AI OUTLINE · BEFORE READING
《暗知识：机器认知如何颠覆商业和社会》AI 大纲
全书视角AI 生成含原文摘录
本大纲由 AI 读书（阅读端智能大纲）生成，是全书结构与要点的机器梳理， 不等同于已亲读；其中第 4 层条目为书中原句摘录。章节可展开查看。
章节目录
导读
明知识、默知识和暗知识的区别
- 明知识是可以用文字或公式清晰描述和表达出来的知识。
- 默知识是个人在感觉上能把握但无法清晰描述和表达的知识
- 我们常说的“只可意会，不可言传”的那类知识。
- 暗知识是隐藏在海量数据中的相关性，或者万事万物间的隐蔽关系
- 这些暗知识可以让我们突然掌握不可思议的“魔力”，能够做很多过去无法想象的事情。
机器学习的原理和应用
- 机器学习是人工智能的一个重要流派，可以通过数据挖掘知识
- 机器学习有五大流派，各流派从数据中挖掘知识的方法不同。
- 神经网络是机器学习中最火的流派，可以发掘出暗知识
- 神经网络的基本工作原理和目前在商业上应用最广的几种形态。
AI对商业的影响
- AI发掘出来的暗知识对我们生活的直接影响
- 第四章描述了当前的AI产业生态。
- 第五章详尽探讨了哪些行业将面临AI的颠覆，以及在不同行业的投资机会和陷阱。
AI对未来和社会的影响
- AI可能更深刻影响我们的一些神奇的AI应用
- 第六章重点讨论目前还没有商业化的，但可能更深刻影响我们的一些神奇的AI应用。
- 机器能在多大程度上取代人的工作，会造成哪些社会问题
- 第七章讨论了机器和人的关系：机器能在多大程度上取代人的工作，会造成哪些社会问题(例如大面积失业)。
- 本章也试图回答人类的终极恐惧：机器人最终会控制人类吗？
本书的目标读者和写作目的
- 本书的目标读者是企业和政府工作人员及其他知识阶层，包括学生
- 暗知识对人类的影响刚刚开始，从暗知识这个新视角出发，可以更深刻地理解这次AI巨浪。
- 本书希望能回答“AI对我的行业和职业会有什么影响”
- 只有把AI的技术、趋势和应用深入浅出地讲清楚，读者才可能举一反三，理解AI对自己的影响。
- 本书从笔者自己的投资实践出发，希望能为在AI时代进行投资提供一些参考。
- 在AI飓风里泥沙俱下，鱼龙混杂，会有大量的炒作，读完本书可以帮助读者辨别真伪，不会被轻易忽悠。
第一章 横空出世——暗知识的发现
人类知识的发现与局限
- 语言的诞生使人类协作能力迅速提高
- 语言使人类用有限的单词可以表达几乎无穷多种意思。
- 文字的发明让人类更方便地传播、记录和积累经验
- 任何地方的人类偶然发现的关于生存的知识都会慢慢传播开来。
- 科学革命的本质是找到了一个可靠的验证知识的方法
- 开普勒三定律的发现过程奠定了现代科学的基本原则。
机器学习的崛起与突破
- AlphaGo Zero以强大的计算能力，在很短的时间里探索了大量的人类未曾探索过的走法
- AlphaGo Zero使用了一种叫作“强化学习”的机器学习技术，它只使用了围棋的基本规则，没有使用人类的任何棋谱经验，从零开始通过自我对弈，不断地迭代升级。
- AlphaGo Zero证明了即使在最具有挑战性的某些领域，没有人类以往的经验或指导，不提供基本规则以外的任何领域的知识，仅使用强化学习，仅花费很少的训练时间机器就能够远远超越人类的水平
- 经过4个小时的训练，打败了最强国际象棋AIStockfish，2个小时打败了最强将棋(又称为日本象棋)AIElmo。
暗知识的发现与影响
- 机器发现了人类既无法感受也无法表达的知识
- AlphaGo Zero给我们的震撼在于三个方面：首先，人类能发现的知识和机器能发现的知识相比，就像几个小脚老太太走过的山路和几百万辆越野车开过的山路。其次，和机器可能发现的知识相比，人类知识太简单、太幼稚，机器谈笑风生，比人不知道高到哪里去了。最后，机器发现的知识不仅完全超出了人类的经验，也超出了人类的理性，成为人类完全无法理解的知识。
- 暗知识给我们的震撼才刚刚开始
- 从2012年开始的短短几年之内，机器已经创造了下面这些“神迹”：对复杂病因的判断，准确性超过医生；可以惟妙惟肖地模仿大师作画、作曲，甚至进行全新的创作，让人类真假难辨；机器飞行员和人类飞行员模拟空战，百战百胜。
第二章 榨取数据——机器能学会的知识
机器学习明知识
- 符号学派——机器自己摸索出决策逻辑
- 决策树学习就是先找到一个决策树，它对已知数据的分类和已知结果最接近。
- 机器学习决策树的原理是：根据已知结果可以反推出事物间的逻辑关系，再用这些逻辑关系预测新的结果。
- 贝叶斯学派——机器从结果推出原因的概率
- 贝叶斯定理告诉我们计算上面的概率可以通过计算P(发烧、咳嗽、嗓子痛、头痛……|感冒)获得。
- 在这个例子里，“知识”是知道当一个结果发生时是哪个原因造成的。这个知识被清晰地表达为一个条件概率。机器通过统计每种原因的占比来算出从结果到原因的概率。
类推学派——机器学习默知识
- 类推学派的基本思路是模仿人脑神经元的工作原理
- 类比逻辑可以明确表达，但具体的类比常常是默知识。
- 在类推学派中最基础的算法叫最近邻法。
- 类推算法可以用于跨领域的学习
- 一个消费品公司的高管到互联网媒体公司不需要从头学起，华尔街雇用很多物理学家来研究交易模型，是因为这些不同领域问题的内在数学结构是类似的。
- 类推算法最重要的是能用类比推导出新知识。
机器发现暗知识
- 联结学派的基本思路就是模仿人脑神经元的工作原理
- 联结学派就是目前最火爆的神经网络和深度学习，它在五大学派中占绝对统治地位。
- 目前人工智能的高科技公司中绝大部分是以神经网络为主。
- 进化学派的基本思路是模仿自然界的演化
- 进化学派不仅觉得因果关系是先验模型，甚至觉得类比，神经元连接也都是先入为主的模型。
- 他们的做法就是把一种算法表达成像基因一样的字符串，让不同的算法基因交配，让生出来的儿女算法去处理问题，比爸妈好的留下来配种继续生孙子，比爸妈差的就淘汰。
第三章 神经网络——萃取隐蔽相关性
神经网络的发展历程
- 人工神经网络的概念及人工神经元的数学模型由沃伦·麦卡洛克和沃尔特·皮茨提出
- 世界上第一个人工神经元叫作TLU(Threshold Linear Unit，即阈值逻辑单元或线性阈值单元)。
- 感知器由弗兰克·罗森布莱特提出，首次用电子线路来模仿神经元
- 如果其他电子神经元的几个输入按照相应的权重加在一起的和大于一个事先给定的值，输出就打开，让电流通向下一个神经元；如果小于这个事先给定的值，输出就关闭，没有电流流向下一个神经元。
- 自适应线性神经元由伯纳德·威德罗和马尔西安·泰德·霍夫提出，可以自动更新神经元系数
- 用输出误差的最小均方去自动迭代更新神经元权重系数，直至输出信号和目标值的误差达到最小。
- 多层神经网络和反向传播算法由大卫·鲁梅哈特和杰弗里·辛顿提出
- 他们借鉴了单层神经网络中威德罗-霍夫(Widrow-Hoff)反馈算法的思路，同样用输出误差的均方值一层一层递进地反馈到各层神经网络去更新系数。
神经网络模型的工作原理
- 多层次神经网络的左端是输入端，即要识别的信息从这里输入
- 例如要识别一幅图像，每个输入Xi就是这张图像的一个像素的灰度值。
- 我们可以把每个输出想象成一个灯泡。当机器发现输入是某个物体时，对应该物体的灯泡就在所有输出灯泡里最亮
- 训练的过程是这样的：我们先指定输出的一个灯泡最亮对应于识别出了汽车，第二个灯泡最亮对应猫，等等。
- 在机器没有训练好时，当我们输入一张汽车图片时，输出的灯泡会乱亮。我们此时耐心地调节那些旋钮直到只有对应“汽车”的灯泡亮为止。
神经网络的训练方法
- “最陡梯度法”或“雾里下山法”是训练神经网络的基本方法
- 当我们输入第一张图片时，我们可能站在一个随机的位置，例如某一座山峰的山顶或半山腰，我们的任务就是走到最低的一个谷底(误差最小)。
- “反向传播算法”根据误差回头调节旋钮的方法
- 这种根据误差回头调节旋钮的方法也叫“反向传播算法”，意思是用输出误差一层一层地从输出端向输入端把各层的权重系数算出来。
AlphaGo的工作原理与应用
- AlphaGo通过卷积神经网络和强化学习，成功地击败了世界围棋冠军
- AlphaGo把人类下过的棋局来训练卷积神经网络——决策网络。
- AlphaGo Zero通过强化学习算法，从零开始，自己摸索出了围棋的奥秘。
- AlphaGo的应用范围广泛，可以用于解决许多类似的问题
- 这类问题的特点是变量非常多，可能解是天文数字，例如经济和社会决策、军事行动策划等。
神经网络的局限性
- 神经网络需要依赖特定领域的先验知识，不会举一反三
- 神经网络的学习本质上就是对相关性的记忆，神经网络将训练数据中相关性最高的因素作为判断标准。
- 神经网络无法解释结果为什么是这样
- 对于神经网络这个“满是旋钮的黑盒子”，每个旋钮为什么旋转到那个位置，而不是多一点或者少一点，都是无法解释的。
神经网络五大研究前沿
- 非监督学习：不依赖于“标注数据”的学习算法
- 在商业上有很多应用，例如在营销上面可以根据人群的不同属性将其划分成不同人群进行精准营销。
- 增量学习和连续学习：当有新数据时，只用新数据训练原来的模型
- 增量学习就是当有新数据时，只用新数据训练原来的模型，使机器在原有的识别功能之上增加新的识别功能。
- 连续学习就是能够边识别边学习。
- 生成对抗网络：从少量的已有数据出发去创造出更多的新的标注数据
- GAN减少深度学习训练所需的数据量的方法是：从少量的已有数据出发去创造出更多的新的标注数据——多数情况下是图像数据。
- 迁移学习：一个神经网络学会了中文翻译成日文，再让它学德文翻译成英文时就比从头训练要花的时间少得多
- 一旦掌握了这些结构，学习下一个就快了。
- 学习如何学习：让同一个机器适应更多种类的工作
- 一个办法是训练时用多个种类的任务来训练。
- 另一个办法是把机器分为两个层次：学习任务的机器和观察学习过程的机器。
深度学习的局限性
- 神经网络需要依赖特定领域的先验知识，不会举一反三
- 神经网络的学习本质上就是对相关性的记忆，神经网络将训练数据中相关性最高的因素作为判断标准。
- 神经网络无法解释结果为什么是这样
- 对于神经网络这个“满是旋钮的黑盒子”，每个旋钮为什么旋转到那个位置，而不是多一点或者少一点，都是无法解释的。
第四章 逐鹿硅谷——AI产业争霸战
人工智能的最新技术巨浪
- 2012年ImageNet比赛标志着人工智能新时代的到来
- 2012年，亚历克斯·克里捷夫斯基使用多层神经网络AlexNet一举把识别率提高了10个百分点，达到84%。
- 神经网络不断提高识别的准确率，终于在2015年达到96%的准确率
- 这个突破性结果立即引起了产业界的强烈兴趣和关注。
AI突破的三要素
- 计算能力的提升是人工智能发展的关键
- 半导体的集成度的增加速度基本遵循“摩尔定律”。
- GPU被用于训练AI算法，大大提高了计算速度。
- 大数据为人工智能提供了丰富的燃料
- 2011年全球数据总量已经达到1.8ZB，预计到2020年全球将总共拥有35ZB的数据量。
- 算法上的突破是人工智能发展的核心
- 辛顿教授证明了深度神经网络的能力和实用性。
AI产业的金字塔形产业结构
- 金字塔的下层对上层有依赖性，但反之不成立
- 金字塔的宽度大致对应市场规模和公司的数量。
- 越上层对整个行业的影响越大但市场规模越小，越下层市场规模越大但影响越小。
产业的皇冠：算法
- 算法是AI发展的核心，研究算法主要集中在美国的一流大学和几家超级互联网公司
- 目前研究算法主要集中在美国的一流大学和几家超级互联网公司(谷歌、Facebook、亚马逊、微软、IBM、百度等)。
- 大学的研究大部分都是学术性和公开的，而大公司的算法研究最核心的只留给自己用。
技术制高点：芯片
- 半导体芯片是一切信息技术的基础，芯片厂商总是处在霸主地位
- 在大型机时代，能够自己开发芯片的IBM独占鳌头。
- 在个人电脑时代，能够生产出最好的CPU的英特尔成为新的霸主。
- 在移动通信时代，高通几乎垄断了手机芯片，直接挑战英特尔的霸主地位。
- 在云计算大数据时代，三星凭借自己在存储芯片方面的优势成为世界半导体第一大厂家。
- 在人工智能时代，英伟达很可能成为新的霸主。
生态大战——编程框架的使用和选择
- 编程框架是一个程序库，可以大大节省编程人员的时间
- 这些编程框架的程序库大多都是“面向对象”的高级编程语言，例如C++、Python等。
- 目前有许多种不同的编程框架在竞争，例如TensorFlow、theano、Caffe、MXNet、CNTK、torch等
- 这些不同的编程框架的本质类似，通常都由张量对象、对张量的运算、运算流程图和程序优化、自动求导器、针对GPU的线性代数运算优化五部分组成。
开源社区与AI生态
- 开源社区允许在开源软件的基础上开发自己的商用软件
- 经过多年的演进，目前开源社区的公约大多使用“Apache2.0协议”。
- 开源社区解决“搭便车”的问题主要靠种群的竞争和演化
- 对于那些逐渐成为重要基础设施的开源软件，例如互联网协议、操作系统Linux等，就会有更多的人来关心和付出。
乱世枭雄
- 几乎所有的大公司都在争夺AI高地，分为互联网公司、技术公司和应用场景公司三类
- 第一类是掌握大量用户数据的互联网公司。
- 第二类是微软和IBM这样的技术公司。
- 第三类是华为、小米等这类缺乏数据，但有应用场景，又希望通过AI提升自身产品的公司。
- 互联网公司中，技术驱动型的公司例如谷歌和百度都是在AI战略上最激进的公司
- 谷歌放弃了“移动第一”的战略，提出“AI第一”的新战略。
- 百度也宣称自己是一家AI公司，要全力以赴投入AI(all in AI)。
大卫和哥利亚
- 新创的AI公司要进入大公司不占有数据优势的那些垂直的行业
- 新创公司进入第一类行业最容易，因为大公司通常不会进入一个全新的、市场还未知的领域。
- 新创公司进入第二类行业比较难，因为这些行业有三类竞争者：本行业内部的团队、各大互联网公司、企图进入垂直行业的新创AI公司。
- 新创公司和大公司竞争的最大的优势还是人才和激励机制
- 创业者通常都是最优秀、最有激情、敢于冒险的一批人。
- 新创公司在一个全新领域可以随时掉头，快速迭代，迅速摸清市场需求。
AI的技术推动力
- 算法的研究目前非常活跃，在未来5~10年还会有大量新的算法涌现
- 目前新算法层出不穷，有些在继续沿着神经网络的方向走；有些开始探讨其他路径，例如贝叶斯网络、支持向量机；有些在把不同的算法融合起来；有的干脆另辟蹊径，提出新的人脑认知模型。
- 算力的增加基于摩尔定律，目前除了芯片的线宽继续变窄，还有各种封装技术
- 目前芯片的耗电比人脑耗电还大几个数量级，在许多数据中心能耗成为制约瓶颈，大幅度降低耗电也是芯片设计的重要方向。
- 虽然单个芯片计算能力的增长变缓，但是现在倾向于用越来越多的芯片。
- 数据的增加基于传感器或存储器越来越便宜
- 当芯片集成度提高，芯片需求量增大时，传感器和存储器的成本会大幅度下降，更多的传感器会产生更多的数据。
AI与互联网的三个区别
- AI从一开始就要颠覆传统行业，而互联网对制造业、农业、建筑业、交通运输等搬运原子的行业的影响也局限在媒体和营销方面
- 互联网1994年起步时从经济的边缘开始，和传统产业似乎一点关系都没有，没有人懂一个网站能干什么。
- 而AI的特点是从第一天起就从传统产业中心爆炸，自动驾驶对汽车行业的颠覆就是一个典型的例子。
- 技术驱动是AI的重要特点，而互联网除了搜索以外基本没有太多技术，主要是应用和商业模式
- 互联网创业者完全可以是不懂技术的人。
- 目前为止AI创业者以技术大拿居多。
- AI可能不会出现平台性公司或赢家“通吃”的局面，而互联网的一个特点是连接供需双方，一旦用户超过一个门限，后来者就很难赶上
- 互联网很容易形成赢家“通吃”的局面。
- 但在AI产业里目前还没有看到这样的机会，不论是自动驾驶还是人脸识别都是一个一个山头去攻，无法在短期内形成垄断。
第五章 飓风袭来——将被颠覆的行业
自动驾驶颠覆出行——10万亿美元的产业
- 自动驾驶传感器包括摄像头、毫米波雷达和激光雷达
- 摄像头由于受到像素的限制，只能看清前面几十米，但也能分辨不同的物体。
- 毫米波雷达可以看清200~300米甚至更远的距离，不受日光和天气影响，还能精确测量物体的距离和速度。
- 激光雷达在本质上就是一个三维照相机。三维相片上的每一个物体、每一个像素的距离都能精确到厘米级。
- 自动驾驶分级有美国NHTSA的4个级别和世界汽车工程师协会(SAE)的5个等级
- 自动驾驶分为L1至L5五个级别，分别代表不同的自动化程度和功能。
- 电动车和自动驾驶将彻底改变汽车行业
- 电动车的控制反应时间(加速减速等)比汽油车要短得多。
- 电池驱动技术将使汽车行业的新进入者的进入门槛大大降低。
- 自动驾驶将是中国今后10~20年面临的最大的一个全球性产业机会
- 庞大的制造业能力和全球第一的电子制造生态系统。
- 具有前瞻性的新能源和环保政策。
- 发达的交通基础设施和现代物流。
- 电动车发展速度快。
- 世界第一大共享出行市场。
- 移动支付世界普及率最高。
- 复杂多元的驾驶场景。
医疗与健康——世界上最有经验的医生
- AI在医疗健康领域的第一个重要的应用是医学影像诊断
- 美国FDA(食品药品监督管理局)颁发了第一个医疗AI软件平台的许可。
- 斯坦福大学AI实验室的Thrun(特伦)教授的博士生开发出了一个可以诊断皮肤癌的AI算法。
- 腾讯公司推出的“腾讯觅影”技术，利用多尺度三维卷积神经网络实现肺部图像的三维分割与重建。
- AI在医疗健康领域的第二个重要应用是制药
- 小分子化合物新药发现的简单原理是找到一种化合物的分子结构能够和要“对付”的生化目标(例如癌症细胞中的某种蛋白质或被病毒攻击的人体正常蛋白质)发生反应，激活或抑制目标蛋白质的某些功能。
- 在基于深度学习的人工智能成熟之前，新药研发已经广泛使用计算机辅助制药。
- 目前硅谷和欧洲已经有几家用深度学习发现新药的公司，如位于旧金山的Atomwise。
- AI在医疗健康领域的第三个重要的应用是基于医疗大数据的诊断、预测和健康监测
- 医疗诊断的挑战在于：第一，人体是一个复杂的系统；第二，所谓“同一种疾病”其实在每个个体身上都有很大的不同。
- 同样的原理也适用于疾病的预测和预防。
- 每年有将近2 000万人死于心血管疾病，包括心脏病、中风、动脉阻塞和其他循环系统功能障碍。
- AI在医疗健康领域的第四个重要应用是健康管理
- 移动智能终端与移动互联网的发展让人们越来越多的行为以数字化的方式被记录下来，包括医疗就诊、饮食营养、运动状况、睡眠时间、社交、生命体征等数据。
- Virta Health是由加利福尼亚大学戴维斯分校医学院的教授斯蒂芬·菲尼(Stephen Phinney)博士和俄亥俄州立大学的教授杰夫·沃莱克(Jeff Volek)共同创办的一家互联网慢性病管理平台。
- 美国公司Realeyes使用计算机视觉、机器学习技术，通过电脑或智能手机摄像头跟踪用户面部表情，评估用户的情绪变化。
- AI在医疗领域的第五个重要应用是医疗语音助理
- 医疗语音助理目前已经在病历录入、智能导医、推荐用药等环节开始商用，帮助医生减轻工作压力，提升患者的就医体验。
- 2016年8月，北京协和医院在病房、手术室、超声科、放射科等全部上线“医疗智能语音录入系统”，成为首家支持语音识别的公立三甲医院。
- 美国语音技术公司Nuance推出的虚拟助手Florence，更是能在一定程度上理解医生口述文件，并通过洞察发现来提供及时的建议。
智能金融将导致一大批白领、金领失业
- 全球银行业正在受到金融科技的巨大冲击
- 消费者正以每年两位数的增长速度从传统银行迁移到互联网金融。
- 埃森哲预测到2020年银行业将有近30%的营业收入受到影响。
- AI技术作为金融科技的核心技术，正在使银行业的服务形态、数据处理、需求洞察、风险管理等发生根本性的变革
- 银行面对消费者的大量业务和服务将被AI取代。
- AI将取代银行内部的大量人工运营管理工作。
- 在接下来的几年中，人工智能将被用于改变财务中最核心的功能。
- 风险控制对银行业来说非常重要，整体的风控方面也开始引入越来越多的算法。
- 银行业也正在借助算法来遴选人才，同时减少跳槽员工的数量。
- 以人工智能、大数据、区块链等技术为核心的InsurTech(保险科技)正在重新定义保险产业
- 在产品创新方面，通过AI可以精准发掘潜在的保险需求，提供定制化保险产品。
- 保险营销创新，现在通过大数据的应用，平台可以对数据进行比较，帮助客户选择保险。
- 保险管理平台创新，比如Apliant就是一家为代理人提供管理平台的软件，提高代理人的服务效率以及服务水平。
- 在承保方面，南非农业数据分析平台Aerobotics公司通过无人机来获取农业、物流、矿产等行业的数据，以此来评定风险等级，提升公司效率。
- 在理赔方面，2017年6月，蚂蚁金服基于图像识别检测技术与人工智能推出了“定损宝”。
- 计算机自动化交易方兴未艾，更新换代进程不断加速
- 融合机器学习的复杂的交易算法首先取代了市场上很容易确定价格的交易。
- 目前一些复杂的交易如货币和信贷交易，并不在证券交易所交易，而是通过不太透明的交易者网络进行交易，但即是这些复杂交易也正在实现自动化。
- 面对来自人工智能的竞争，就连许多高薪人士都将失业。
- 智能投资顾问最早在2008年左右兴起于美国，又称机器人投资顾问(Robo-Advisor)
- 依据现代资产组合理论，结合个人投资者的风险偏好和理财目标，利用算法和友好的互联网界面，为客户提供财富管理和在线投资建议服务。
- 根据美国金融监管局(FINRA)2016年3月提出的标准，理想的智能投顾服务包括客户分析、大类资产配置、投资组合选择、交易执行、组合再平衡、税负管理和组合分析。
- 据权威在线统计数据门户Statista数据显示，2017年全球智能投顾管理资产超过2 248亿美元，年增长率高达47.5%，到2021年全球智能投顾管理资产规模将超过1万亿美元。
智能时代万物皆媒，人机协作时代已经来临
- 人工智能正在彻底重塑媒体产业，线索、策划、采访、生产、分发、反馈等全新闻链路都因为人工智能的到来而发生变革，媒体也正在走向智媒时代
- 人工智能不仅能够帮助媒体从业者更快地发现线索，辅助或自主生产新闻，并能根据每个受众的喜好有针对性地分发新闻，同时它能为商家匹配更精准的广告，让媒体更好地实现商业化。
- 自动化写作已经得到较广泛的应用，最初多以财经和体育新闻的快讯、短讯及财报为主，因为这些报道一般能够较好地拿到结构化的数据
- 随着技术的发展，自动化写作机器人的能力开始覆盖选题、写稿、校对等全方位的功能，题材也拓展到灾难、犯罪、选举等领域。
- 美联社是自动化新闻最早的探索者之一，通过机器自动生产新闻的能力，从体育新闻简报起步，在2014年开始使用算法自动生成财报报道。
- 腾讯是中国自动化新闻最早的尝试者，2015年9月，腾讯财经开发的机器人Dreamwriter发布了一篇关于8月CPI(居民消费价格指数)的稿件。
- 辅助写作：智媒时代不是人工智能对新闻工作者的替代，相反，人工智能结合互联网更好地连接了人与人，更好地汇聚人的智慧，并拓展了人的能力
- 算法分析数据、发现有趣的故事线索，记者进行复杂变量的处理和判断，微妙情感关系的处理和表达，采访重要人物以及幕后故事的发掘等，在人执行的每一步工作流程中人工智能都将有一定的参与。
- 语音识别技术能使记者减少每天必须完成的日常任务。
- 深度学习能够更深入分析出受访者或事件背后的深层次关系。
- 机器视觉技术有助于查找信息和数据。
- 传感器新闻：传感器必将改变新闻的采集手段
- 通过传感器获得的大规模环境信息、地理信息、人流信息、物流信息、自然界信息等，可以为专业媒体的报道提供更为丰富、可靠的数据，甚至可以为选题的发现提供线索。
- 传感器还有“用户反馈”的价值，作为反馈机制的传感器，将用户反馈深化到了生理层面。
- 个性化新闻：个性化新闻在今天已被普遍接受，它主要体现在三个层面：一是个性化推送；二是对话式呈现；三是定制化生产
- 个性化推送凸显了算法对于新闻分发的意义，算法的水平决定了个性化匹配的精准程度。
- 一些媒体正在探索社交机器人在新闻传播中的应用，它们将某些新闻的获取和阅读过程变成一个互动对话过程。
- 和今天纯粹用算法做匹配的机制不完全一样，未来还会生成所谓定制化信息的生产，即基于大数据分析的、基于场景的个人化信息定制，针对用户的兴趣生产和讲解。
智慧城市——“上帝视角”的城市管理
- IBM早在2008年就提出了智慧城市的概念，目的是让城市运转更加高效环保，管理更加科学，并能提前发现问题
- 随后，多个国家开始了智慧城市的实践，高峰时期IBM曾有超过1 000个智慧城市项目在建。
- 企业、政府、未来学家都希望将城市打造成一个高度统一的智能系统，但庞大的软件、硬件、基础设施投入和短期内有限的效益形成了较大反差
- 不少政府放弃了IBM起初的方案，转而从垂直领域出发，从解决具体问题入手，提高城市的智能化水平。
- AI在其中扮演了越来越重要的角色，AI推动下的安防、交通系统、政务服务、环境保护等都获得了质的突破
- 高级辅助驾驶汽车和车联网结合能够大幅降低城市的交通事故，并减少车辆的能源消耗。
- AI在打击恐怖分子、罪犯，预测突发情况，管理密集人群等方面开始发挥较大效用。
- AI结合大数据技术，已经能够在城市的人流预测、天气预测、灾害预测等方面发挥作用。
智能交通
- 2016年，麻省理工学院、瑞士苏黎世理工学院和意大利国家研究委员会联合研究团队已经研发出一款新道路系统，在道路上将不再有交通信号灯，并提出了“基于时段的交叉路口”概念
- 这意味着整个交通系统将与道路上的所有汽车实现同步。
- 未来，只有智能驾驶汽车、交通基础设施、车联网、交通管理系统整体协同才能让每个公司的无人车在公平的规则下行使，才能实现真正的智能交通
- 阿里巴巴为城市交通系统打造了一个“城市大脑”。
安防
- 图像识别技术开始让城市管理系统实现目标检测(车牌识别)、人脸识别(属性提取)、目标分类(车、行人)等功能
- 主要用在运动目标检测、周边入侵防范、目标识别、车辆检测、人流统计等方面。
- 人脸识别在中国已经被广泛应用于手机支付、ATM机、门禁、打卡、海关、车(机)票、交通违规监测、安全监控等
- 中国各地目前有大约1.8亿个摄像头，到2020年将增加到4.5亿个，平均每三个人一个摄像头。
- 传感器还有“用户反馈”的价值，作为反馈机制的传感器，将用户反馈深化到了生理层面
- 传感器可以采集用户的心跳、脑电波状态、眼动轨迹等身体数据，准确测量用户对于某些信息的反应状态。
预测管理
- AI结合大数据技术，已经能够在城市的人流预测、天气预测、灾害预测等方面发挥作用
- 微软亚洲研究院借助CNN、RNN技术与城市的数据，已经能够成功预测未来十几个小时的城市人流情况、雾霾发生概率等。
机器人市场概况
- 到2019年全球机器人市场规模将达到1 350亿美元
- 2015年全球机器人支出为710亿美元，并将以17%的年复合增长率增长。
机器人市场分类
- 市场主要包括装配线机器人、(与人)合作型机器人、自主型机器人
- 装配线机器人的特点是动作程式化，并且不需要判断。
- 合作型机器人主要是和人一起完成生产线上的任务。
- 自主型机器人目前主要是做服务型工作。
自主型机器人的挑战和未来市场
- 服务型机器人的感知、判断和行动决策都很复杂，与自动驾驶类似，如果成本太高，就没有经济价值
- 服务型机器人的第二个问题是如何和现有流程配合。
- 自主型机器人未来的主要市场仍然是工业生产线
- 目前高产值重型装配，例如汽车，已经越来越多地使用机器人。
- 另一类是非装配型的生产线，例如食品加工、禽畜屠宰、货物分拣等。
自然语言翻译和理解领域的革命
- 人类有可能第一次无障碍地协同盖起一座“巴别塔”
- 一旦语言的隔离被打破，文化的隔阂也将在几代人之间被冲破。
对翻译机的最低要求
- 不需要拿着手机来回对着双方
- 理想化的器件是一个挂在脖子上的小项链，或者是一个远小于手机的可以放在对话双方之间的小盒子。
- 不需要每说一句话都要按一次“翻译”或“播放”
- 翻译机和活人翻译一样，只要检测到说话者的停顿或一段完整意思的结束，马上就开始播放翻译。
- 必须能够离线
- 当手机没有联网信号时，手机里的存储内容和计算能力足够一些常用的翻译。
- 翻译准确率达到99%
- 自从2017年初谷歌将翻译后台从传统的统计方法改为神经网络翻译后，准确率大大提高。
对翻译机进一步的要求
- 这个翻译机在生活中“隐去”，成为日常穿戴的一部分
- 例如做成极小的像助听器那样的器件，通过手机和网络相连，可以做到无缝的“同声传译”。
实现无缝、流畅翻译的技术难点
- 微型多声道抗噪远场声音检测技术
- 亚马逊的Echo已经具备了多声道抗噪音和说话者方向聚焦功能，但这些功能还需要进一步改进。
- 语义理解
- 神经网络在短短的几年内大大提高了语音识别的准确率，但是语义理解仍然是瓶颈。
- 学习“主人”的背景和个性，以便更透彻地理解每一句话。
机器翻译的未来发展
- 机器翻译的进一步发展是在文化背景方面远超人类
- 例如一个英文翻译如果不是在美国长大，即使阅读量很大，也有文化背景的隔阂。
- 机器翻译未来还会增加一项人类做不到的功能，就是提前熟悉对方的背景
- 当人类进行一次重要会见或谈判时，都会事先做功课了解对方。人类花几天做的事，机器可以一秒做完。
无缝、流畅的同声翻译对世界的影响
- 无缝、流畅的同声翻译冲击最大的是文化和身份认同
- 今天世界民族主义回潮，民族国家的界限主要以语言和文化进行划分，当这层墙被拆掉后，今天的民族国家是否还会存在？
- 无缝、流畅的同声翻译最终会导致全球文化多样性的消失吗？不会
- 每个人讲的和听的仍然是自己的母语。人类将生活在一种“双层社会”中：一层是“世界大同层”，大家各自说着自己的母语，但是规则和习惯逐渐融合；另一层是“本土家乡层”，各自的习俗仍然不同。
AI对制造业的影响
- 制造业的供应链管理、营销也将大量采用AI
- 阿里巴巴的“ET工业大脑”帮助协鑫光伏的良品率提升1%，一年节省上亿元成本。
AI对批发零售业的影响
- 互联网公司由于从诞生之日起就拥有数据且会利用数据，将率先采用AI继续颠覆零售业
- AI正在积极影响零售业的运输、定价与促销、供应商互动和管理决策等环节。
- 基于AI的需求预测方法比传统方法的预测误差减少30%~70%，由于产品无效性导致的销售损失可以降低65%。
AI对法律行业的影响
- IBM、阿里巴巴、科大讯飞在法条的查找、审判记录等方面开始使用AI
- IBM的沃森系统可以帮助找到“判例法”，帮助律师找到更有力的证据。
- 知识产权律师可以用AI自动查找过往的专利，搜索专利违反和版权剽窃事件，甚至能起草专利申请。
AI对广告营销行业的影响
- Facebook通过AI技术扫描用户的状态更新、上传的图片、视频，签到，点赞，甚至是Linked Apps等相关数据，能够生成用户的数字档案和用户画像，从而实现智能投放和精准的营销服务
- 视频广告领域Vedio++(智能广告位识别投放与营销解决方案公司)利用AI为客户在网络剧、节目直播中寻求到精准的广告投放。
AI对房地产的影响
- 无人机监理、机器人巡逻、建筑、工程监理、房屋销售和租赁、物业管理等一系列环节将被AI优化或取代
- 今天农业已经开始大规模使用无人机等先进技术，天气、土壤、农作物、市场信息等可以帮助农民更精准地种植。
AI对政府和公用事业的影响
- 政府的运行，特别是对市民的服务将会大量自动化，市政管理包括交通管理、警察、安全监控等将会大量使用AI
- 用来自动驾驶汽车的技术也可以用来驾驶坦克。
- 无人机已经成了美国反恐战争的重要武器，按现在的发展速度，下一场空战将不会再有飞行员。
AI对旅游行业的影响
- 未来你的个人智能助理比家人还熟悉你，你只要说“想去巴西玩一周”，所有的行程就都安排好了
- 目前虽然交通和通信将物理距离缩短，增加了人类的交流和分工合作，但是语言隔阂仍然是最主要的障碍。
AI对教育行业的影响
- “高考机器人”能够比高中毕业生考取更高的分数只是向大众演示AI的可能性
- 真正的冲击是在目前在线教育内容基础上的、个性化的智能老师、自动评测和答疑等。
- 当个性化智能教育发展到一定程度，很有可能会彻底颠覆目前的教育，例如分散的虚拟学习社区有可能取代集中式的学校，按需学习的终身教育有可能取代小学到大学的专门教育。
第六章 暗知识神迹——机器能否超越人类
基于深度学习的AI本质
- 神经网络最本质的特点是发现并记忆数据中的相关性
- 例如，看了很多汽车的图片后就会发现汽车都有四个轮子。
- 人的大脑对图片这类直观的数据间的相关性也能发现一部分并记住，这就是默知识。
- 当数据量很大，又不直观时，例如股票市场的数据、复杂系统(例如人体、核电站)内部的数据，人就不行了。而神经网络却应付自如，一眼就能发现数据之间的关系并记住，这就是暗知识。
- 机器学习需要大量的数据，主要是让机器“看到、记住”数据中呈现出的各种模式
- 一组有限的数据中埋藏着无数排列组合出来的图样。
- 因为机器的记忆比人的记忆准确，而且量大，机器可以每秒转几亿次万花筒，很快就能看完并且记住所有的图样。
科研加速
- 机器学习可以部分甚至全部取代人在研究文献、做实验和整理数据这三个环节的工作
- 获取相关的文献，阅读、理解并总结已经成为科研的瓶颈之一。
- 今天的科研越来越依赖于实验，而实验的准备、操作和数据整理经常耗时耗力。
- 科学实验的第三个环节是收集整理数据，这更是AI的优势。
- 机器学习可以帮助科学家提出假设，甚至做出新的科学发现
- IBM的一个团队宣称他们的系统可以做到，他们的AI可以通过挖掘学术文献自动产生科学假设。
- 他们的目标是将文本挖掘与可视化和分析结合起来，以便识别事实，并提出“新的、有趣的、可以测试的、可能是真实的”假设。
唐诗高手
- 机器学习可以模仿诗人的风格，但无法模仿诗人的意境和情感
- 机器作诗的原理和人学作诗类似，本质上也是模式识别，通过大量学习识别然后记忆平仄、对仗、押韵、词句的常见组合，即一个词出现在另一个词后面的概率。
- 诗歌是文字的一部分，是一个前后有相关性的序列数据流，RNN最适合序列数据处理。
- 目前机器写诗像一个缺乏天资的但极为刻苦的诗歌爱好者，怎么做都无法有“意境”。
- 能够打动人的好诗需要“触景生情”，并且能引起读者的共鸣。这更是目前机器学习还无法企及的境界。
- 最绝妙的诗歌除了以上几点，还要能出奇出新，打破常规，使用从来未使用过的词句组合但又合情合理。
真假凡·高
- 机器可以模仿画家的风格，甚至创造自己的风格
- 机器可以把一张图片改造成凡·高的风格。
- 机器当然也可以把这张图片“马蒂斯化”。
- 创意性对抗网络是如何工作的呢？与生成对抗网络系统一样，创意性对抗网络也使用两个子网络。
- 这种“创作”在本质上是非常隐蔽的一种“混搭”，和作诗一样，普通人很难分辨真伪。
- 基于类似的原理，AI作曲也到了几乎可以乱真的地步。
下一场空战
- 以人工智能为核心能力的新型武器必将成为下一轮军备竞赛的主要目标
- 美国军方曾经公布了一段无人机打击塔利班武装分子的视频。
- 美国空军开发的一款叫作ALPHA的自动飞行软件，不仅在每一场和真人的对决中都打败了空军飞行教练员。
- 目前无人机已经广泛使用在反恐和局部侦察与战斗中，但这只是序曲。
新型自主性武器的开发
- 自主化是不确定性地输入感知信号产生一定概率分布的输出反应信号
- 一个预先设定了打击目标的导弹是自动化武器，一个放飞到塔利班巢穴上空的会随机应变的捕食者无人机是自主性武器。
- 未来自主性武器将率先在各类飞行器上全面普及，进而开始应用于水上和水下，包括水面舰船与潜艇以及各种机器鱼。
- 目前，以色列已经部署了一种自主的防辐射无人机Harop，可以飞行长达6个小时，只在敌人防空雷达亮起的时候进行攻击。
- 俄罗斯武器生产公司Kalashnikov已经制造出了一把全自动AK-47步枪，通过使用AI确定目标瞄准射击，而该武器准备向俄罗斯军方供应。
电池容量是野战机器人的瓶颈
- 锂电池容量密度(约300瓦时／千克)和每年的改进程度(约5%)，在短期内很难有能够支持机器运行长达一天的电池
- 除了锂电池，目前另一个比较有希望的是氢燃料电池，与锂电池相比，其优势是充电快(几分钟而不是几个小时)，单位体积或重量的能量密度也更高，所以未来军用电池很可能以氢燃料电池为主。
军用技术将落后于民用技术
- 民用和商用对该技术的总投入要大于军事上的投入
- 民用和商用通过市场竞争机制也会吸引人工智能方面一流的人才(如创业的回报巨大)。
- 由于开放性的学术交流和开源软件，民用技术将进展神速，巨大的商业前景也会造成空前激烈的市场竞争。
- 这一切都会推动人工智能在民用和商用方面快速进展。而军用技术的发展则会落后于民用技术，许多军用技术研发最便宜的方法都是依托在民用技术之上。
大规模协同作战的演进
- 当信息接收和反应都由机器接管后，一次战斗和战役的规模可以大大增加
- 如果都是机器之间互相协调，那么几百万台机器可以瞬间协同行动。
- 5G通信网络的到来也将加速机器协同的进程。
军事组织的混成化、单官化和扁平化
- 当武器自身越来越自动化和自主化时，分工的必要性就降低了，混合使用武器的好处越来越凸显
- 所以今后的战争可能不再是陆军和陆军打，空军和空军打，海军和海军打，而是所有的军种一起打。
- 由于未来战争前端主要是自动化和自主化武器在拼搏，所以需要的血肉之躯会越来越少，一个人可以协调操控大批自主化武器。
- 军队有最严格的层级结构。传统军事对个人依赖很小，制胜的保障是一个巨大团体的协调行动。层级结构能保障命令和信息在巨大人群中最快地传递和严格地执行。由于战斗人群规模的缩小和个体(单官)能力大大增加，所以未来军队将像今天的高科技公司一样越来越重视个体能力和能动性。这一切都会导致未来的军队组织越来越扁平化。
军事组织从以武器为中心转向以数据为中心
- 未来战争的前端主要是钢铁机器，后端则是大量人和计算能力负责数据收集与处理
- 由于数据的复杂性，组织将划分为数据收集、存储、处理、决策。
- 每一种武器及其行动轨迹和效果，对后台军事人员来说就是一组数据。
- 未来的后勤能力主要是对机器的能源进行供给和补充。
战役的机器参谋部
- 在未来战争中，一场战役已经在计算机中模拟了许多遍
- 变量越多，不确定性越强，机器学习算法就越得心应手。
- 当然最后还是要指挥官做决定，但传统的参谋部的工作许多会被机器取代。
AI武器的伦理
- 国际社会也没有明确支持限制或禁止此类武器系统的条约
- 学界对此也争议不断，许多重量级科学家反对人工智能武器化。
- 2015年，包括马斯克和霍金在内的1 000多名人工智能专家签署了一封公开信，呼吁禁止自主化武器。
- 2018年谷歌公司仅仅因为向美国军方的一个项目Maven提供了TensorFlow的接口，就有近4 000名谷歌员工联合签名请愿公司不要和军方合作。
- 自主化武器很可能加剧全球军备竞赛
- 2016年美国国防部发表新报告表示，美国需要“立即采取行动”加速AI战争科技的开发工作。
- 2017年7月，中国推出了《新一代人工智能发展规划》，该规划将人工智能指定为未来经济和军事力量的转型技术。
- 2017年9月，普京对刚开学的俄罗斯孩子说：“人工智能就是未来，不仅对俄罗斯而言，更是对整个的人类社会。谁成为这个领域的领导者，谁就将成为世界的统治者。”。
- 人工智能很可能将加速全球军事力量不对等和战争的发生
- 拥有人工智能技术、战争经历和战争数据的国家能够让自主化武器迭代速度更快。
- 自主化武器更易流通和被滥用，或被其他国家和恐怖分子获得。
- 因为该类武器能够将人员伤亡降到最低，所以政客发动战争的阻碍因素又减少了一项。
- 自主化武器失控和错判的风险将一直存在
- 比如软件代码错误，或者受到网络攻击。
- 这可能导致机器失灵或攻击自己人，或由于系统升级太快，人类伙伴无法及时响应。
- 很难对自动化武器的可靠性进行测试，会思考的机器的行事方式也可能会超出人类控制者的想象。
群体学习和光速分享
- 机器之间的交流不仅是无障碍的而且是以光速进行的
- 当一台机器找对地方或学会了一个技能时，其他所有的机器瞬间都学会了。
人类哪里比机器强
- 人类在认知方面比机器强在以下几个方面
- 学习识别物体不需要大数据。
- 机器没有常识和物理世界的模型。
- 机器没有自主和自发的通用语言能力。
- 机器没有想象力。
- 机器没有自我意识。
- 机器没有情感和同理心。
人机融合
- 脑机接口是科学家研究的一个重要方向
- 被脑机接口串联的人脑能够与外部设备之间互相传送信号，交换信息。
- 脑机接口技术的意义在于能够让人的大脑能力获得提升，或实现能力重建，甚至是实现远程控制
- 本质上普通人只能用自己的意识来控制自己的身体，而脑机技术能够让人类实现通过意识操控远在千里之外的机器人。
通过连接到云端提升语言能力
- 通过植入大脑皮质的芯片就可以让我们连接到云端
- 我们可以通过与人工智能结合而变得更加智能，通过更多潜在的方式去共享语言。
逝者“还魂”
- 通过给人工智能系统灌输某个人的照片、视频、音频、信件、日记、邮件、账单以及任何能表现他个性的东西，可以造出逝者的“化身”
- 库兹韦尔表示他已经造出了他过世多年的父亲的“化身”。
第七章 “神人”与“闲人”——AI时代的社会与伦理
AI时代的社会与伦理挑战
- AI机器的崛起会不会导致大规模失业？
- 历史上大的技术突破并没有对人类的工作产生毁灭性的打击。
- 随着智能机器的崛起，大量重复性劳动将被替代。
- 机器酿成的事故由谁负责？
- 自主化武器、无人驾驶汽车、生产机器人等都可能因为代码错误或在环境巨变下失控酿成灾难。
- 当机器遇到困难时，往往会将操控权转交给人类，而人类很难瞬间接管好一项突然转来的工作。
谁先失业
- 牛津大学的一份研究报告指出下列职业将是最先被人工智能取代的
- 电话营销员，99%。
- 收银员，97%。
- 快餐厨师，96%。
- 律师助手，94%。
- 导游，91%。
- 公交车和出租车司机，89%。
- 安保人员，84%。
- 档案管理员，76%。
- 最容易被AI取代的是那些重复性高、可预测、可编程的工作
- 19世纪的机器主要代替体力工作者，这次AI将替代许多脑力工作者。
- 中等技能的专业人员可能首当其冲，而目前很难程序化的工作，例如保姆反而很难被取代。
孩子该学什么
- 学好数理化，走遍天下都不怕
- 现代科学的全部基础是2 500年前希腊的《几何原本》。
- 人工智能也不例外，基于神经网络的机器学习的全部数学基础就是偏微分方程和线性代数。
- 除了数学，另外一门最重要的课就是语文(包括外语)
- 语文培养的不仅是表达能力，更重要的是培养同理心的途径。
- 人类之间沟通的基础就是同理心和共情心，即根据自己的感觉理解别人的能力。
- 在能力方面，除了沟通能力以外，未来最重要的是想象力和创造力，而不是“工匠”能力。
AI时代的新工种
- 新蓝领工种：数据标注员、数据采集师、AI训练师
- 数据标注员：许多AI算法的训练都有赖于大量的已标注数据。
- 数据采集师：自动驾驶要采集一个国家所有道路的精确地图，需要几百辆数据采集车常年采集。
- AI训练师：许多AI算法在正确识别场景之后并不知道该如何行动，这时人类可以提供指导。
- 新白领工种：需要与AI系统一起工作以便完成复杂任务的参与工作、开发工作，创建AI技术和应用程序、监控或维修AI系统的工作、响应AI驱动的范式转变的工作
- 需要与AI系统一起工作以便完成复杂任务的参与工作(例如AI辅助医疗诊断)。
- 开发工作，创建AI技术和应用程序(例如数据库科学家和软件开发人员)。
- 监控或维修AI系统的工作(例如维护AI机器人的技术人员)。
- 响应AI驱动的范式转变的工作(例如律师围绕AI创建法律框架，或创建可容纳自动驾驶车辆的城市规划者)。
- 新粉领工种：机器最难取代的就是要求高度情感的工作，例如婴幼儿教育，社会工作、心理咨询等
- 随着社会老龄化，老年人的照顾和护理将成为一个巨大需求。
- 未来甚至会出现“定制电话煲粥员”“家庭心理咨询师”等。
女性的优势
- 女性情感比男性丰富，所以比男性更难被机器取代
- 机器取代人的难易程度从易到难将是四肢(体力)—小脑(模仿性工作)—大脑(推理逻辑常识)—心(情感)。
- 未来一个新工种特别适合女性，这就是“机器解释师”
- 机器的诊断结果需要一位慈祥的女士来解释给患者听。
新分配制度：无条件收入还是无条件培训
- UBI是对有价值的工作价值的承认，可以大幅缩小贫富差距，提升健康水平，减少少年儿童辍学，促进就业
- 阿拉斯加州的收入平等水平曾经在美国各州排名第30位，自从1976年州政府建立了石油收入支撑的永久基金并给每个公民每年支付1 000~2 000美元后，阿拉斯加州的收入平等水平在美国各州跃升到第二位。
- 纳米比亚2007—2012年的实验证明，实施一年后贫困率从76% 降到37%，在6个月内儿童营养不良率从42% 降到17%。
- 乌干达的一项“青年机会计划”鼓励青年投资自己的技能培训，使收入提高了38%。纳米比亚的实验把辍学率从40% 降到了零。
- UBI最大的问题在于太昂贵，其他都不是问题
- 笔者建议与其实行无条件基本收入，不如实行“无条件基本培训”，即对所有愿意工作的成年人提供培训费用。
贫富悬殊解决之道：民间公益
- 缩小贫富差距的一个可行的方案就是通过民间公益
- 比尔·盖茨现在全职做公益，他和巴菲特把99% 的财产都捐出来，要在有生之年全部花在公益上。
- 当大批成功企业家都投入公益时，会自然形成一个“公益市场”。
- 政府应该通过一系列法律政策鼓励民间公益，支持形成一个公益市场和公益生态
- 这样不仅避免了高税收造成的创业意愿降低，避免了征税成本和支付中的损耗，更重要的是能够以最高的效率和最创新的方式缩小贫富差距。
权力再分配
- 技术革命把权力在政府、企业和个人三者之间重新分配，并不一定每次都倾向于个人
- 例如当计算机还在大型机阶段时，大型机的霸主IBM成为美国最有权力的公司之一。
- 个人电脑和互联网毫无疑问会极大地给个人赋能，增加个人的权力，但后来的大数据和云计算则相反，又把权力转移到了大公司和政府手中。
- AI浪潮又会造成什么样的权力分配呢？在过去几年中我们明显看到AI进一步将权力集中到大公司和政府手中
- AI的核心资源是处理芯片和数据，目前芯片集中在以英伟达为首的少数几家芯片公司手中。
- 数据则分为三类，第一类是互联网用户或者消费者数据，目前集中在世界互联网公司巨头手中。第二类是行业数据，例如医疗、金融等，集中在行业的龙头公司手中。第三类是社会数据，集中在政府手中。
是否该信任机器的决定
- 对于反复出现的场景，人类对机器的信任和今天对一家大型客机上软件的信任没有本质区别
- 只要场景是反复出现的并且有时间去测试，我们就可以通过长时间的测试来验证机器的可靠性。
- 对于从来没出现过的场景，机器很难有在实际战争中反复测试的机会，即使有，每场战争的性质也大不相同
- 如果能有历史战争数据，比如战场的视频和卫星图片，机器仍然可以从这些海量信息中发现隐蔽的关系，也即暗知识。
- 机器也可以模拟战争场景，就像今天自动驾驶系统也可以用模拟环境训练一样。
数据如何共享
- 解决数据共享必须解决动力机制和隐私与安全两个问题
- 一个方案是建立数据交易平台。提供数据可以赚钱，使用数据要付费。这里的核心是根据数据的数量和质量对数据进行定价。
- 企业的数据涉及用户隐私或企业机密。用户的身份信息必须隐掉，这样即使信息被破解也无法对用户造成伤害。企业的数据也需要加密，这样即使数据共享平台也无法看到信息。
- 政府也应该根据上述原则尽可能公开数据
- 这些数据本来就是公共资源，是比金矿更好的资源，金矿一个人挖完了第二个人就挖不到了，数据矿可以让成千上万人用不同的方法挖到不同的宝贝。
自尊的来源
- 长期失业的人即使基本生活有保障，也会丧失价值感
- 他们在家庭和社会中也会感觉低人一等，长此以往会造成抑郁，导致酗酒甚至吸毒。
- 一个人的自尊主要来自对社会和他人的贡献，可以和金钱无关
- 所以获得自尊的一个重要途径是参加各种社会公益组织，在公益组织中不仅能够找到自己的价值，而且能找到群体的归属感。
- 自尊的第二个来源是个人独特的价值，包括比周围人更好的技能。
机器会产生自我意识吗
- 自我意识是一个复杂问题，到今天都没有公认的严格定义
- 但大致上自我意识是指一个人对自己存在的知觉，或者说明确知道自己和周围的环境(他者)的区别。
- 目前公认的自我意识是许多神经元共同的作用
- 位于美国威斯康星州的精神病学研究所设计了一种精妙的实验用于证实意识在大脑的存在是一个整体，而不是某个部分。
- 以神经网络为基础的人工智能是否能在不远的将来产生自我意识呢？
- 首先，如果我们能够确认“自我意识”无非是大量神经元之间复杂的激活和连接模式，那么我们应该可以预测未来有一天当基于半导体或生物芯片的神经网络足够复杂时，机器完全可能产生自我意识。
- 第二个问题是神经元之间的连接方式。目前的机器神经网络为了数学上可以分析，工程上实现方便，神经元都是简单清楚地分成许多层级。但人脑中的神经元根本没有清晰的层级，而是在一个三维空间随机的、复杂的互联。
- 第三个问题是目前的人工神经网络的信号输出是上一级输入加权求和后被一个门限截断的信号，而人脑中每个神经元的信号强弱、门限的高低都可能不同。
- 除了以上三个问题之外，更重要的是第四个问题，人脑中各处充满了随机性，深受外界环境的影响，这种复杂系统中的随机性是产生“涌现”的重要条件。目前的人工神经网络是一个确定性系统，虽然我们可以在网络里引入随机性，但是我们并不清楚在哪里和怎样引入这些随机性。
结束语 人类该怎么办
机器学习的崛起及其对人类知识的影响
- 机器学习正在拓展出人类知识的一个全新方向
- 机器学习让人类可以利用那些自己无法理解的暗知识去解决问题。
- 随着计算能力的提高和各类算法的进展，机器学习会呈现出越来越神奇的性能
- 这一波科技进步的大浪在可预见的未来还看不到停滞的迹象。
人类在知识获取中的角色变化
- 机器成了认知主体，可以直接从数据中萃取出知识来
- 人脑第一次被抛出了知识获取的回路。
- 机器甚至会成为压倒性的认知主体，越是复杂的问题，它们越是得心应手
- 在机器没有演化出自我意识之前，它们仍然是人类任劳任怨的工具。
机器对权力分配和社会规范的影响
- 对机器知识的占有不仅会改变权力的分配，也会改变权利的定义
- 我们所熟知的社会规范，诸如自由、平等、公平、正义在暗知识的衬托下将会改变原来的意义。
- 我们需要重新审视我们过去熟悉的观念，重新思考什么是一个“好”的社会。
机器对人类本性的影响
- 机器改写了知识的地图，却无法改变人的本性
- 人类还是那个利他与自私同体，同情与冷酷兼备的人类。
- 对于这样一个新的强大工具，生存本能将驱使人类用它为己谋利，博弈困境也必将导致用它来伤害他人
- 对机器的驾驭和暗知识的掌握势必改变现有的地缘平衡。
机器带来的挑战和应对
- 机器将带来不可预知的改变和挑战，这些改变无法阻挡，只能顺势而为，这些挑战无法避免，只能创造性地应对
- 人类在过去的500年中经历过无数挑战，与之相比这次不算最大。
- 人类社会的最大风险仍然来自人类本身。