[[189044]]

去年，一輛自動(dòng)駕駛汽車駛?cè)胄聺晌髦菝擅┧箍h。這輛實(shí)驗(yàn)汽車出自芯片制造商英偉達(dá)之手，從外觀看，它和谷歌、特斯拉或通用的其他自動(dòng)駕駛汽車并沒有多大差別。

但它的內(nèi)在可大不一樣。這輛車不需要工程師或編程人員的任何指令;相反，它依賴一套算法，通過觀看人類司機(jī)來自學(xué)如何開車。

能讓一輛汽車做到這個(gè)程度，確實(shí)是非常大的進(jìn)步。

但與此同時(shí)，這也讓人心有不安，誰(shuí)知道這車到底是怎樣做決定的呢。根據(jù)駕駛程序，這輛車的傳感器所收集的信息會(huì)直接進(jìn)入一個(gè)巨大的人工神經(jīng)網(wǎng)絡(luò)，進(jìn)行處理數(shù)據(jù)，然后發(fā)送指令，是轉(zhuǎn)動(dòng)方向盤啦，還是剎車?yán)?，還是其他動(dòng)作等等?？瓷先ィ@輛車能夠模仿人類司機(jī)的應(yīng)對(duì)措施。

但是，如果有一天，它做了讓人意想不到的事情——比方說撞樹了，或者停在綠燈前面不走了——這怎么辦?按照目前的情況，我們可能不太能輕易找出背后的原因。這套系統(tǒng)實(shí)在復(fù)雜，哪怕是開發(fā)它的工程師都很難獨(dú)立出每個(gè)動(dòng)作背后的原因。而且你也沒法讓工程師設(shè)計(jì)一個(gè)能解釋所有動(dòng)作的系統(tǒng)。

汽車“神秘”的思維模式，也就是人工智能技術(shù)的一大潛在問題。英偉達(dá)汽車所使用的人工智能技術(shù)，也叫做深度學(xué)習(xí)。近幾年，這一技術(shù)在解決問題上顯示出了強(qiáng)大的能力，而在圖像捕捉、語(yǔ)音識(shí)別和翻譯等方面，人工智能已經(jīng)被廣泛使用?，F(xiàn)在有人開始想象用人工智能來診斷致命疾病、進(jìn)行商業(yè)決策等。

但是，這樣的事情是不會(huì)發(fā)生的——或者說不應(yīng)當(dāng)發(fā)生，除非我們找到某些方式，讓技術(shù)開發(fā)人員能夠進(jìn)一步理解人工智能的思維，同時(shí)也為用戶負(fù)責(zé)。如果貿(mào)然普及這一技術(shù)，我們將無法預(yù)測(cè)什么時(shí)候發(fā)生災(zāi)難——而且，這是一定會(huì)發(fā)生的。這也是英偉達(dá)汽車至今仍在實(shí)驗(yàn)階段的原因。

很早之前我們就開始用數(shù)學(xué)模型來幫助決策，比方說誰(shuí)能申請(qǐng)到假釋，誰(shuí)能獲得貸款，誰(shuí)能得到某份工作。如果你能接觸到這些數(shù)學(xué)模型，那你或許能理解它們的決策模式。但現(xiàn)在，銀行、軍隊(duì)、雇主等開始尋求更為復(fù)雜的機(jī)器學(xué)習(xí)方法，好實(shí)現(xiàn)整個(gè)決策過程的自動(dòng)化。

深度學(xué)習(xí)是決策方式中最常見的技術(shù)，代表著與從前完全不同的計(jì)算機(jī)編程方式。致力于研究機(jī)器學(xué)習(xí)技術(shù)應(yīng)用的麻省理工教授Tommi Jaakkola說：“這個(gè)問題現(xiàn)在已經(jīng)與我們息息相關(guān)，未來還會(huì)更加普遍。不管是做投資決定、疾病診斷決定，還是軍事決定，你都不希望完全依賴一個(gè)黑箱模型吧。”

對(duì)于質(zhì)詢?nèi)斯ぶ悄芟到y(tǒng)的決策原因是否應(yīng)立為一項(xiàng)法律，這個(gè)問題已經(jīng)引起廣泛討論。從2018年夏天開始，歐盟或許會(huì)要求各個(gè)公司對(duì)自動(dòng)系統(tǒng)的決策作出解釋。但是，這一規(guī)定或許根本沒法實(shí)現(xiàn)，即便是看起來相對(duì)簡(jiǎn)單的系統(tǒng)——比方說使用深度學(xué)習(xí)來投放廣告或推薦歌曲的應(yīng)用和網(wǎng)站。提供這些服務(wù)的計(jì)算機(jī)已經(jīng)自己重新編程，而它們的編程方式我們沒辦法理解。哪怕是開發(fā)這些應(yīng)用的工程師，也無法全面解釋它們的行為。

這就引起了反對(duì)者的質(zhì)疑。沒錯(cuò)，我們?nèi)祟愐膊豢偰芙忉屪约旱乃季S過程，但是我們能根據(jù)直覺信任他人，評(píng)估他人。而面對(duì)一個(gè)思維和決策過程與人類完全不同的機(jī)器，直覺還能奏效嗎?

我們從未發(fā)明過連開發(fā)人員自己都不能理解的機(jī)器，那我們?nèi)绾芜€能期待和這些不可預(yù)測(cè)的機(jī)器溝通和友好相處呢?

帶著這些問題，我踏上了尋找答案的旅程。從谷歌到蘋果，我走遍了那些開發(fā)人工智能算法的公司，甚至還和當(dāng)代最知名的哲學(xué)家們進(jìn)行了一次交談。

[[189045]]

2015年，紐約西奈山醫(yī)院的一組研究人員受到啟發(fā)，開始用深度學(xué)習(xí)技術(shù)來分析醫(yī)院里的大量病歷數(shù)據(jù)。這些數(shù)據(jù)可分為上百項(xiàng)，包括病人的檢測(cè)結(jié)果、看診記錄等等。研究人員將這一分析系統(tǒng)命名為Deep Patient，開發(fā)完成后，他們用70萬份病患數(shù)據(jù)對(duì)其進(jìn)行了訓(xùn)練。結(jié)果證明，在測(cè)試新數(shù)據(jù)時(shí)，Deep Patient顯示出了超高的疾病預(yù)測(cè)率。在沒有專家指導(dǎo)的情況下，Deep Patient發(fā)現(xiàn)了醫(yī)院數(shù)據(jù)中的模型，而這些模型預(yù)示著對(duì)方是否將患上某些疾病。當(dāng)然，在根據(jù)病歷預(yù)測(cè)疾病方面，還有很多其他方法，但西奈山醫(yī)院研究團(tuán)隊(duì)的主管Joel Dudley說，“這種辦法更好。”

但與此同時(shí)，Deep Patient也讓醫(yī)生們有些摸不著頭腦。舉個(gè)例子，Deep Patient非常擅長(zhǎng)預(yù)測(cè)精神疾病，比方說精神分裂癥。從醫(yī)的人都知道，精神分裂癥對(duì)于人類醫(yī)生來說是極難診斷的，Dudley搞不清Deep Patient是怎樣識(shí)別出來的。直到今天他也不知道。

如果諸如Deep Patient這樣的系統(tǒng)真的要幫助醫(yī)生，那它最好提供預(yù)測(cè)的基本理論，否則如何讓人相信它的準(zhǔn)確性。“我們可以創(chuàng)建這些模型，”Dudley苦笑著說，“卻不知道它們是怎樣運(yùn)作的。”

人工智能并非生來如此。對(duì)于人工智能應(yīng)當(dāng)如何理解和解釋，主要存在兩大派別。

許多人認(rèn)為應(yīng)當(dāng)根據(jù)一定的規(guī)則和邏輯來制造機(jī)器，使其內(nèi)部運(yùn)作公開透明，方便所有想要檢驗(yàn)?zāi)承┐a的人。也有人認(rèn)為，智能只有借助生物靈感——也就是觀察、體驗(yàn)人類活動(dòng)，才能更順利地發(fā)展。這也就意味著，我們要把計(jì)算機(jī)編程的任務(wù)交給機(jī)器本身。

現(xiàn)在的機(jī)器學(xué)習(xí)是這樣的：編程人員編寫指令來解決某個(gè)問題，程序根據(jù)樣本數(shù)據(jù)和預(yù)期目標(biāo)來生成自己的算法。之后，機(jī)器學(xué)習(xí)技術(shù)會(huì)沿著后一條道路——也就是自己編寫程序——來升級(jí)為當(dāng)今最強(qiáng)大的人工智能系統(tǒng)。

最初，上述模式的實(shí)際用例非常有限。上世紀(jì)60和70年代，機(jī)器學(xué)習(xí)技術(shù)大多數(shù)還在行業(yè)邊緣徘徊。但很快，許多行業(yè)開始計(jì)算化，大數(shù)據(jù)催生了新的興趣點(diǎn)，更強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)隨之誕生，尤其是人工神經(jīng)網(wǎng)絡(luò)。到90年代，神經(jīng)網(wǎng)絡(luò)已經(jīng)可以實(shí)現(xiàn)手寫字符的數(shù)字化。

不過，人工智能真正的崛起時(shí)期，還要數(shù)過去10年。在幾次開發(fā)方式轉(zhuǎn)變和改良之后，超大型——或者說“深度”——神經(jīng)網(wǎng)絡(luò)在自動(dòng)感知方面顯示出了卓越進(jìn)步。深度學(xué)習(xí)也就是今天人工智能爆發(fā)的基礎(chǔ)，它賦予了計(jì)算機(jī)無窮的能力，比方說幾近人類級(jí)別的語(yǔ)音識(shí)別功能。由于語(yǔ)音識(shí)別系統(tǒng)太過復(fù)雜，此前編程人員遲遲無法開發(fā)成功。而如今，這一系統(tǒng)已經(jīng)在醫(yī)藥、金融、制造等多個(gè)行業(yè)得到運(yùn)用。

[[189046]]

即使是對(duì)計(jì)算機(jī)科學(xué)家來說，機(jī)器學(xué)習(xí)技術(shù)的運(yùn)作也是晦澀不明的，遠(yuǎn)不如人工編程易于理解。但這并不意味著未來所有的人工智能技術(shù)都是不可知的，只是從本質(zhì)上來說，深度學(xué)習(xí)就好比一個(gè)看不見內(nèi)部的黑盒子。

你無法直接探到神經(jīng)網(wǎng)絡(luò)內(nèi)部，觀察它是如何運(yùn)作的。神經(jīng)網(wǎng)絡(luò)的推理基于數(shù)千個(gè)模擬神經(jīng)元，分布于數(shù)十個(gè)或數(shù)百個(gè)復(fù)雜的互聯(lián)層上。第一層的每個(gè)神經(jīng)元負(fù)責(zé)接收數(shù)據(jù)輸入，比如圖片的像素強(qiáng)度，之后這些神經(jīng)元會(huì)對(duì)數(shù)據(jù)進(jìn)行計(jì)算，生成新的信號(hào)發(fā)送到下一層，逐次類推，直到得到最后的結(jié)果。此外，反向傳播能夠保證該神經(jīng)網(wǎng)絡(luò)生成期望結(jié)果。

深度網(wǎng)絡(luò)的多層結(jié)構(gòu)也讓其能夠從多個(gè)抽象層次識(shí)別物體。舉例來說，在一個(gè)設(shè)計(jì)來識(shí)別小狗的系統(tǒng)中，低層神經(jīng)元負(fù)責(zé)識(shí)別線條或顏色等簡(jiǎn)單目標(biāo)，高層神經(jīng)元負(fù)責(zé)識(shí)別毛發(fā)或眼睛等負(fù)責(zé)目標(biāo)，而在最頂端的神經(jīng)元?jiǎng)t能認(rèn)出這是一只狗。粗略地說，這種方法也能用于機(jī)器的自我學(xué)習(xí)，比如識(shí)別語(yǔ)言中的發(fā)音，文本中的字母、單詞或駕駛中轉(zhuǎn)動(dòng)方向盤的動(dòng)作。

幾年以前，研究人員開始設(shè)計(jì)一些策略，試圖了解這些系統(tǒng)內(nèi)部都發(fā)生了什么。2015年，谷歌研究人員對(duì)一套以深度學(xué)習(xí)為基礎(chǔ)的圖像識(shí)別算法進(jìn)行了修改，把物體識(shí)別功能變成了生成或修改功能。只要反向運(yùn)行這一算法，他們就能知道這些程序是如何識(shí)別小鳥、大樓等物體的。很快，這項(xiàng)代號(hào)為Deep Dream的反向研究項(xiàng)目結(jié)果出爐，程序根據(jù)云朵和植物，繪制了一群荒誕恐怖、形似外星人的動(dòng)物圖片，在森林和山谷之間，還有在幻覺中才會(huì)出現(xiàn)的寶塔。

Deep Dream繪制的圖片證明，深度學(xué)習(xí)或許不是完全不可理解的。雖然它們可以識(shí)別出鳥嘴、語(yǔ)言等熟悉的視覺特征，但和人類的認(rèn)知能力相比還是有很大差距的。比如我們都知道忽略圖片中的人工制品，但深度學(xué)習(xí)網(wǎng)絡(luò)不懂這些。谷歌研究人員指出，當(dāng)算法準(zhǔn)備繪制一幅啞鈴圖片時(shí)，它會(huì)自動(dòng)加上人的手臂，因?yàn)橄到y(tǒng)認(rèn)為手臂是啞鈴的一部分。

針對(duì)上述問題，科學(xué)家已經(jīng)借用神經(jīng)科學(xué)和認(rèn)知科學(xué)的知識(shí)，進(jìn)行了進(jìn)一步改良。比方說懷俄明大學(xué)助理教授Jeff Clune帶領(lǐng)了一支團(tuán)隊(duì)，用和上述圖片類似的幻覺圖像對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了測(cè)試。2015年，Clune團(tuán)隊(duì)研究證明，某些圖片會(huì)欺騙這一系統(tǒng)，讓其識(shí)別出根本不存在的物體。這是因?yàn)檫@些圖片抓住了系統(tǒng)搜索的模式特點(diǎn)。

我們需要的，不是一孔之見，而是對(duì)人工智能思維模式的全面探索，但這并不容易。深度神經(jīng)網(wǎng)絡(luò)計(jì)算的相互作用對(duì)高層模式識(shí)別和決策至關(guān)重要，但這些計(jì)算結(jié)果背后，是大量的數(shù)學(xué)函數(shù)和變量。“如果你的神經(jīng)網(wǎng)絡(luò)規(guī)模很小，那你可能還能理解它的運(yùn)作。”Jaakkola說，“但是一旦規(guī)模擴(kuò)大到上百層，每一層有上千個(gè)神經(jīng)元單位時(shí)，你就很難理解了。”

在Jaakkola隔壁辦公室的，是麻省理工教授Regina Barzilay，她決心要把機(jī)器學(xué)習(xí)技術(shù)運(yùn)用到醫(yī)藥行業(yè)。43歲那年，Barzilay被診斷出乳腺癌，讓她大為震驚。然而更讓她驚愕的是，最前沿的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)法居然沒有運(yùn)用到致癌研究或病患治療上。Barzilay說，人工智能有巨大的潛力革新醫(yī)藥行業(yè)，但想要挖掘出這些潛力，必然得在病歷分析的基礎(chǔ)上再進(jìn)一步。Barzilay希望將來能用上更多原始數(shù)據(jù)，比方說圖像數(shù)據(jù)、病理學(xué)數(shù)據(jù)等等。

去年，在結(jié)束癌癥治療后，Barzilay開始帶領(lǐng)學(xué)生，和馬薩諸塞綜合醫(yī)院的醫(yī)生共同研發(fā)一套系統(tǒng)，用于分析病理學(xué)報(bào)告，找出研究人員想要研究的特殊的臨床特征。但是，Barzilay知道，這套系統(tǒng)是沒法解釋自己的推理過程的。于是，她和Kaakkola以及一名學(xué)生一起，給系統(tǒng)增加了一個(gè)步驟：選取、標(biāo)注文本中代表某種病理模式的段落。與此同時(shí)，Barzilay還在和學(xué)生編寫深度學(xué)習(xí)算法，試圖在乳房X光照片中找到乳腺癌的早期癥狀，并呈現(xiàn)出分析結(jié)果背后的原因。

正如人類行為不能完全得到解釋一樣，人工智能或許也不知道自己為什么做這個(gè)決定。Clune說：“即使某個(gè)人言辭鑿鑿地告訴你他某個(gè)行為背后的原因，這個(gè)原因很可能也是片面的，人工智能同樣適用這個(gè)道理。它可能有自己的直覺、潛意識(shí)，或者就是神神秘秘的。”

如果真的是這樣，那么到將來某個(gè)時(shí)期，我們可能只能選擇相信人工智能的判斷，要么就徹底不用它。同樣，人工智能的判斷還要結(jié)合社會(huì)智能。人類社會(huì)建立在預(yù)期行為契約之上，我們需要人工智能系統(tǒng)尊重社會(huì)規(guī)范，融入社會(huì)規(guī)范。如果我們打算制造機(jī)器人坦克和其他殺人機(jī)器，那么它們的決策過程必須符合道德判斷的標(biāo)準(zhǔn)。

對(duì)此，塔夫茨大學(xué)著名哲學(xué)家和認(rèn)知科學(xué)家Daniel Denneyy說：“問題是，我們應(yīng)當(dāng)采納什么樣的標(biāo)準(zhǔn)來要求人工智能系統(tǒng)?或者說我們自己?如果人工智能系統(tǒng)在解釋自身行為上不如人類，那就不要信任它們了。”