人工智能时代（下）

AI要更加光荣还有许多坎要迈，遐想未来既需要梦想更需要理性和行动。

曾以开发出AlphaGo并击败围棋世界冠军而闻名的DeepMind的掌门人哈萨比斯（DemisHassabis），曾经说过，“先搞定人工智能，然后利用人工智能搞定其他所有的事（FirstsolveAI，thenuseAItosolveeverythingelse）”。这种理念和相关技术的迭代演变，特别是社会不断涌现出的急迫需求所呈现的非智能技术介入而不能解决的实际，综合在一起促进了人工智能的快速发展。

如今通过包括自媒体在内的各种信息渠道，人们知晓了人工智能发展的多彩现状，并形成了各自对未来的遐想。是的，社会大众目前得到的印象好像是，琴棋书画，人工智能什么都能做。至于做的效果是不是令人满意，大多数人似乎更多的是展现了宽容的态度。理性地预判未来，人工智能的能力，包括做琴棋书画的水准还有非常大的提升和发展空间，而且还有更多的事情要去做，前路漫漫会遇到很多挑战。有些挑战，我们现在就知道是非常大和严峻，有些挑战我们可能现在还没有意识到。目前已经有一些议论把人工智能的发展和大数据的发展、大算力的提升乃至爆炸式增长的能量消耗密切关联到了一起。如果注意到百舸争流于大模型开发中的现状，发现和意识到这种关联就是必然的了。其实即便没有人工智能，从长远来看，能量需求的不断扩大、算力需求的不断扩大也是一定的，因为整体的社会综合需求一直在扩大的趋势是停不下来的。这种严峻的挑战该如何应对？如何发展绿色（低能耗）的AI，如何发展（相对）低算力的AI，这是我们必须面对的问题。弄得不好，在搞定人工智能之前，就会遇到算力危机的坎，遇到能源危机的坎，更何谈用人工智能去解决其他问题呢？

可以这样认为，推进人工智能研发的动力大体上要划分为两个层面。一个层面主要包含AI之外的相关因素，如需求因素、（软）环境因素、技术支撑条件、包括人力资源在内的资源供给条件等；另一个层面是AI本身的因素，其中最主要的是AI的理论、方法、知识体系及其演化、人才及技能的培养、问题的选择和阶段性清单的交流。当然，这两个层面不是决然断开的，它们在某些方面有着密切关联，如人力资源供给和具有合理知识结构及素质能力之人才成长的问题。认识和分析这两个层面以及它们之间存在的相互关系，可以挖掘出很多有益于社会进步和有助于人工智能发展的机会，对于管理决策机构、企业等市场主体、研发部门和教育行业以及人自身的成长莫不如此。以汽车无人驾驶为例，这是一个体现了人工智能综合集成技术的项目，经过多年打磨，其可行性在技术上没有本质障碍，通过限定区域内实际路面上的实验也积累了大量“经验”。即便如此，短时期内大面积“放开”和推进无人自动驾驶也还是时机不够成熟。这里最大的挑战是安全问题。在封闭系统（如轨道交通）里，安全问题相对好解决，对于开放系统来说，自行车、行人、其他车辆等因素太多，变化太快，随机性太强，让人们大有这样的感觉，除非一夜之后，路面行驶的全部是无人自动驾驶的移动体，那样才有可能实现安全。

当然，对于任何困难都不至于一筹莫展，总可以采取“摸石头过河”的方式。比如可以在更大范围甚至是通过一个行业的谨慎试行来打破“僵局”。实践中，有的城市已经开始通过在出租汽车行业增大无人驾驶车辆的投放来做务实地推进。需要认识一个相似的话题，我们常说的无人机，基本上都是有人“驾驶”的，只不过人不在飞机上，而是远距离地对飞机的飞行进行操控。无人出租车也完全可以通过适当布局的“操控中心”在必要时提供恰当的人为“干预”，以使无人驾驶汽车行驶得更加“平稳丝滑”，而与此同时，这对无人驾驶系统也是更好的训练。这样做的结果必然会提升用户的舒适感并使相应技术日臻完善。当然，也会引起新的问题。比如，无人车与有人车的“竞争”一定程度上会影响到一些人的就业，从而引发新的社会担忧。所以，我们提及的环境因素，就自然要包含政策制定问题、规划设计问题等。把好事办好并不是轻松的事。这些充分显示出了，推进AI的事业真的是一项复杂的系统工程。

不过说到底，发展人工智能最根本的还是AI自身的成长问题。对人工智能的理解和解释存在差异是正常的，但《ArtificialIntelligence：AModernApproach》（有中译本）中所阐述的理念和观念是值得重视的。AI的本质追求是非人主体（agent）的开发和打造。这类主体应能像人一样做事；像人一样思维和想问题；能理性思考；能理性做事。做到这四点当然需要一个长期迭代进步且是艰辛的过程，因为即使对于人类自己，后两点都是很难做到的。这可能也是让不少人对于“超人”智能有可能出现而产生兴奋抑或忧虑的原因所在。

讲到“像人一样思维和做事”，不妨提及一下1975年因在人工智能、人类认知心理学和抽象符号序列表达处理方面做出基本贡献而获得图灵奖的科学家赫伯特·西蒙和艾伦·纽维尔。他们坚定地认为一个以人类无法遵循的方式去解决问题的计算机程序并不是值得追求的，即使它比人类解决问题的效率高得多。相反，一个还不能把问题解决好的计算机程序可能是一个伟大的成就，只要它以人类失败的方式失败。这正是他们开发的具有启发式特征的《逻辑理论家》（LT）的动力所在。LT充分体现了人类推理过程中的层次结构和联想结构之特征。特别地，在LT的开发过程中西蒙和纽维尔的做法是令人印象深刻的：先是让一些人模拟《逻辑理论家》的工作原理，然后再把这些模拟的过程进行编程实现。

思想的体现，（解决问题）方案的提出，系统的实现，总会伴随着各种各样的机会，并会以公平的方式呈现给各类有心有意向的主体。这是包括企业家在内的各类主体都应重视再重视的。

有必要按时间顺序列出为AI发展做出杰出贡献并获得图灵奖的人员名单：

1969年，马文·明斯基（MarvinMinsky，1927—2016），是描述知识之框架模型的提出者。

1971年，约翰·麦卡锡（JohnMcCarthy，1927—2011），设计开发了AI编程语言LISP。

1975年，赫伯特·亚历山大·西蒙（HerbertAlexanderSimon，1916—2001），艾伦·纽维尔（AllenNewell，1927—1992），是启发式智能开发的倡导者。

1994年，爱德华·费根鲍姆（EdwardFeigenbaum，1936—），拉吉·瑞迪（DabbalaRajagopalReddy，1937—），坚持以规则方式提炼知识的原则，并促进了专家系统的发展。

2010年，莱斯利·加布里埃尔·瓦利安特（LeslieGabrielValiant，1949—），创立了PAC学习理论。

2011年，朱迪亚·珀尔（JudeaPearl，1936—），发明了贝叶斯网络。

2018年，杰弗里·埃佛勒斯·辛顿（GeoffreyEverestHinton，1947—），扬·勒丘恩（YannLeCun，1960—），约书亚·本希奥（YoshuaBengio，1964—），持久努力，促成了神经元网络及深度学习的变革式发展。其中包括了玻尔兹曼机网络的引入，“反向传播”算法的提出，卷积神经网络的发明和“生成对抗网络”概念的创立。

的确，人们感受到了几十年来科学家、工程师和企业家们努力贡献的红利。AI要更加光荣还有许多坎要迈，遐想未来既需要梦想更需要理性和行动。