人工智能|AI军队已经诞生，你如何看待未来人工智能?
整理|邱施运 来源|高山大学(ID:gasadaxue)
以下根据吴霁虹老师2020年8月15日在高山大学、GMIC以及腾讯公益基金会联合出品的&ldquo科学公益直播&rdquo的课程整理而成 ， 经老师审核后公开发布 。
授课老师:吴霁虹 ， 北京大学访问教授 ， AI Business Lab创始人 。
本文插图
吴霁虹
直觉决策的局限与突破
每个人都有直觉 。 而直觉一直是管理或投资人赖以判断、决策的主要方式 。
比如孙正义 ， 通过6分钟交谈 ， 就决定投资马云2000万 ， 阿里巴巴最终赚了多少?7000多倍 。
彼得蒂尔 ， Facebook最早的天使投资人之一 ， 在没人认为它会做成一个伟业的当时 ， 凭着直觉投资了50万美元 ， 最后收获10亿美元 。
硅谷的大卫切瑞登教授 ， 给谷歌创始人佩奇和布林讲的算法投资了10万美元 ， 最终也是收获了10亿美元 。
腾讯的第一个投资人&mdash&mdash刘晓松 ， 当年50万的投资占了腾讯20%的股份 ， 直觉超级好 ， 闷声发大财 。
这些人 ， 都有超越常人的直觉 。 生活中 ， 人们往往也非常崇拜那些能靠直觉做出明智决策的人 。
事实上 ， 靠直觉做决策是人类最古老的本能之一 ， 在复杂的情况下 ， 跳过逻辑的分析 ， 直接给出结论 。 但直觉思维建立于只可意会、不可言传的内在知识和经验 ， 很难百发百中 。
众所周知 ， 商业决策或管理的最高境界是做正确的事 ， 并把事做正确 。 这需要将战略决策、管理和评估做到一个有效的闭环 。 而这一点 ， 大多数人是没有办法靠直觉做到的 。
因为直觉明智的人凤毛麟角 ， 而这些凤毛麟角的人的智慧或能力 ， 又没有办法被其他人完全复制 。
但直到人工智能到来 ， 这个复制就有了可能 。
人工智能 ， 是模拟、延伸及扩展人的智能的一门新兴科学技术 。
前几年 ， 香港一家风投公司DKV ， 聘请了一个AI董事&mdash&mdash它是一个英国公司研发出来的投资系统 ， 经过大数据的机器学习后 ， 能在毫秒中分析、判断及决策那些无法被人类分析师捕捉到的趋势 ， 确保投资决策正确 ， 即投资的钱不打水漂 。
换句话说 ， 这等于把人平时复杂而直觉的投资决策 ， 人工智能化了 。 反过来 ， 这也可以看作强大的计算机有了直觉 ， 因为决策是在毫秒内产生的 。
除了决策本身 ， AI董事也颠覆了投资管理的流程 。 正常的流程中一旦涉及到AI董事的专属领域(比如老年医疗) ， 若AI董事没有发言 ， 其他的人类董事是不会做决策的 。 某程度上 ， AI董事像是一个董事会主席 。
在整个决策过程中 ， AI董事的权利主要有同等投票权、先AI预判断、后人类评估、整合下结论、专业优先权 。
至今 ， DKV公司在AI董事的帮助下 ， 完成了很多项优质的投资项目 。 这是一个典型的AI决策案例 。
为什么AI决策比人做得好?根本原因 ， 来自于人类的两大局限 。
1. 感知局限
大数据时代 ， 我们日常面对的99%信息都是噪音 ， 而我们感知有限 ， 无法辨识当中的复杂与不确定性 。 这就导致了我们重复犯错 ， 而且犯错率挺高另外 ， 犯错成本很高 ， 纠错时间也很长 。
2. 认知局限
人脑认知也存在局限 。 认知局限导致我们看不见、弄不明海量数据中的各种复杂风险、巨大潜力 。 即使是顶尖专家 ， 也经常会犯错误 。
人的认知 ， 一般可以分解成一个7步的流程&mdash&mdash感知、传输 ， 存储、处理、决策 ， 再传输 ， 然后执行 。
本文插图
虽然有7步 ， 但其实也都是毫秒间产生的 ， 也就是我们的直觉 。 当直觉不断循环运作 ， 我们的认知也得到了强化 ， 我们就获得了智慧和能力 。 而AI在这7步的基础上 ， 每一步都超越了人类 。
在感知上 ， 我们现在有语音和图像识别
在传输上 ， 我们从2G到了5G
在执行上 ， 我们有智能手机、计算机器人、机器手以及各种智能穿戴设备 ， 赋能我们更强大的感知 。
另外 ， 在存储、处理和决策上&mdash&mdash这也是AI技术最关键的&mdash&mdash越来越强大的AI算法、机器学习、数字训练等等 ， 也不断训练着AI机器进行思考和判断 。
随着这7步的突破 ， AI智能在重复劳动、标准流程、复杂分析等方面的决策 ， 已经做得远远比人类更好、更高效了 。
总的来说 ， 在传统人类社会 ， 好的决策必须依靠人的直觉以及有限的5感、知识和经验而人工智能的决策更能依赖AI的算法、算力 ， 以及无限的数据和信息 。
AI决策以前的三次浪潮
AI能决策 ， 是人类过去的梦想 。 而今天能圆梦 ， 实际经过了三次浪潮 。
第一次浪潮 ， 是AI的萌芽期 。
人们发明了很多算法 ， 比如1955年的启发式的编程(后来成了专家系统的基础) ， 1957年的感知算法(今天演变成人工智能神经网络和深度学习的工具)或1960年的隐马尔科夫模型算法(成就了今天的语音和图像识别) 。 但那时的技术还不成熟 ， 无法解决实际问题 。
第二次浪潮 ， 专家系统开始发展起来 ， 可以解决一些特定问题 。
比如1979年 ， 第一个医疗诊断机器智能系统创立 ， 20年内 ， 被北美、北欧2/3的医疗公司广泛使用 。 不过这时的AI应用仍然非常局限 ， 离梦尚远 。
第三次浪潮 ， AI思维机器发生大突变 。
约2005年到今天 ， 机器学习、深度学习 ， 模仿人脑的神经网络学习等技术有了系统性突破 ， 而这一次 ， 它的目标直指人类不能做 ， 或做得不够高效、不够方便、不够高质的事情&mdash&mdash当然这就包括了决策与管理 。
不过在今天 ， AI决策仍然是非常新鲜的概念 ， 以至于绝大部分的商学院还来不及教授任何AI决策的管理内容 。 从直觉到AI决策 ， 人类走了600年 ， 到今天还在渐进中 。
当前 ， AI赋能决策最前沿的体现可以用以下几个案例来说明 。
AlphaGo打败了李世石
2016年3月 ， 人工智能AlphaGo打败了世界冠军李世石 。 AlphaGo像一个足智多谋的决策者 ， 全面学习了人类史上的所有棋局 ， 除了能从中挑出最优的选择 ， 经过自我学习后 ， 还能延展出人类没有下过的棋 。
所以 ， 这意味着AI在决策上 ， 能比人类看得更宽、更远 ， 并且更精准地运算出获胜路径 。
AI&ldquo军队&rdquo
2018年 ， 一个名为决斗式的AI诞生 ， 在未来的战场上 ， 可以代替人类进行虚拟现实下的远程自动操作 ， 比如跨越各种战火障碍、提供无人勘查、监视、搜索等任务 。
另外 ， 美国国防部也研究出了阿尔法人工智能战机 ， 可以靠遥控操作 ， 摧毁任何锁定的目标 ， 同时预测特定环境下的威胁 ， 并自行应变 。
更为抢眼的是 ， 它已经战胜了人类最高级别的战斗机飞行员 ， 并指挥无人机及舰队群进行有效攻击 ， 同时兼具战斗力、反应力与领导力 。
据悉 ， 2030年开始 ， 阿尔法会成为空军主力 ， 换言之 ， 人类不再需要上空战场 ， 几乎匪夷所思 。
人工智能带来的认知革命引起了世界关注 ， 有好的惊叹 ， 也不乏不好的质疑 。
前段时间一些大咖都在说 ， AI以后将对人类形成巨大威胁 。 但至今科学上 ， 还不能下这样的结论 。
支持AI决策的4大能力
AI决策的背后 ， 需要什么样的能力作为支持?
【人工智能|AI军队已经诞生，你如何看待未来人工智能?】
本文插图
首先 ， 是算法 。
算法有初级也有高级 。 世界上最简单的算法是1+1=2 。 算法的根本作用在于&ldquo仿真&rdquo ， 构建一个运作系统 ， 让它和真实世界相似 ， 以此解决问题 。
从某一种角度上来讲 ， 算法就是大脑 。
目前 ， 世界上公开、最值钱的算法 ， 是谷歌的搜索引擎 ， 价值6000多亿美元 。
第二 ， 是数据 。
数据是在万物互联以后 ， 来自于四方八面、不同维度的信息 。 这些信息需要进行处理、分类 ， 把价值挖掘出来 ， 否则它只是噪音 。
第三 ， 是知识 。
支持决策 ， 是需要知识的 。 而这些知识来自于人类文明由古至今沉淀下来的各种学科和专业 。 这些知识可以转化为信息 ， 再与海量数据进行融合 ， 让人工智能去学习 。
第四 ， 是计算力 。
5G以后 ， 人、事、物等信息都是畅通的 ， 需要极复杂、超容量、高品质及无延迟的超强计算能力 。
有了这几个能力 ， AI决策也就有了基础 。
但如今AI决策最大的难题 ， 在于算法人才 。 让机器进行思考、判断、推理 ， 都需要靠人才构建算法 。 构建算法 ， 像构建大脑和世界一样 ， 需要极大的创造力和想象力 。
算法人才的缺乏 ， 不仅是中国的瓶颈 ， 也是全球的瓶颈 。 南京大学周志华教授曾说 ， &ldquo一个AI算法 ， 就可以做出一个产业 。 &rdquo 。
AI决策在商业上的更多应用
多年来 ， 对上千个企业或管理者 ， 我经常问一个问题&mdash&mdash假设你的公司今天值1亿 ， 未来从1个亿增长到10个亿的道路上 ， 你觉得可能受多少因素影响?
至今我收到的答案 ， 90%以上不超过20个当中一群人凭着集思广益 ， 最多达到50多个 。
我的AI商业实验室 ， 现在可以做到800个以上的因素模型 ， 而这800个模型 ， 可以映射到18,000个向量空间 。
实验室的另一项研究成果 ， 是AIAlphaCo&trade 。 它只需要三张财务报表 ， 不超过一秒钟就可以分析出很多风险场景 ， 精准率可以达到75% 。
相比之下 ， 据伦敦科学家研究 ， 世界四大会计师事务所的顶尖专家 ， 在同样事项上的准确率只有42% ， 而一般财务专家在6%-24% 。 换言之 ， 在风控判断上 ， AI比人类专家更快、更准 。
为什么差距这么大?追根究底 ， 还是因为人的感知、认知局限 。
现实中 ， 真正影响风险的数据量近乎无限 ， 判断依据越少 ， 决策盲区就越大 ， 而AIAlphaCo&trade系统能消除的盲区超过1082(全宇宙原子的总量) ， 并能够在这种量级的数据里 ， 捕捉各种变量与变量之间的因果关系和路径 。
除此之外 ， 亚马逊无人商店也是一个AI决策案例 ， 不过涉及的是一个非常小的场景 。 三个动作就完成了:进去、拿起、出来刷交易 。
另外还有**** 。 在了解你的习性、兴趣以后 ， 能给你推荐内容&mdash&mdash****给我推送的广告 ， 我几乎都会打开 ， 可见它对我的判断多精准、高级 。
不过这种AI决策 ， 跟前面涉及需要做判断的AI决策不同 ， 更多是对人们需求进行匹配 。
结语
AI虽然强大 ， 但并非万能 。
事实上 ， 人工智能没有意识、没有情感、没有创造性 ， 只是按人类创造的算法办事 。 人类的愿景、使命、价值观、精神等等 ， 是AI无法取代的而这些也是战略决策的核心 。
本文插图
因此 ， 人类与AI有天然的协作的契机 。 在未来 ， 人对AI技术的掌握 ， 将决定自身的能力&mdash&mdash人类 ， 会因为AI的存在 ， 分化成两类:泛人类 ， 以及新人类 。 说白了 ， 新人类就是被AI充分赋能(去实现人文关怀)的人群 。
当然 ， 这一刻的AI决策仍处于起步阶段 ， 还需要非常多的实践和积累 。
No. 1
未来的人机关系 ， 会达到怎样一个理想的状态?
人机关系的理想状态 ， 每个人有不同的理解 。
就我而言 ， 人机最融洽的关系 ， 在于&ldquo我们驾驭机器 ， 而机器赋能我们&rdquo 。 机器为我的意志干活 。 比如我主张&ldquo利他则利己&rdquo ， 我希望AI替我执行这样的价值 。
其次 ， 人机和谐也建立在共同学习的基础上 。 机器每天在学习 ， 作为人类 ， 必须跟上脚步 ， 持续学习否则哪一天机器的进步 ， 自己驾驭不了了 ， 人就退化了 。
再来 ， 人机关系讲求分工 ， 对机器不能过于依赖 。 机器的本质意义 ， 是帮人类把事情做得更好、更快 ，从而省下更多的时间和精力 ， 去做生活中其他重要、富于创造性的事或爱好 。
No. 2
在中国 ， 隐私保护还做得比较差 ， 数据很容易拿到 。 这一点是否有利于中国在AI的进展?
这个提问其实带着一个前提&mdash&mdash好的AI ， 必须拿取这些数据 。 其实不然 。
真正牛的AI的崛起 ， 不是依靠于捉取个人资料 。 比如我们实验室的小伙伴跟别人拿了不必要的电话号码 ， 对于系统来说 ， 反而是噪音 。 好的AI ， 要的是知识、经验的转化 。
提问所预设的的那类AI ， 是以某一类数据为基础而建立的 ， 但一旦碰到另外一类数据和场景 ， 基本是无能的 。 而我们现在谈的AI ， 是要仿真世界 ， 所以更需要的是世界的本质、知识、运作规律 ， 去构筑算法 。
不过 ， 虽然数据不是最大关键 ， 但有数据 ， AI会锦上添花 。 像吃粮食一样 ， AI透过这些数据 ， 会更聪明、更精准 。
编者按:本文转载自微信公众号:高山大学(ID:gasadaxue)
推荐阅读
- 冰岛_社会|经历了4万次地震的冰岛人：我已经不怕了，我只是太累了
- 下饭菜已经给你备好，记得听妈妈的话，好好吃饭
- 脂肪肝|忠告：无论男女，身体若有“1大2小”，脂肪肝可能已经盯上你了！
- 王一博：瑞琪奥兰蜂蜜礼盒周边是杯子，有的人已经在看杯架了……
- 量子|量子世界充满了种种神秘，但最大的神秘已经被我们解开？
- 波力斯卡|“火星男孩”今年已经25岁了，他的预言，到底是不是真的？
- 人工智能|人工智能系统一秒内算出震源机制参数
- 人工智能|科学家利用人工智能改进假肢：可实现“自主行走”
- 果农|已经低价难卖，又被爆“泡药水”，果农陷入焦虑，专家：一点需注意
- 乙肝|乙肝科普：性接触已经成为感染HBV的主因！