??

[[206273]]

從20世紀(jì)60年代開始，人們就在期待像哈爾(HAL)這樣的科幻級(jí)別的AI，然而直到最近，PC和機(jī)器人還是非常愚笨?，F(xiàn)在，科技巨頭和創(chuàng)業(yè)公司宣告了AI革命的到來：無人駕駛汽車、機(jī)器人醫(yī)生、機(jī)器投資者等等。普華永道認(rèn)為，到2030年，AI將會(huì)向世界經(jīng)濟(jì)貢獻(xiàn)15.7萬億美元。“AI”是2017年的熱詞，就像“.com”是1999年的時(shí)髦用語那樣，每一個(gè)人都宣稱自己對(duì)AI感興趣。不要被有關(guān)AI的炒作所迷惑，它是泡沫還是真實(shí)?和舊有的AI潮流相比，它現(xiàn)在有什么新穎之處?

AI并不會(huì)輕易或迅速地被應(yīng)用。最令人興奮的AI實(shí)例往往來自大學(xué)或者科技巨頭。任何許諾用最新的AI技術(shù)讓公司發(fā)生革命性變革的自封的AI專家，都只是在傳遞錯(cuò)誤的AI信息，其中某些人只是重塑舊有技術(shù)的形象，把它們包裝成AI。每個(gè)人都已經(jīng)通過使用Google、微軟、亞馬遜的服務(wù)，來體驗(yàn)了最新的AI技術(shù)。但是，“深度學(xué)習(xí)”不會(huì)迅速地被大企業(yè)所掌握，用來定制內(nèi)部項(xiàng)目。大多數(shù)人都缺乏足夠的相關(guān)數(shù)字?jǐn)?shù)據(jù)，不足以可靠地用來訓(xùn)練AI。結(jié)果就是，AI并不會(huì)殺死所有的工作機(jī)會(huì)，尤其因?yàn)樗谟?xùn)練和測(cè)試每個(gè)AI的時(shí)候還是需要人類。

AI目前已經(jīng)能夠“用眼睛看到”，并精通一些視覺相關(guān)的工作了，比如：通過醫(yī)學(xué)影像識(shí)別癌癥或其他疾病，在統(tǒng)計(jì)學(xué)上優(yōu)于人類放射科醫(yī)師、眼科醫(yī)師、皮膚科醫(yī)師等，還有駕駛汽車、讀唇語。AI能通過學(xué)習(xí)樣本(比如畢加索或者你的畫作)畫出任何一種風(fēng)格的圖畫。反過來，它也能通過一幅畫，補(bǔ)足缺失的信息，猜出真實(shí)的照片是什么。AI看著網(wǎng)頁或應(yīng)用的屏幕截圖，就能寫出代碼制作出類似的網(wǎng)頁或應(yīng)用。

??

AI目前還能“用耳朵聽到”，它不只能聽懂你的話，還能通過聽Beatles或你的音樂，創(chuàng)作出新的音樂，或者模擬它聽到的任何人的聲音。一般人無法分辨出一幅畫或一首曲子是由人還是由機(jī)器創(chuàng)作的，也無法分辨出一段話是由人類還是AI說出的。

被訓(xùn)練用來贏得撲克比賽的AI學(xué)會(huì)了虛張聲勢(shì)，能夠處理丟牌、潛在的造假行為，還能誤導(dǎo)信息。被訓(xùn)練用來談判的機(jī)器人也學(xué)會(huì)了欺騙，能猜測(cè)出你什么時(shí)候在說謊，如果需要它們也會(huì)撒謊。一個(gè)用來在日語和英語間翻譯或者在韓語和英語間翻譯的AI，也能在韓語和日語間進(jìn)行翻譯轉(zhuǎn)換。看起來翻譯AI自己創(chuàng)造了一種中間語言，能不分語言的界限演繹任何一個(gè)句子。

機(jī)器學(xué)習(xí)(ML)是AI的一個(gè)子類別，它能讓機(jī)器從經(jīng)驗(yàn)中學(xué)習(xí)，從真實(shí)世界的實(shí)例中學(xué)習(xí)，數(shù)據(jù)量越大，它就能學(xué)到越多。據(jù)說，如果一臺(tái)機(jī)器完成一項(xiàng)任務(wù)的表現(xiàn)隨著經(jīng)驗(yàn)的增多越來越好，那它就能根據(jù)這項(xiàng)任務(wù)的經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)。但大部分AI還是根據(jù)固定規(guī)則制造出來的，它們并不能學(xué)習(xí)。從現(xiàn)在開始，我將使用“機(jī)器學(xué)習(xí)”這個(gè)詞來指稱“從數(shù)據(jù)中進(jìn)行學(xué)習(xí)的AI”，以此強(qiáng)調(diào)它和其他AI的區(qū)別。

人工神經(jīng)網(wǎng)絡(luò)只是通往機(jī)器學(xué)習(xí)的其中一種方式，其他路徑還包括決策樹、支持向量機(jī)等。深度學(xué)習(xí)是一種具有許多抽象層次的人工神經(jīng)網(wǎng)絡(luò)。不去談“深度”這個(gè)有炒作意味的詞，很多機(jī)器學(xué)習(xí)方法都是“淺顯的”。成功的機(jī)器學(xué)習(xí)通常是混合的，也就是很多方法的組合，比如樹+深度學(xué)習(xí)+其他，它們都是被分別訓(xùn)練而成的，再把它們結(jié)合在一起。每一個(gè)方法都可能帶來不同的錯(cuò)誤，所以，平均了它們每一個(gè)方法成功的結(jié)果，它們就勝過了單獨(dú)一種方法。

舊有的AI并不能“學(xué)習(xí)”。它是基于規(guī)則的，它只是幾個(gè)人類寫成的“如果……那么……”。它只要能解決問題就被稱作是AI，但它不是機(jī)器學(xué)習(xí)，因?yàn)樗荒軓臄?shù)據(jù)中進(jìn)行學(xué)習(xí)。目前的AI和自動(dòng)系統(tǒng)中大部分依然是基于規(guī)則的代碼。機(jī)器學(xué)習(xí)從20世紀(jì)60年代開始才被人了解，但就像人類大腦一樣，它需要大量的計(jì)算設(shè)備處理大量的數(shù)據(jù)。在20世紀(jì)80年代，要在PC上訓(xùn)練一個(gè)ML需要幾個(gè)月時(shí)間，而那時(shí)候的數(shù)字?jǐn)?shù)據(jù)也非常稀少。手動(dòng)輸入的基于規(guī)則的代碼能快速地解決大部分問題，所以機(jī)器學(xué)習(xí)就被遺忘了。但用我們現(xiàn)在的硬件，你能在幾分鐘內(nèi)就訓(xùn)練出一個(gè)ML，我們知道最佳的參數(shù)，而且數(shù)字?jǐn)?shù)據(jù)也更多了。然后在2010年之后，一個(gè)又一個(gè)AI領(lǐng)域開始被機(jī)器學(xué)習(xí)所掌控，從視覺、語音、語言翻譯到玩游戲，機(jī)器學(xué)習(xí)勝過了基于規(guī)則的AI，而且通常也能勝過人類。

為什么AI在1997年的國際象棋比賽中就擊敗了人類，但直到2016年，才在圍棋比賽中擊敗了人類呢?因?yàn)樵?997年，計(jì)算機(jī)僅僅簡(jiǎn)單地計(jì)算出了國際象棋8×8棋盤中所有的可能性，但圍棋擁有19×19的可能性，計(jì)算機(jī)要計(jì)算出所有可能性需要十億年。這就像要隨機(jī)組合出所有字母，以此得到這樣一整篇文章一樣：這根本不可能。所以，人們已知的唯一的希望在于訓(xùn)練出一個(gè)ML，但是ML是近似的，不是確定的，機(jī)器學(xué)習(xí)是“隨機(jī)的”，它可以被用于統(tǒng)計(jì)分析的模式，但不能用于準(zhǔn)確的預(yù)測(cè)。

機(jī)器學(xué)習(xí)讓自動(dòng)化成為可能，只要你準(zhǔn)備好訓(xùn)練ML的正確數(shù)據(jù)就可以了。

??

大多數(shù)機(jī)器學(xué)習(xí)都屬于監(jiān)督學(xué)習(xí)，這里用來訓(xùn)練的實(shí)例都是有標(biāo)簽的，標(biāo)簽就是關(guān)于每個(gè)實(shí)例的描述或者標(biāo)注。你首先需要人工把那些關(guān)于貓的照片從關(guān)于狗的照片中分離出來，或者把垃圾郵件從正常郵件中分離出來。如果你錯(cuò)誤地給數(shù)據(jù)打了標(biāo)簽，最后ML就會(huì)不正確，這至關(guān)重要。把未打標(biāo)簽的數(shù)據(jù)放到ML里，這就是無監(jiān)督學(xué)習(xí)，在這里ML會(huì)發(fā)現(xiàn)有用的數(shù)據(jù)的模型和群組，但它不能單獨(dú)用來解決很多問題。所以有些ML是半監(jiān)督式的。

在異常檢測(cè)中，你可以識(shí)別出不同尋常的東西，比如欺詐或者賽博入侵。一個(gè)通過老式欺詐訓(xùn)練出來的ML會(huì)錯(cuò)過那些新式的欺詐。你可以讓ML對(duì)任何可疑的不同之處做出警告。政府部門已經(jīng)開始用ML來偵查逃稅行為了。

強(qiáng)化學(xué)習(xí)在1983年的電影《戰(zhàn)爭(zhēng)游戲》中就已經(jīng)有了體現(xiàn)，在電影里，計(jì)算機(jī)通過打通光速中的每一個(gè)場(chǎng)景，從而避免了第三次世界大戰(zhàn)。這個(gè)AI在百萬計(jì)的失敗與嘗試中探索，最終得到了巨大的回報(bào)。AlphaGo是這樣被訓(xùn)練而成的：它曾數(shù)百萬次地扮演自己的對(duì)手，從而獲得超越人類的技能。它使出了前所未見的招數(shù)，人類選手甚至可能會(huì)把它看做錯(cuò)誤的招數(shù)。但后來，這些招數(shù)被公認(rèn)為機(jī)智非凡。ML開始變得比人類圍棋選手更富有創(chuàng)造性。

在人們認(rèn)為AI不是真正智能的時(shí)候，“AI效應(yīng)”就出現(xiàn)了。人們?cè)跐撘庾R(shí)里需要相信魔力，需要相信人類在宇宙中的獨(dú)一無二。每一次機(jī)器在某一項(xiàng)智能活動(dòng)中超越了人類時(shí)，比如在下象棋、識(shí)別圖片或者翻譯時(shí)，人們總是會(huì)說：“那只是強(qiáng)力計(jì)算能力，那不是智能?！焙芏郺pp里都有AI存在，然而一旦被廣泛應(yīng)用，它就不再被稱作“智能”。如果“智能”只是AI沒有達(dá)成的技能(也就是獨(dú)屬于大腦的技能)，那字典每一年都要被更新，比如：數(shù)學(xué)在20世紀(jì)50年代之前才被認(rèn)為是智力活動(dòng)，現(xiàn)在已經(jīng)不是了。這真是太奇怪了。關(guān)于“強(qiáng)力計(jì)算能力”，一個(gè)人類大腦擁有100萬億個(gè)神經(jīng)元連接，比地球上任何一個(gè)計(jì)算機(jī)所擁有的都多得多。機(jī)器學(xué)習(xí)不能做“強(qiáng)力計(jì)算”，如果讓機(jī)器學(xué)習(xí)去嘗試所有連接，那需要花上十億年的時(shí)間。機(jī)器學(xué)習(xí)只會(huì)“在被訓(xùn)練的基礎(chǔ)上進(jìn)行猜測(cè)”，并且它使用的計(jì)算能力比大腦使用的要少。所以，應(yīng)該是AI來宣稱人類大腦不夠智能，來宣稱人類大腦只是強(qiáng)力計(jì)算能力而已。

機(jī)器學(xué)習(xí)并不是一個(gè)人類大腦模擬器，真正的神經(jīng)元要不同得多。機(jī)器學(xué)習(xí)是通往真正大腦能力的另一條通路。大腦和機(jī)器學(xué)習(xí)都要處理統(tǒng)計(jì)數(shù)字(概率)來逼近復(fù)雜函數(shù)，它們都會(huì)給出稍微有點(diǎn)偏差的結(jié)果，但這個(gè)結(jié)果是可用的。機(jī)器學(xué)習(xí)和人類大腦會(huì)針對(duì)同一任務(wù)給出不同的結(jié)果，因?yàn)樗鼈円圆煌姆绞教幚韱栴}。所有人都知道，大腦容易忘記事情，并且在解決特定數(shù)學(xué)問題的時(shí)候也有很多限制，但機(jī)器在記憶和數(shù)學(xué)方面是完美無缺的。然而，那些認(rèn)為“機(jī)器要么給出確切答案，要么就是機(jī)器壞了”的舊想法是錯(cuò)誤的、過時(shí)了的。人類會(huì)犯很多錯(cuò)，你不會(huì)聽到說這個(gè)人類大腦壞掉了，而是會(huì)聽到讓這個(gè)人類大腦更努力地學(xué)習(xí)。所以，ML也不是壞掉了，它們需要更努力地學(xué)習(xí)，在更多不同的數(shù)據(jù)中學(xué)習(xí)。基于人類偏見訓(xùn)練出來的ML有可能會(huì)是種族主義的、性別歧視的、不公平的，總之最糟糕的還是人類大腦。ML不應(yīng)該只被數(shù)據(jù)訓(xùn)練，不應(yīng)該只為了模仿人類的工作、行為和大腦。同樣的ML，如果在其他星系被訓(xùn)練，就能模仿外星人的大腦，讓我們也用外星人的思維來思考吧。

AI正在變得像人類一樣神秘。那些認(rèn)為計(jì)算機(jī)無法擁有創(chuàng)造力，不能撒謊、出錯(cuò)或者像人類一樣的想法，是來自于舊有的基于規(guī)則的AI，這些AI確實(shí)是可預(yù)測(cè)的，但它們會(huì)隨著機(jī)器學(xué)習(xí)的出現(xiàn)而發(fā)生改變。AI一旦掌握了某些新的能力，就被稱作“不夠智能”，這樣的時(shí)代已經(jīng)結(jié)束了，對(duì)AI來說，唯一真正重要的區(qū)別是：通用AI，或者狹義AI。

??

和其他科學(xué)不同，你無法驗(yàn)證一個(gè)ML是否在使用邏輯化的理論。要判斷一個(gè)ML是否正確，你只能通過測(cè)試那些不可見的新的數(shù)據(jù)結(jié)果。ML不是一個(gè)黑匣子，你可以看到那些它生成和運(yùn)行的“如果……那么……”列表，但通常對(duì)一個(gè)人類來說，這些數(shù)據(jù)量太大太復(fù)雜了。ML是一門試圖重現(xiàn)現(xiàn)實(shí)世界之混亂與人類直覺的實(shí)用科學(xué)，它不會(huì)給出簡(jiǎn)單的或理論化的解釋。這就好像，你有一個(gè)行得通的想法，但你不能具體解釋出自己是怎么得出這個(gè)想法的。對(duì)于大腦來說，這被稱為靈感、直覺、潛意識(shí)，但對(duì)計(jì)算機(jī)來說，這就是機(jī)器學(xué)習(xí)。如果你能得到一個(gè)人在大腦里做出決定所需的全部神經(jīng)信號(hào)，你就能理解大腦做出這個(gè)決定的真正緣由和過程嗎?或許能吧，但這很復(fù)雜。

每個(gè)人都可以通過直覺來想象另一個(gè)人的臉，可以是現(xiàn)實(shí)的臉也可以是畢加索式的臉。人們還能想象一種聲音或者音樂風(fēng)格。但沒人能用完整而有效的方式來描述一張臉、聲音或者音樂風(fēng)格的變化。人類只能看到三個(gè)維度，即使愛因斯坦也不能有意識(shí)地解決500個(gè)維度上機(jī)器學(xué)習(xí)一般的數(shù)學(xué)問題。但我們的人類大腦一直在用直覺解決這種500維的數(shù)學(xué)問題，就像魔法一樣。為什么它不能被有意識(shí)地解決呢?想想一下，如果對(duì)每個(gè)想法，大腦都給出它所使用的有上千個(gè)變量的公式，會(huì)怎樣?那些多余的信息會(huì)讓我們非常困惑，并且大幅減緩我們思考的速度，這又何必呢?沒有人類能進(jìn)行幾頁長(zhǎng)的數(shù)學(xué)計(jì)算，我們的頭上并沒有進(jìn)化出USB電纜那樣的東西來。

有缺陷的自動(dòng)化會(huì)提升人類的工作，而不會(huì)殺死這些工作。

如果沒有人能預(yù)測(cè)任何事，那么機(jī)器學(xué)習(xí)同樣做不到。很多人用多年的市場(chǎng)價(jià)格變化來訓(xùn)練ML，但這些AI還是無法預(yù)測(cè)市場(chǎng)走向。ML只有在過去的因素和趨勢(shì)保持不變的情況下進(jìn)行預(yù)測(cè)。但股票和經(jīng)濟(jì)趨勢(shì)經(jīng)常變動(dòng)，幾乎是隨機(jī)的。當(dāng)舊的數(shù)據(jù)不再有效或者頻繁出現(xiàn)錯(cuò)誤的實(shí)話，ML就會(huì)失靈。已經(jīng)習(xí)得的任務(wù)和規(guī)則必須保持一致，或至少是很少再變動(dòng)，這樣你才能再次訓(xùn)練。舉個(gè)例子，學(xué)習(xí)開車、打撲克、按某種風(fēng)格畫畫、根據(jù)健康數(shù)據(jù)預(yù)測(cè)疾病、在不同語言之間進(jìn)行轉(zhuǎn)換，這些是機(jī)器學(xué)習(xí)能做到的，舊有的實(shí)例在近期未來依然會(huì)是有效的。

機(jī)器學(xué)習(xí)能在數(shù)據(jù)中找到因果聯(lián)系，但它找不到并不存在的東西。比如，在一項(xiàng)名為“使用面部圖像自動(dòng)識(shí)別罪犯”的怪異研究中，ML學(xué)習(xí)了很多在押罪犯和無罪者的面部照片，研究者聲稱，機(jī)器學(xué)習(xí)只根據(jù)一張面部照片就能抓到新的“壞人”，但研究者“感覺”，更進(jìn)一步的研究將駁回根據(jù)面貌進(jìn)行判斷的有效性。他們的數(shù)據(jù)設(shè)置是有偏見的：有些看起來無辜的白領(lǐng)罪犯甚至?xí)靶λ麄兊淖龇āL能學(xué)到的唯一聯(lián)系是開心或生氣的嘴巴、領(lǐng)子的類型等。那些微笑著的穿著白領(lǐng)的人被分類為無辜誠實(shí)的，而那些看起來悲傷的穿黑領(lǐng)衣服的人則和“壞人”相關(guān)。那些機(jī)器學(xué)習(xí)專家嘗試著用人們的面部來判斷這個(gè)人的好壞，但他們卻不能通過衣著(社會(huì)階層)去判斷。機(jī)器學(xué)習(xí)放大了一種不公平的偏見：街上穿著便宜衣服的小賊比腐敗的政客和頂級(jí)企業(yè)欺詐者更容易被發(fā)現(xiàn)并受到懲罰。這種機(jī)器學(xué)習(xí)將會(huì)發(fā)現(xiàn)所有街上的小賊并把他們投入監(jiān)獄，但一個(gè)白領(lǐng)都沒有。機(jī)器學(xué)習(xí)并沒有像任何一個(gè)成年人那樣在我們這個(gè)世界生活過，它們不知道在數(shù)據(jù)以外還有什么，連那些很“明顯的”也不知道，舉個(gè)例子：在一場(chǎng)火災(zāi)中，火勢(shì)越大，被派去的救火車就越多。一個(gè)ML會(huì)注意到，在一個(gè)火場(chǎng)的消防員越多，第二天看到這場(chǎng)造成的破壞就越大，所以正是那些救火車導(dǎo)致了火災(zāi)破壞。結(jié)論：機(jī)器學(xué)習(xí)會(huì)以縱火罪把消防員送進(jìn)監(jiān)獄，因?yàn)檫@其中有95%的相關(guān)性!

(機(jī)器學(xué)習(xí)不能從不存在的東西中尋找相關(guān)性，比如：帶有犯罪傾向的面部。但這些數(shù)據(jù)是帶有偏見的：沒有微笑著的白領(lǐng)罪犯在其中!機(jī)器學(xué)習(xí)會(huì)學(xué)到這些偏見。)

在某些情況下，機(jī)器學(xué)習(xí)能預(yù)測(cè)人類不能預(yù)測(cè)的事情。“Deep Patient”是一個(gè)由紐約西奈山醫(yī)院用70萬患者數(shù)據(jù)訓(xùn)練而來的ML，它能用來預(yù)測(cè)精神分裂癥，而沒有任何一個(gè)人類明白要如何預(yù)測(cè)!只有ML可以做到，人類無法通過學(xué)習(xí)機(jī)器學(xué)習(xí)而做到同樣的事情。這就是問題所在：對(duì)一項(xiàng)投資、醫(yī)療、司法和軍事決定來說，你可能想知道AI是如何得出它的結(jié)論的，但你無法知道。你無法知道機(jī)器學(xué)習(xí)為什么拒絕了你的貸款，為什么判定你入獄，為什么把一個(gè)工作機(jī)會(huì)給了別人。ML公不公平?它是否帶有種族、性別和其他偏見?機(jī)器學(xué)習(xí)計(jì)算是可見的，但它們很難做成人類可閱讀的總結(jié)。機(jī)器學(xué)習(xí)就像個(gè)預(yù)言者那樣講話：“你們?nèi)祟惒焕斫?，即使我展示給你們數(shù)學(xué)你們也不懂，所以信奉我吧!你測(cè)試過了我以往的預(yù)測(cè)，它們都是對(duì)的!”

人類也從來不會(huì)完整地解釋他們所做的決定。我們會(huì)給出聽起來合理的理由，但卻通常是不完整的過于簡(jiǎn)化的理由。那些總能從ML那里得到正確的答案的人們，會(huì)開始編造虛假的闡釋，就是因?yàn)檫@樣會(huì)讓公眾更容易認(rèn)可ML的預(yù)測(cè)。還有些人會(huì)偷偷使用ML，并把得出的想法說成是他們自己的想法。

ML是有限的，就是因?yàn)樗鼈內(nèi)狈νㄓ弥悄芎褪孪鹊某ＷR(shí)。即使把所有專業(yè)的ML融合在一起，或者訓(xùn)練一個(gè)ML做所有事情，它依然無法完成通用智能的工作。舉個(gè)例子，拿理解語言來說，你不能和Siri、Alexa或Cortana談?wù)撍性掝}，就像和真正的人聊天那樣，它們只是智能助手。在2011年，IBM的Watson在Jeopardy節(jié)目中比人類選手回答得更為迅速，但它卻把加拿大和美國搞混了。ML能夠?yàn)殚L(zhǎng)文生產(chǎn)出實(shí)用的簡(jiǎn)短總結(jié)，包括做出情緒分析，但卻不能像人類那樣可靠地完成這項(xiàng)工作。聊天機(jī)器人無法理解太多問題。目前也沒有任何一個(gè)AI能完成對(duì)一個(gè)人來說很容易的事情：推測(cè)一個(gè)顧客是否是惱怒的、充滿諷刺的，并進(jìn)而調(diào)整自己的語調(diào)。并不存在像電影里那種通用的AI。但我們依然可以得到一些科幻式AI的細(xì)枝末節(jié)，也就是那些在某個(gè)狹窄專業(yè)領(lǐng)域里勝過人類的AI。最新的消息是，狹窄領(lǐng)域也可以包括有創(chuàng)造性的或那些通常被認(rèn)為只有人類能做的事情，比如繪畫、作曲、創(chuàng)作、猜測(cè)、欺騙和偽造情緒等，這些看起來都不需要通用的AI。

沒人知道如何造出一個(gè)通用AI。這真是棒極了，我們已經(jīng)擁有了超人類的專業(yè)工人(狹義AI)，但沒有任何一個(gè)終結(jié)者或黑客帝國會(huì)自己決定要?dú)⒌粑覀?。不幸的是，人類?huì)訓(xùn)練機(jī)器頃刻間殺掉我們，舉例來說，一個(gè)恐怖分子可能會(huì)訓(xùn)練一個(gè)自動(dòng)駕駛的卡車沖撞人行道。而擁有通用智能的AI可能會(huì)自我毀滅，也不會(huì)遵循恐怖分子的指令。

AI倫理可能將被入侵，并且重新編程為非法的模式。目前的AI既不是通用的也不是屬于科學(xué)家的AI，它總是會(huì)遵從人類的指令。

AI會(huì)殺死舊有的工作，但還會(huì)創(chuàng)造出新的機(jī)器學(xué)習(xí)訓(xùn)練員的工作，就和寵物訓(xùn)練員有點(diǎn)類似，而不像工程師。一個(gè)ML比一直寵物要難訓(xùn)練多了，因?yàn)樗痪邆渫ㄓ弥悄?，它?huì)學(xué)會(huì)它從數(shù)據(jù)中看到的所有東西，不帶任何篩選和常識(shí)甄別。一只寵物在學(xué)會(huì)做壞事之前還會(huì)三思而后行，比如說殺死它的小伙伴們之類的。然而對(duì)ML來說，它為恐怖分子服務(wù)或?yàn)獒t(yī)院服務(wù)沒什么區(qū)別，而且它也不會(huì)解釋自己為什么要這樣做。ML并不會(huì)為自己的錯(cuò)誤和它為恐怖分子營造的恐怖氛圍而道歉，它畢竟不是一般的AI。

實(shí)用機(jī)器學(xué)習(xí)訓(xùn)練。如果你用手拿著物品的照片訓(xùn)練一個(gè)ML，它會(huì)把手看做是這個(gè)物品的一部分，也就無法單獨(dú)識(shí)別出這個(gè)物品本身。一只狗知道如何從人的手上吃東西，而那愚蠢的ML則會(huì)把食物連同你的手一起吃掉。要改掉這個(gè)問題，那就要先訓(xùn)練它認(rèn)識(shí)手，再訓(xùn)練它認(rèn)識(shí)單獨(dú)的物品，最后訓(xùn)練手拿著物品的情況，并打上標(biāo)簽“手握著物品X”。

版權(quán)和知識(shí)產(chǎn)權(quán)法需要更新。就像人類一樣，ML也能發(fā)明新的東西。一個(gè)ML被展示了現(xiàn)存的A和B兩個(gè)東西，然后它生產(chǎn)出了C，一個(gè)完全全新的東西。如果C和A、B都足夠不同，也和世界上任何其他東西不同，那C就可以獲得發(fā)明或藝術(shù)品的專利。那么誰是這個(gè)東西的創(chuàng)作者呢?更進(jìn)一步，那如果A和B是有專利或者有版權(quán)的材料呢?當(dāng)C非常不同的時(shí)候，A和B的創(chuàng)作者就不能認(rèn)為C是因?yàn)锳和B的存在而誕生的。我們假設(shè)在現(xiàn)有的有版權(quán)的繪畫、音樂、建筑、設(shè)計(jì)、化學(xué)分子式和竊取的用戶數(shù)據(jù)基礎(chǔ)上訓(xùn)練ML不合法，那你如何識(shí)別出一個(gè)作品是否使用了ML產(chǎn)生的結(jié)果，尤其是它并不像畢加索的風(fēng)格那么容易識(shí)別?你怎么能知道它有沒有用一點(diǎn)機(jī)器學(xué)習(xí)呢?很多人都會(huì)偷偷使用機(jī)器學(xué)習(xí)，并聲稱那些作品是他們自己的。

對(duì)一個(gè)小公司的大多數(shù)工作來說，訓(xùn)練人工要比訓(xùn)練機(jī)器學(xué)習(xí)便宜得多。教一個(gè)人類開車很容易，但讓機(jī)器學(xué)會(huì)開車去漫長(zhǎng)而艱難。當(dāng)然，也許讓機(jī)器來開車比人類要安全，尤其是考慮到那些喝醉了的、困倦不堪的、看著手機(jī)開車的、無視限速的人或者那些本性瘋狂的人類。但那么昂貴和可靠的訓(xùn)練只在大公司里有可能存在。用便宜方法訓(xùn)練出來的ML既靠不住又十分危險(xiǎn)，但只有很少的公司有能力訓(xùn)練出可靠的AI。一個(gè)受訓(xùn)的ML永遠(yuǎn)無法被復(fù)制，不像一個(gè)大腦的經(jīng)歷被傳送到另一個(gè)大腦中那樣。大的提供商將會(huì)售賣未經(jīng)訓(xùn)練的ML來完成可重復(fù)使用的任務(wù)，比如“放射科醫(yī)師ML”。ML可以補(bǔ)充一個(gè)人類專家，專家總是被需要的，但它可以替代其他“多余的”員工。一家醫(yī)院可以聘用一位放射科醫(yī)師監(jiān)督ML，而不用聘用很多個(gè)放射科醫(yī)師。放射科醫(yī)師這個(gè)工作并不會(huì)滅絕，只是在每家醫(yī)院的工作職位變少了。訓(xùn)練ML的公司將會(huì)把ML賣給多家醫(yī)院，從而賺回投資資金。每一年，訓(xùn)練ML需要的成本都會(huì)降低，因?yàn)樵絹碓蕉嗳藢W(xué)會(huì)如何訓(xùn)練ML。但由于數(shù)據(jù)儲(chǔ)備和測(cè)試的原因，可靠的ML訓(xùn)練最終也不會(huì)變得非常廉價(jià)。在理論上說，很多工作任務(wù)都可以被自動(dòng)化，但實(shí)際上只有一部分工作抵得過訓(xùn)練一個(gè)ML的成本。對(duì)于那些過于不尋常的工作，比如泌尿科醫(yī)師，或者翻譯一種古代的已經(jīng)失傳的語言，這樣的工作，其人類薪資從長(zhǎng)期來看依然比一次性訓(xùn)練一個(gè)ML來的便宜，因?yàn)閺氖逻@種工作的人數(shù)太少了。

在ML研究之外，人類依然會(huì)繼續(xù)從事通用AI的工作，IQ測(cè)試是錯(cuò)誤的，IQ測(cè)試并不能預(yù)測(cè)人們?cè)谏钪械某晒?，因?yàn)槟鞘欠浅６嗖煌悄艿木C合，視覺、語言、邏輯、人際關(guān)系等等，但結(jié)果依然不能用量化的IQ數(shù)字來衡量。我們認(rèn)為，和人類IQ比起來，昆蟲是“愚蠢的”，但一直以來，蚊子在“咬完就跑”這樣一個(gè)單獨(dú)的任務(wù)上都勝過了人類。每一個(gè)月，AI都在更加狹窄的任務(wù)領(lǐng)域打敗人類，就像蚊子的技能那樣狹窄。等到奇點(diǎn)時(shí)刻來臨，AI將在所有事情上打敗我們?nèi)祟悾@很可笑。我們正在遇見很多個(gè)狹義的奇點(diǎn)，一旦AI在某件事上打敗了人類，所有人都期待著那些監(jiān)督AI的人放棄他們的工作。我總是讀到這樣的文章，認(rèn)為人類將能夠保有他們獨(dú)一無二的有缺陷的手工工作，但事實(shí)上，AI是可以假裝有缺陷的，它們會(huì)學(xué)著在每一件制成品中做出手工一般的不同缺陷。要預(yù)測(cè)AI下一個(gè)會(huì)戰(zhàn)勝什么領(lǐng)域的人類，這不太可能，AI是有創(chuàng)造力的，但它依然缺乏通用的智能。舉個(gè)例子：喜劇演員和政客的工作是安全的，雖然他們不需要獨(dú)特的(狹窄的)學(xué)習(xí)或?qū)W位，但他們就是能夠用幽默和有說服力的事情談?wù)撊魏问虑?。如果你的專業(yè)是一個(gè)復(fù)雜卻狹窄的通用任務(wù)，比如你是放射科醫(yī)師，ML就會(huì)受訓(xùn)來取代你。你需要具備通用智能!