|
|
一方面AI可能帮助治愈癌症，让机器人代替人类上战场；在另一方面，它可能让越来越多的人失去工作，牛津大学的一项研究预计，到2033年，目前的工作会有一半被自动化取代。即使有新的工作诞生，但速度远远比不上技术摧毁工作的速度。不久的将来，实行全面基本收入制度，也许是人类唯一的出路。
1941年12月2日，在芝加哥大学足球场下面的地下实验室里，物理学家恩里科·费米和一群科学家见证了人类创造出世界第一个自持核反应堆。科学家们默默地喝掉了一瓶红酒，庆祝“芝加哥1号堆”的诞生，在场的人都清楚这对于人类究竟意味着什么，无需赘言。现在，一种新的东西已经在悄悄改变世界，就像某种生僻的外语，你或许听人说过，但却无法完全理解。这种语言叫做“深度学习”(deeplearn-ing)，人工智能公司DeepMind的AlphaGo正是用它在围棋比赛中击败了人类世界冠军。而围棋这种古老的棋盘游戏如此复杂，有人甚至形容，下围棋好比同时下10盘国际象棋。
AlphaGo的胜利似乎微不足道，只不过是在人类用来打发空闲时间的游戏中，机器再次超越它的创造者。然而，这一小小成就不仅只是赢得吹牛的权利那么简单。有人甚至将它誉为AI发展“里程碑”，按照这个速度，我们曾经认为遥不可及的事情可能很快变成现实。
想一想你口袋里的智能手机，在你出生的时候，如此小巧而强大的计算机简直就是科学幻想，而现在这些装置无处不在，彻底改变了人们的健康护理、人际关系、商业交易，没有它们的生活似乎已经无法想象。我们正在进入一个新的时代，科技注定将极大地影响、重塑我们和我们后代的生活。科学家已经发明了一款能够安抚人类的微笑机器人，一款能够让失去手臂的鼓手重新打鼓的机械假肢，当然还有可以让汽车自行驾驶的软件。现在，包括Facebook研究人员在内的AI开发者面临 一 大挑战———创造能够完全理解人类语言和表情微妙差异的程序和机器人。一旦他们获得成功，机器将能够处理大量数据———包括书籍、医疗案例、社交媒体状态更新和面部表情线索等等———进而提升人们与AI互动的体验。我们正在不可避免地迈入一个属于人工智能的时代，不少技术专家警告，AI可能意味着人类的终结。你或许觉得现在讨论这个话题为时过早，但是，很多人并未意识到，从亚马逊网站向用户提供的产品选择，到美国国家安全局的数据监控，机器学习已悄然成为我们日常生活中密不可分的一部分。然而，我们中很少有人真正理解它的意义。
人工智能走进生活
西雅图华盛顿大学的电脑科学家佩德罗·多明戈斯在《主算法：终极学习机器的研究将如何改变世界》一书中指出，人工智能可能让到医院看病成为历史；主算法(MasterA l-gorithm )可能具有与爱因斯坦相对论旗鼓相当的改变世界的力量；而用机器取代人类士兵可能让战争变得更人性化。
电脑科学的终极追求就是一台能够自我学习的机器。传统的编程需要人类用令人抓狂的细节向电脑解释人类的意图。这就是算法的本质：对电脑发布的一系列指令。而机器学习则是给电脑编程，让它具有自主学习的能力。现在，当你搜索网页时，为你选择搜索结果可能就是具有学习能力的程序。亚马逊已经将它用于为用户推荐产品；在线影片租赁公司Netflix用它来推荐电影；社交网站Facebook和Twitter用它来选择向你显示哪些帖子。在网上发生的一切几乎都涉及机器学习。
多明戈斯提出的主算法是一种能够从数据中学会一切的算法。将行星运动和斜面的数据喂给它，它就能发现牛顿的“万有引力”论。将DNA晶体学数据喂给它，它就能发现双螺旋结构。将包含癌症患者病历的庞大数据库喂给它，它就能学会诊断并治愈癌症。
机器处理信息和进行复杂运算的能力远远超过人类，它们测试药物和疫苗的速度绝非人类可比。“机器学习”已被用于开发药物，通过电脑模拟的方式，所需的成本和时间相当于传统方法的零头。比如，艾滋病疫苗研究的一大难题在于，艾滋病毒变异的速度非常快。研究者大卫·赫克曼提出，传统疫苗大多只针对一个地方的病毒发起攻击，艾滋病疫苗需要同时攻击不同的地方。但是发现所有这些攻击目标需要处理海量的数据，还需人类无法应对的假设实验。
而攻克癌症的难题在于它并非是一种疾病。每个人的癌症都不相同，随着癌细胞的变异生长，即使在同一个病人身上，今天的癌细胞与6个月前也截然不同。肿瘤的代谢是如此复杂，存在太多的可能变异和分子及环境因素组合，没有人类能够全部掌握。因此，只靠某一种药物无法治愈癌症。机器学习可分析肿瘤基因组、病人基因组和病史，从而预测哪种药物或哪些药物的组合最有效，甚至针对具体癌变设计一种新药。然而，在实现这一切之前，我们需要更先进的机器学习算法。我们还需要病人分享他们的数据，再交给程序去分析学习。分子生物学家兼机器学习研究者大卫·豪斯勒认为，如果能够采集足够多的病人数据，我们将能治愈癌症，除此之外别无他法。
人类是怎么样丢掉饭碗的
帮助治愈癌症的机器听上实在美好，但如果它们将要夺走你我的工作呢？更糟糕的是，人类对此毫无准备。只要人类依然需要靠薪水为生，AI的惊人进步可能威胁每一个人的生活。上周，白宫在一份写给美国国会的报告中称，2010年时薪不足20美元的工人最终被机器取代的可能性高达83%。时薪40美元的工人被机器抢走饭碗的可能性也高达31%。我们正在面临一个崭新世界。
首先得说说如何走向这一步。所有的工作都可以划分为4大类型：简单重复和非重复性工作、脑力和体力劳动。简单重复工作的内容日复一日完全相同，而非重复性工作则有变化。在这两种类型中又包含主要依靠认知能力(头脑)的工作和主要消耗体力的工作。上个世纪90年代，当部分岗位已经能够被机器取代，简单重复性工作就开始萎缩。
当然，简单重复工作曾经造就了美国的中产阶级。亨利·福特的工人们享受中产阶级的薪资待遇，从事的是简单重复劳动。而在美国的办公楼里，曾经大多数人从事的也是重复性脑力劳动。这样的世界正在衰落，只留下两类工作：几乎无需思考因而报酬微薄的工作和需要大量思考因而报酬优厚的工作。
一架4个发动机的飞机即使只剩下2个发动机也能继续飞行。但如果最后两个发动机也发生故障，会发生什么？随着高级自动化和A I技术的发展，机器已逐渐掌握学习技能，最后两类非重复性工作也变得岌岌可危。
机器变得越来越聪明，因为我们更擅长建造它们，而这又是因为我们对于人脑的工作机制有了更深刻的认识。人脑本质上就是一团相互连接的细胞。一些连接比较短，另一些则较长；一些细胞只是两两相互连接，而另一些就像是枢纽，同时与其他多个细胞连接。生物电信号通过这些连接以不同的频率传递，进而形成神经脉冲。这有点像是多米诺骨牌的倒塌，但速度更快、规模更大、更复杂。深度神经网络有点类似精简的虚拟大脑。它们给机器学习创造了渠道，促成了A I的飞跃发展。除了计算机运算能力的发展和我们对神经学的新认识，集体数据的爆炸性增长也功不可没。
大数据促成深度学习
大数据已经不再只是一个时髦词汇。人类正以惊人的速度创造并采集数据，根据2013年挪威科技工业研究所的一份报告估计，全球90%的数据创造于报告发布之时的前两年内。感谢互联网，数据生成的速度每18个月就会翻倍，去年，平均每分钟有300小时的视频被上传到YouTube、35万条短信发布到推特上。
我们所做的一切都在产生数据，很多数据正是机器学习所需要的材料。设想编写一段程序，让电脑能够识别椅子。这个程序的早期版本更擅长判断什么不是椅子，而不是判断什么是椅子。
人类孩童在学习椅子这个单词时就开始学习它和其他物体的差异。如果孩子指着一张桌子说“椅子”，大人很快会纠正说“那是桌子”。这就是巩固学习。“椅子”这一标签被贴到见过的每一张椅子上，这个过程中一些神经通道形成。要“点亮”和“椅子”关联的通道，我们看到的东西必须和之前见过的“椅子”有足够的相似之处。归根结底，人生其实就是头脑过滤大数据的过程。
深度学习的空前强大在于它利用庞大的数据让机器模拟人脑的工作，而无需编写具体的指令。比如要让电脑认识“椅子”，无需用程序语言向电脑说明椅子的定义，只需要将它连接互联网，再喂给它成千上万张椅子的图片。接着，我们再用更多的图片对它进行测试。如果机器认错了，就进行纠正，进一步改进它辨别椅子的能力。不断重复这个过程最终能让电脑像人类一样准确地判断某物体究竟是否椅子。然而，不同于人类，机器能在几秒种内搜索处理数百万张图片。而当一台机器学会了某个知识或技能，它可以立刻与所有与之相连的机器分享这一知识或技能。
这种强悍的学习过程的一个典范来自电动汽车制造商特斯拉(Tesla)。谷歌公司花了6年时间，用自动驾驶原型车收集了170万英里的驾驶数据。另一方面，特斯拉只是进行了一次软件升级，让汽车自学如何用新的“自动导航”功能进行自动驾驶。特斯拉网络每周获取的数据就相当于谷歌原型车收集的总数据量，每一台特斯拉车都在互相向其他的特斯拉车学习并传授驾驶的真谛。将特斯拉的例子延伸到物联网，任何与联网物体的互动都可能教会每个互联物体新的东西，因此网络化的机器学习的庞大规模几乎无法想象。
人与机器的不公平竞争
在过去一年里，深度学习和大数据的联合创造了惊人的成就。谷歌的人工智能DeepM ind通过浏览成千上万篇带注释的新闻文章学会了阅读和理解。DeepMind自学掌握了几十种Atari2600电子游戏，并且玩得比人类还好。另一个叫Giraffe人工智能通过研究包含1.75亿个走位的数据集，自己学会了下象棋，并通过不断重复演练，在短短72小时内取得了国际大师级水平。2015年，一款A I甚至通过了视觉图灵测试。这些都是人工智能领域的重要里程碑。
即使如此，就在AlphaGo的胜利前几个月，当被问要用多长时间才能让一台电脑击败一流的围棋选手，专家们的回答是大约要等10年。这一预测似乎很有道理，因为围棋走位的可能性据说和宇宙中的原子一样多，所以就不能依靠扫描每一种可能的走位来判断下一步棋这种蛮横的方式。但深度神经网络绕过了这一壁垒，它采用了和人脑一样的工作方式，直观判断最合理的下一步。人类通过观察和不断练习获得这种棋感，AlpahGo也是一样。它分析了数百万场职业比赛，自己反复演习了几百万次。
AlphaGo的胜利告诉我们，任何人类的工作都不再是打不破的铁饭碗。从制作汉堡包到担任手术麻醉师，最终机器都能胜任，并且它们的成本远远低于人类。
阿米利亚(Amelia)会干很多事情，但它从不请病假，也不加入工会，或将工作时间浪费在Facebook上。IPsoft公司花费16年时间创造的这款A I系统学会了呼叫中心所有员工的工作。它几秒钟就能学会人类需要几个月才能掌握的东西，而且它能使用20种语言。由于具有学习能力，假以时日，它还会变得更能干。在一次公司测试中，第一周，每10个电话中它成功处理的只有1个，到第二个月末，它已经能够圆满地应对10个电话中的6个。如果全世界都开始使用阿米利亚，2 .5亿人将失去工作。
Viv是智能语音软件Siri的创造者开发的新A I程序，它能够为我们处理一些网上操作，能根据我们的喜好挑选社交媒体新闻，还能过滤掉讨厌的广告，这将极大地扰乱整个互联网的基础——— 广告行业。
一个充满阿米利亚、Viv和其他即将诞生的AI劳工的世界将引发严肃的社会思考。要求人类与隔壁小隔间里完美无缺的机器竞争是否公平？如果机器承担了人类大多数的工作，且分文不取，那么金钱将流去哪里？哪些消费将跟随不再需要支付的薪水一起消失？也许我们今天创造的很多工作可能根本没有存在必要，支付薪水可能是它们存在的唯一理由？
在一份经常被人引用的论文中，牛津大学的一项研究预计，到2033年，目前的工作会有一半被自动化取代。与此同时，感谢强大的机器学习功能，自动驾驶汽车可能在极短时间内消灭数百万的工作，给经济带来严重影响。新工作创造的速度远远比不上技术摧毁工作的速度。
正因为如此，AI领域的专家们都开始积极提倡全民基本收入制度。2015年末，奇点大学的一个小组讨论会上，著名数据学家杰罗米·霍华德问道，“你是否打算让一半的人口饿死，只因为他们再也无法给经济增加价值？如果答案是否定的，那么最聪明的财富分配办法就是实行全民基本收入制度。”
当创造工具的人也开始警告这些工具可能带来的影响时，难道不该引起工具使用者的重视吗，特别是当它事关成百上千万人的生计的时候？没有国家准备好了应对这些变化。无论是缺少消费者的消费经济还是高失业率都将导致社会动荡。人类似乎很擅长发明新技术，但却不擅长预见这些技术给世界带来的影响。在一个机器人会学习的时代，我们将学会的重要一课也许是：工作属于机器，生活属于人类。