智能网络效应“全球脑”将以不可估量的方式超越不连接的全部单体人脑

他认为知识knowledge与智能intelligence是两种不同的事物知识是数据智能是程序 过去我们传播的只是知识?#28909;?#20070;本 而智能只存在人的头脑中下一步就是智能的传播语义网络中智能应用的出现通过外化软件或人类大脑以实现智能的传播我们已经创造了专家系?#22330;?#26234;能协作软件软件可以学习理解发展可?#36816;?#26102;移动可以被复制  下一步我们关于智能要做的事正如过去对知识做的事情一样如果这个得以实现智能将存在于网络独立于人类

我们从中看到经历了祖孙三代人的时间人类“从知识走向了智能”前者的行为主体是“人”而后者的行为主体却是“机器”

我完全赞同NOVA的预测如果说在以往人类赖于生存最重要的社会行为来自于发现创造及运用知识那么在未来人类最重要的价值性工作就是学会如何运用“机器智能”以及学会如何与机器相处

?#30001;?#35299;读结语生命3.0人类在智能后时代的劫后余生

生命3.0的作者MIT物理学终身教授MAX TEGMARK认为

关于智能爆炸“如果有一天我们造出了人类水平的通用人工智能就可能会触发一场智能爆炸将人类?#23545;端?#22312;后面需要引起警戒的是如果这场智能爆炸是由一些人类控制的那他们可能会在几年时间内控制整个世界如果人美没能掌控这场智能爆炸那么人工智能可能会以更快的速度控制世界

关于权力结构“快速的智能爆炸可能会导致单极化的超?#35835;?#37327;的出现一个?#26377;?#20960;年或者几十年的慢智能爆炸更有可能促成多极化的情形许多相当独立的实体在其中达成一种力量的平衡

生命的历史说明它总会自?#26131;?#32455;成更复杂的层级结构这种层级结构是由合作竞争和控制共同塑造的超级智能或许会促成更大宇宙尺度上的合作但是它终会导?#24405;?#26435;主义和由上自下的控制还是会赋子个体更多权力目前尚不清楚”

关于人机融合“赛博格cyberg-人机一体的新物种-编注和上传者是可能的但或许并不是实现机器智能的最快途?#19969;?#30446;前人工智能研究?#21917;?#30340;高潮要么是人类历史上最好的事情要么是最坏的事情.可能的后果形形色色多种多样我们今天还无法预料我们需要努力思考我们希望看到什么样的结果以及如何才能达成这个目标因为如果我们不去思考自己想要什么很可能无法?#36152;?#25152;?#28014;?/em>

 

图书介绍暗知识机器认知将如何颠覆商业和社会

自序

一直以来人类的知识可以分为两类 “明知识”和“默知识” Tacit Knowldge又称默会知识明知识就是那些可?#26434;?#25991;字或公式清晰描述和表达出来的知识默会知识则是个人在感觉上能把握但无法清晰描述和表达的知识也即我们常说的“只可意会不可言传”的那类知识人类发明文字以来积累的知识主要是明知识 因为只有明知识才可以记录和传播直到大约 70 年前人类才意识到默知识的存在今天人工智能特别是其中的一个重要流派—— 神经网络突?#29615;?#29616;了海量的人类既无法感受又无法描述和表达的“暗知识”——隐藏在海量数据中的相关性或者万事万物间的隐蔽关系这些暗知识可以让我们突然掌握不可思议的“魔力”能够做很多过去无法想象的事情本书就是要清楚阐述机器学习发掘出了什么样的暗知识为什么机器能?#29615;?#29616;这些暗知识以及这些暗知识对我们每个人会有什么影响

本书分为三个部分

第一部分第一二三章第一章里我们发现AlphaGo阿尔法围棋给我们带来的最大震撼是人类完全无法理解机器关于下棋的知识这个发?#21046;?#20351;我们重新审视人类对于“知识”的所有观念这一章回顾了 2500 年来人类所熟悉的明知识和直至大约 70年前才注意到的默知识近几十年的脑神经科学的研究成果让我们对知识的本质有了更清楚的认识也回答了为什么人类既无法感受 也无法理解机器发现的那些暗知识这一章还分析了明知识默知识和暗知识之间的区别讨论了为什么暗知识的总量将?#23545;?#36229;过人类能掌握的所有知识

第二章介绍了机器是怎样学?#26263;模?#33021;学习哪些知识同时介绍了机器学?#26263;?#20116;大流派以及各流派从数据中挖掘知识的方法

第三章则重点介绍了目前机器学习中最火的神经网络包括神经网络的基本工作原理和目前在商业上应用最广的几?#20013;?#24577;以及各自适用的领域有了这些基础就可以判断AI人工智能在各个行业的商业机会和风险也只有理解了这些原理才能真正理解暗知识的特点为易于阅读和照顾不同读者的需求在这一章中我们尽量用通俗的语言解释这些工作原理而把精确的技术原理介绍放在附录里

第二部分第四五章讨论了 AI 对商业的影响我们将看?#20132;?#22120;发掘出来的暗知识对我们生活的直接影响对于想把握 AI 商业趋势的读者?#27492;?#36825;部分的内容至关重要其中第四?#26053;?#36848;了当?#26263;?AI 产业生态第五章详尽?#25945;?#20102;哪些行业将面临 AI 的颠覆 以及在不同行业的投资机会和陷阱

第三部分第六七章的内容是AI对未来和社会的影响第六章重点讨论目前还没有商业化的但可能更深刻影响我们的一些神奇的AI 应用第七章讨论了机器和人的关系 机器能在多大程度上取代人的工作会造成哪些社会问题例如大面积失业这两章的主要目的是开脑洞?#25945;?#37027;些我们今天可能还看不到的更深远的影响也试图回答人类的终极?#24535;?#26426;器人最终会控制人类吗

本书的各个章节前后连贯但也可以跳着读对于那些只对商业?#34892;?#36259;的读者可以跳过第二三章直接读第四五章

笔者在美国斯坦福大学读博士期间做过人工智能研究后来在硅谷和中国创办高科技公司目前在硅谷专注于投资人工智能每年访?#23454;?#30740;上千家硅谷和中国的科技公司接触顶级大学最?#25226;?#30340;研究这些都有助于笔者从大量的实践中提炼出自己对行业的原创的分析和洞见而不是人云亦云

笔者长期对人类如何获得知识?#34892;?#36259;在投资研究和写作 AI 的过程中发现了暗知识这样一个人类以往未曾发现的领域这个概念的提出一定会引起争议笔者?#38431;?#35835;者的批评并期待在批评和讨论中进一步深化在这方面的认识

本书的目标读者是企业和政府工作人员及其他知识阶层包括学生暗知识对人类的影响刚刚开始从暗知识这个新视角出发 可以更深刻地理解这次 AI 巨浪这波巨浪可能超过互联网许多行业都会深受影响本书希望能回答“AI 对我的行业和职业会有什么影响”只有把 AI 的技术趋势和应用深入浅出地讲清楚读者才可能举?#29615;?#19977;理解 AI 对自己的影响本书从笔者自己的投资实践出发希望能为在 AI 时代进行投资提供一些参考在 AI 飓风里泥沙俱下鱼龙混杂会有大量的炒作读完本书可以帮助读者辨别真?#20445;?#19981;会被轻易忽悠在今后 5~10 年不论是风险投资 / 私募股权投资还是在公开?#21892;?#24066;场投?#35782;?#38656;要有这样的辨别能力本书最后在讨论人工智能对整个社会的影响时也提出了一些未经检验的建议

每当读到市面上科技类的书籍?#20445;?#24120;被那些含混不清的描述所困扰当年在斯坦福大学上?#38382;?#30041;下的最深印象就是那些学科的开?#22870;?#31062;对自己学科理解之深入他们能用最简单的方式把最深奥的道理讲明白让听课的学生一下子就能理解一门学科的核心概念 而且一辈子不会忘记从那以后笔者就坚信如果学生没听懂 一定是老师没讲明白这本书希望用最通俗易懂的语言介绍暗知识和 AI任何具有高中以上学历的读者如果有没读懂的地方一定是因为笔者没?#34892;?#26126;白

今天每个人?#23478;?#38754;对海量的信息和知识如何让读者花最少的时间获取最大量的信息和知识成为一个挑?#20581;?#31508;者最欣赏的文章和书籍是那些没有一句多余的?#26263;ġ?#36825;也是笔者写作本书的目标之一 本书希望能够做到读者在机场书店买了这本书后能在下飞机前读完 而且读完之后可以清晰地判断这场技术大浪对自己的影响

王维嘉 2019 年 1 月 13 日于硅谷

王维嘉
简介

中国科技大学学士和硕士美国斯坦福大学博士曾在斯坦福大学师从人工智能鼻祖之一美国国家工程院院士伯纳德威德罗教授在硅谷学习工作创业投资超过30年拥有十几项美国基础专利开发了世界上第一台手持互联网终端是全球移动互联网的布道者和践行者目前在硅谷专注投资人工智能每年调研全球上千家高科?#21363;?#19994;公司访问世界顶级大学和研究所曾受邀在中央电视台凤?#23435;?#35270;中国证监会深圳市政府等就人工智能进行演讲反响强烈

他是硅谷风险投资公司 CEG Ventures 的?#35789;己?#20249;人也是中国企业家论?#24120;?#20122;布力?#35789;?#32456;身理事中国企业研究所?#35789;?#29702;事长?#35775;?#21516;学会2005委员会共同?#35789;?#20154;和第三届理事长中国企业家环保协会阿拉善?#35789;?#32456;身会?#20445;?#20197;及数字中国共同?#35789;?#20154;常务理事
京ICP证041343号 京ICP备12005815号-2 京公网安备11010502030378号
Copyright 2004-2019 版权所有 价值中国网
µޱˮ