微软中国CTO：请把AI拉下神坛

“我们不能用制造问题时的同一思维水平来解决问题。”这句出自爱因斯坦的箴言，对于身处智能时代的人类社会而言，意义匪浅，引用此言的是微软（中国）首席技术官韦青。

如何看待人工智能，又应怎样理解深度学习？如果依赖于电气化时代和信息化时代的固有思维方式，人们就无法深刻理解智能时代，人脑的思维方式与机器的计算方式之间异同点。人工智能解放人类手脑的同时，也在唾弃平庸无为之辈。一些人习惯把傲慢与偏见对准“人工智能”，另一群人则是对AI迷信到底。很明显，“人们还没有了解人工智能到底是怎么一回事”，韦青直言不讳道。

人工智能亦敌亦友

你曾否思考过，人类是如何形成视觉感知能力的？

科学告诉我们，人眼中的自我并非“真我”，而是视网膜上的视锥细胞和视杆细胞把光子转化成电子，电子再通过视神经传输到大脑皮层，经过层层分析，大脑对电信号进行计算，最终才得以让我们拥有开眼看世界的可能。科普了视觉原理，我们就能更深层次地理解，利用算法处理视觉信号、视频信号，从而对图形、图像和视频进行分析的全套流程。

要知道，人工智能并不是近十余年才兴起的前沿技术。早在1956年举办的达特茅斯会议上，关于人工智能的设想首次照进现实。翻阅过往历史，人工智能先后迎来了三次兴盛时期，其中最被人熟识的，当属2016年3月AlphaGo以4:1的成绩完胜世界围棋一号人物李世石的封神之夜。AlphaGo被世人瞩目和敬仰的同时，也让人工智能深不可测的技术实力第一次得到真正量化。

此后，Deepmind祭出了AlphaGo若干个增强版本，深度学习技术赋予它横扫千军的实力，另它在世间求一败而不能。彼时，人工智能已足矣让部分人坐立不安了，这种“技术碾压”不禁让人细思极恐。前有霍金，后有埃隆·马斯克，业内权威专家学者对人工智能表现出的高度警惕，令人深感忧虑。不少人在“人工智能威胁论”蔓延和发酵的过程中倒戈，失去了昔日的乐观与振奋。

的确，我们需要对技术怀揣敬畏之心，但人工智能远没有想象中那么糟糕。关于马斯克等人的观点，绝大多数人都是断章取义、管中窥豹。韦青解释：“马斯克想表达人工智能这一新生事物非常强大，超乎人类的想象空间。拥有这种能力的人类将变成一种超人类，这种超能力一旦掌握在居心不良人手中，极有可能对普通人造成压迫式的打击”。

正如诸多科幻题材的影片情节一样，马斯克的确不相信人类能够把控住自己。让人工智能发展处于停滞状态显然不可行，反不如努力友善拥抱这项技术，把它变为“公器”，而不是私器。有一类观点认为，一旦实现“技术平民化”，再厉害的能力和工具都会为广大民众产生福祉。

因此，马斯克给出的解决办法是“Open AI”——这个由他在内的多名硅谷商业领袖共同创建的人工智能非营利组织，目的是预防人工智能的灾难性突变，推动人工智能向健康积极的方向发展。目前，这一组织已经开放了诸多AI算法，例如Open AI最近发布的通用语言模型GPT-2。

“Open AI背后的含义和世界经济论坛的方法如出一辙，都是要解决数字鸿沟的问题”，韦青表示。

经过几年的发展，深度学习已经走过了晦涩的启蒙阶段。“行业门槛逐步拉低，行业学着把各种算法全部开源了”，韦青直言，如今人工智能的垄断或鸿沟并不是在算法层面，而是数据层面的壁垒，“很多企业在布局人工智能，但很多个体没有明白这一点，他们没能努力拥抱这种变化，只是平白无故地担心自己是否会被淘汰”。

业界很多专家学者始终想和广大受众强调：不要把机器能力神化，机器自始至终都在充当代替人的某种机能的角色，目的是减轻人的负担。那么，人类究竟会不会被所谓的人工智能替代？韦青的答案是：“既会也不会”。

“会”是因为当你自我放弃，没有主动地拥抱这种技术，自然被拥抱这种技术的人淘汰；“不会”则是因为人类是不会被某项技术所淘汰，而是被掌握更高技术的人踢出局。按照这一角度去理解，会发现埃隆·马斯克与比尔·盖茨、霍金、世界经理论坛上企业家们的观点如出一辙。他们的核心观点有两个：一是人工智能的能力非常强大；二是谁在拥有这项技术。

第四次工业革命路在何方

由于深度学习技术的进步在全球范围引发的新话题层出不穷，越来越多的个体意识到，人类正在进入“无人区”。迄今为止，没有任何一个大思想家或者大哲学家能够预测，以人工智能技术为首的第四次工业革命的社会进程和时代脉搏。我们不妨以史为鉴，从历史中搜寻规律。

最具有代表性的时期是第一次工业革命到第二次工业革命，由蒸汽时代即将迈入电气化时代的过渡时期。当时很多具有全球影响力的的公司，用蒸汽力量代替人力。但当电气出现的时候，绝大多数公司极其不屑，因为最初电能的效率远不及蒸气动能。 韦青把这段历史总结为四种态度和四种结局：

第一类 公司的想法是电力不行，效率低，没有未来，蒸汽力量足够了，一百年之后他们被淘汰了。

第二类 公司放下一些包袱，认为电是新生生物，也有潜在发展的可能性，但是仍然坚信蒸汽机的力量，坚信只要对蒸汽机进行改良一样可以保持竞争力，这些公司也被淘汰掉了。

第三类 公司最可惜，他们已经放下旧的生产力，开始拥抱新的生产力和形成新的生产关系，但是思维方式没有改变。他们认为自己全面拥抱电气化时代，已经产生比蒸汽机时代超高的效率，更低的成本，但是他们还在跟蒸汽机相比，这些公司最终也被淘汰掉了。

第四类 公司吹响了胜利的号角。当时，大部分企业对于电气化的观念封闭，眼光只聚焦于点亮多少盏灯，生产线能够提效多少。只有不到5%的公司在那个时代选择彻底放下包袱，完成了转型和飞跃，真正进入了电气化时代。

上世纪五六十年代，全中国人民对未来社会的憧憬是“楼上楼下电灯电话”，这在当时似乎是极具前瞻性的畅想，全民仿佛看到了理想社会的终点。几十年之后再看，固定电话已经被互联网和智能手机取代。通过上述历史时间不难发现，人类对未来的预估力不足，注定不能预测划时代的冲击。

深度学习 是知识，更是全新的思维范式

人工智能的概念相对宽泛，机器学习仅是其中之一，而深度学习又是机器学习的一个子域。韦青认为，作为人工智能的一种方式，深度学习不只是新知，更代表着传统思维范式的转变。

无论是早期的图灵时代、冯·诺依曼时代、香农时代，他们都对计算机和人工智能有着独到理解。在机器学习成为主流之前，“逻辑关系”试图站稳脚跟。遗憾的是，这种以逻辑思维为主导的方式，试图解读人类的决策机制困难重重，业内专家纷纷认为此路不通，转而把精力投入到“模仿脑神经的机制”来做决策。

在韦青看来，深度学习的核心，实际是数学算法对世界描述方式上的转变。大众也需重新解构人类传统的思维方式，认知到我们的世界是由无数个模型构成的。

他阅读了特伦斯·谢诺夫斯基的著作《深度学习》后，有了全新的启发和感悟。“人类的思维方式和思考能力等同于某种模式的识别，它和数学算法存在着天然关联”，他说，“业界知名的人工智能专家和学者通常覆盖多个研究领域。一是以数理化为主的科学领域，另外是以医学、生物学、神经学为主的领域，两者的结合恰恰顺应了智能时代的潮流。”

深度学习之于人工智能，为何在智能时代如此重要？

他强调，深度学习不仅是人工智能从业者的研究方向，也是政府决策者、普通民众需要了解清楚的科普内容。随着数学和人类思维方式的进步，势必影响着人们对学习方式的重新理解。

倘若不能摒弃固有思维，我们就无法理解智能时代人脑和计算机在思维方式和计算方式的异同点。这回直接招致两种后果：一是容易把人工智能所带来的成就神化和夸大；二是技术上的进步，对人工智能取得的成果造成负面影响。后者最典型的例子就是不明真相的民众对“机器会否代替人，或机器人会否让人类灭亡”产生过分担忧。

填补机器学习之外的空白

虽然我们称之为是人工智能，它是机器学习的方法，而现在又是一种深度学习的方法。深度学习只是一种数学和算法对人的一种思维方式的模拟，对自然界模型的模拟和认知。只要能够通过数学方法，把自然界能够产生某种模型的模式识别出来的领域，都是现阶段以深度学习为代表的机器智能最大发挥手段和场景。

可以看到，机器学习或深度学习已经在金融、安防、教育等场景下广为落地。这是因为视觉和听觉信号的传播和识别的方式，恰恰能够被数学的矩阵方式来描述。我们有理由相信，不管是未来的五年还是十年，假使有人发现了某种数学表达方式能够形容味觉、嗅觉、触觉的话，人类的更多身体机能还会被机器所代替。事实证明，数学能够更精确地表达人类产生的某种信号，而且可以做得更好。

取得这些成就时，我们更多地把AI长挂嘴边，韦青认为：“当我们只提AI，不说ML，不说冯·诺依曼，不说图灵，不说GDPR的话，往往会造成误导，让大家误以为我们已经进入了AI时代，实际上我们还有很多最基本的概念没有解决”。

“高校现在忽然出了很多AI院系、AI教材，实际上课程还是围绕机器学习。这种情况下我们要问试问，所谓‘AI’到底是‘真智能’，还是仅仅局限于模型识别”，如果一下把目标机器学习上升到AI层面，反而可能错失很多入门的途径。

中国特点是我们有海量的数据，有海量人口，还有数量众多的公司。所以我们很有这种优势在这轮技术进步中形成突破。但是如果抓错了点，没有去深刻理解，为什么这本书叫《深度学习》，不叫机器学习，也不叫人工智能，这本身就说明很大问题。

关于AI的含义，韦青更认同微软亚洲研究院院长洪小文的诠释。他提出“AI=MI+HI”，即“Machine Intelligence+Human Intelligence”。

一些业内人士心明如镜，国内对于人工智能的炒作已经脱离了它的本意。

举例来说，国内外学者更愿意用“Machine Learning（ML）”来撰写论文，而不是AI。“包括NIPS在内的会议名称都不以‘AI’来命名，这是国内需要深思的议题”，韦青强调，业内没有专家学者反对AI，只不过他大家普遍认为AI时代远未到来，更何况现代科学尚未破解早先“专家系统”的迷题，暂时选择用概率论和数据，模仿神经学习的方式向人工智能靠拢，“而且只是模仿人类的神经网络运行的很小一部分，没有完全理解神经网络的运行方式”。

“我们也不能忽视另一种思潮，已经有一些专家致力于研究后冯·诺依曼时代的计算架构”，韦青表示，冯·诺依曼的架构很难做太多的并行计算。如果不破解这一架构，就无法模仿人类神经行为的并行计算。此外，还有人提出能否再突破图灵机的限制，寻求一种“超图灵”的能力。他呼吁业内更多地专家和学子，不妨先去研究图灵和冯·诺依曼的理论，破除一些局限之后，或将成为AI真正的突破窗口。

本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。