論人工智慧的泡沫、價值與應用困境

「我準備考慮一個問題：『機器能思維嗎？』」—阿蘭.圖靈，1950，《Computing Machinery and Intelligence》

前段時間在忙著煉丹（Deep Learning），還有幾場大數據培訓，很久沒有動筆了。今天想和大家談談人工智慧（Artificial Intelligence, AI），2017可謂人工智慧元年，AI領域風投和創新、創業風起雲湧，深度學習研究和應用持續火爆，以Facebook小扎和Tesla鋼鐵俠為代表的大佬們站隊互掐，AlphaGo的成功營銷與Watson的失敗應用，國內BAT紛紛推出人工智慧戰略等等…這一波大數據驅動的AI熱潮，發展勢頭強勁。下圖是從我培訓課件里截的，稱之為四位一體看數據技術（Data Technology, DT），可以說AI高燒是大數據發展的必然。

圖1 四位一體看DT

從上圖可以看出，這些年從物聯網，雲計算，大數據到現在的人工智慧，一個比一個熱，這是DT前沿信息技術發展的大勢，其內在的邏輯聯繫和發展趨勢使然，終極目標直指人工智慧。這就好比我們人體一樣，物聯網（移動互聯網）構造了眼耳鼻舌身等感官，大數據是各種感官獲取的感受信息，雲計算是記憶存儲，人工智慧就是我們的認知決策。IT和DT技術發展本質是在擬人化、智能化，智能時代一定會到來是毫無疑問的，但是，發展過程也不要太樂觀。

1.人工智慧源起：圖靈的智能之問。

我在之前的文章里有講到：

「大數據時代，我們周圍充斥著各種不同的理論、知識、信息和噪音，數據爆炸式增長和科技高速發展所帶來的衝擊，加大了未來的不確定性。當我們接收的數據和信息越多，面臨的選擇就越多，如若不善於過濾、挖掘和處理，對各種決策就可能會造成負面影響，當然也會放大我們對未來不確定性的恐懼。如何從混沌中發現規律，成為預測未來的「先知」，抑或是少出幾隻黑天鵝？是歷代人類的夢想，不管是古人的占卜、算命還是現在的專家系統、商業智能、數據挖掘、機器學習、人工智慧、智慧地球、智慧城市等技術和應用，都源於我們對未來不確定性的恐懼。」

如何降低決策過程中的不確定性，通過智能技術進行前瞻預測是關鍵，不管是物聯網、大數據、雲計算還是DT偌大的技術生態體系，其核心都是為這一目標服務。從這個角度講，傳統商業智能應用90%失敗這一論斷是有道理的，因為基礎的數據管理和常規的統計分析，不能稱之為智能，換句話說沒有成熟機器學習技術的支撐和成功應用，要說多智能那就是忽悠（後面我會講IBM Watson的問題）。

機器如何智能，系統如何智能，可謂仁者見仁智者見智。我們先來看圖靈是如何定義這一問題的。作為計算機科學和人工智慧領域的先驅，圖靈在1950年發表的著名論文《Computing Machinery and Intelligence》中，詳細討論了機器能否擁有智能這一問題，但也只是個開放性的討論，其實圖靈也未能定義什麼是智能（但提出了著名的「圖靈測試」）。

在1956年的DARTMOUTH學術會議上，AI被正式提出，定義為：

「研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門技術科學。通過了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，人工智慧可以對人的意識、思維的信息過程進行模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。智能涉及到諸如意識、自我、思維、心理、記憶等等問題。」

由於我們對人類智能本身還知之甚少，所以人工智慧的發展比預想的要慢很多。圖靈當時也做了個比較樂觀的預測，他預測在2000年左右，機器極有可能會通過「圖靈測試」，擁有初步的智能行為，現在看來這一時間是延後了，從當前自然語言處理領域的發展現狀及問題來看，要解答圖靈的智能之問，還需要AI研究人員多年的努力。

2人工智慧泡沫：神經網路「三起三落」的啟示。

從歷史來看，重大科學的研究往往呈螺旋形上升的過程，不可能一蹴而就，每一次基礎科學研究的重大進步，科技應用的重大突破，往往先由一兩個領軍人物偶然點破，而後大家蜂擁而至，在很短的時間內做出大量更具突破性的成果，同時帶來相關產業界的革命性增長。

經歷過「三起三落」的人工神經網路，能夠在換馬甲為深度學習后成功逆襲，正是機器學習領域幾十年來積累誕生的重大科學研究和工程應用成果，當前深度學習被看作是通向人工智慧的關鍵技術，被寄予厚望。

圖2 神經網路的「三起三落」

我在10多年前對神經網路和支持向量機兩個機器學習方向都有過粗淺的學習和了解，見證了神經網路研究三起三落其中的一段時光，見證了以支持向量機為代表的淺層學習技術的火爆，但卻始終少有看到機器學習技術真正走出實驗室，直到最近幾年，神經網路換馬甲為深度學習后成功逆襲，使得機器學習領域這幾十年來積累的成果，得以逐漸走出實驗室，在學術界研究和產業界應用都一鳴驚人，並有望引領人工智慧關鍵技術的跨越式發展。

圖3 人工智慧的泡沫

但從另一方面看，神經網路的三起三落也就代表了人工智慧的三個泡沫期，這給過分熱衷深度學習技術與人工智慧研究應用的人來講，也是該降降溫的，期望越大，失望越大，畢竟深度學習技術沒有想象中的那麼強大，至少在智能演算法層面的突破很有限（主要靠的還是大數據和計算力）。

換個角度看，深度煉丹術的興起，會不會是因為機器學習演算法研究幾十年遲遲無重大進展，神經網路演算法的一點小改進（正好遇到了大數據與GPU）就被當做了救命稻草？ 或者說即使神經網路的深度架構碰巧撞到了類腦學習機制，但我們能全面解碼它嗎？不太了解神經科學的研究水平，這個需要大家去悟了。

3人工智慧價值：弱AI不弱，強AI難強。

AI目前的發展還處於弱AI（Artificial Narrow Intelligence ，ANI）階段，但弱AI並不弱，如阿爾法狗一樣，雖然只擅長某一方面的智能，但在這方面已然超過人類了。近年來，弱AI已經極大促進了信息化與智能化的發展，在很多領域提高了生產效率。如工業機器人、醫療機器人、智能問答、自動駕駛、疾病診斷、自動交易等系統工具，極大提高了生產力。

弱AI不能像人類一樣靠理性或感性進行推理和解決各方面（哪怕很簡單）問題，機器只不過看起來像是智能的，其實只是既定程序的執行而已，只能解決某一方面的問題（就像下圍棋不能代表會下象棋），不會有自主意識，不會有創造性。而強AI（Artificial General Intelligence ，AGI）的定位是在各方面相當於人類或者超過人類，也稱為通用人工智慧。

現階段的人工智慧研究和應用主要聚焦在弱AI，強AI的研究可以說還是停滯不前，難有進展。

強AI能否實現還是未知，但要論人工智慧的價值，我認為很有必要對兩者進行對比，首先我個人是不支持發展強AI的，除非對其有絕對的控制能力，除非人類遇到了全球性災難或需要星際移民，不然強AI出世就很可能是另外一種原子彈，絕對是弊大於利。

弱AI幫助人類，是我們的好助手，能提高我們的生產效率和生活水平，強AI超過或代替人類，將是大部分人類的「終結者」，至少是勞動終結者，總不可能幾十億人都去從事藝術職業吧？當然弱AI發展也會面臨這一挑戰，但更可控和緩和很多。

4人工智慧應用困境：先要搞清楚幾個關鍵問題。

隨著機器學習、深度學習和人工智慧相關技術（強化學習、遷移學習、對抗學習等）的高速發展。阿爾法狗與人類頂尖棋手的人機大戰，也註定成為人工智慧的里程碑事件，當AI變得越來越複雜，越來越聰明，以至於在多個領域全面超越人類的時候，那時的AI會是提高人類生產力和生活質量的好助手？抑或是徹底控制奴役人類的天網？現在還難以下結論，但可以肯定的是接下來數十年裡AI對人類生活造成的衝擊將是巨大的。不管是技術層面還是產業應用層面，要對人工智慧領域有個全面準確的理解和把握，可以說十分困難。下面提幾點個人認為比較關鍵的問題供大家探討。

（1）現在是人工智慧的「黃金」時代嗎？

這個問題乍看是廢話，現在AI這麼火，當然是黃金時代啦。從人工智慧的三起三落來看，現在是處於技術和產業發展的波峰。而這一熱潮的興起一是得益於深度神經網路技術的發展，二是通過物聯網和移動物聯網等技術，大數據的爆炸式增長成為常態。三是大數據分析預測是解決不確定性問題的必然，大數據條件下的複雜性問題，越來越難以應用傳統建模技術加以解決，而客觀世界的複雜性，傳統的機械模型更是難以分析和預測。

圖4 農業時代到智能時代

工業時代通過機械動力優化，放大了我們的體力，我們得以改造物理世界；智能時代通過演算法優化，放大了我們的腦力，將極大改造我們的腦力世界。從人類社會發展大趨勢來看，現在稱之為AI黃金時代並不為過。

但這裡有個不確定性，那就是AI技術發展的瓶頸問題，深度學習技術能否擔當重任，能否一鼓作氣有更大的突破，或者幾年後又得停滯不前幾十年，都有可能。

但可以肯定的是，對弱AI來講，現在是再好不過的黃金時代，興起的投資熱潮也是看到了各個垂直領域應用弱AI的極大潛力；對強AI來講，面臨的技術瓶頸短期內難以突破，不過有沒有可能多年後冒出個終極演算法，全面解決類腦學習問題？不是沒有可能，只是幾率很小。

（2）人工智慧的應用成熟度？

儘管人工智慧的發展已經超過50年，但仍然還處於一個比較早期的發展階段，其應用主要集中在弱AI和垂直行業相結合的領域。

從產業鏈上看，人工智慧產業鏈包括基礎支撐技術（如大數據、雲計算等）、人工智慧技術（機器學習、深度學習等）及人工智慧應用（語音、對話、識別等）三個層面，其中基礎技術支撐由數據中心及運算平台構成，即計算智能階段，包括數據傳輸、運算、存儲等；

人工智慧技術是基於基礎層提供的存儲資源和大數據，通過機器學習建模，開發面向不同領域的應用技術，包含感知智能及認知智能兩個階段，感知智能如語音識別、圖像識別、自然語音處理和生物識別等，認知智能如機器學習、強化學習、對抗學習、自然語言理解等；

人工智慧應用主要為人工智慧與傳統產業相結合，以實現不同場景的應用，如機器人、無人駕駛、智能家居、智能醫療、智能問答等領域。

從上述幾個方面可以看出，AI產業鏈的應用成熟度取決於關鍵技術在垂直領域的突破，如果想靠大規模投資來快速推進AI技術的突破是不現實的，而是要反推，技術成熟一個再應用一個，這樣比較穩妥。

圖5 谷歌產品線應用深度學習技術

（3）人工智慧的技術成熟度？

這一波人工智慧的發展，大數據處理、深度學習和GPU計算三個方面的技術起到了關鍵的推動作用。大數據的採集、基礎管理和雲計算、GPU計算等技術應該說比較成熟了。突破智能的難點還是在機器學習。

我在前文反覆提到過，不談機器學習的智能技術多是在耍流氓。作為機器學習的子領域，深度學習雖然很牛，但它還是神經網路那套演算法理論，幾十年前就提出來了，換句話說還是在啃老本啊。不管是支持向量機、貝葉斯、決策樹等淺層學習演算法，還是深度網路衍生出來的深度強化學習、遷移學習、對抗學習等，大部分理論、演算法在幾十年前的人工智慧教材上都能找到，唯一不同的加了個深度，有強大的計算力支持，能處理大數據了。

圖6 人工智慧與機器學習

近年來的人工智慧開源框架更是基本等同於深度學習，雖然TensorFlow、Keras、MXNet等深度學習框架備受開發人員推崇，但還是缺乏完整的人工智慧技術鏈，深度學習被捧得太高不是好現象，傳統的知識庫、專家系統和規則式AI與深度強化、遷移、對抗等學習的融合才是AI發展的正途，另外從晶元、演算法、平台、架構到應用等方面來看，弱AI要全面開花落地都還有較長的路要走。

再就是浮誇風問題，一些科技媒體抱著Arxiv的某篇論文，就能說解決了某重大應用問題，十分不嚴謹。如果要給AI技術成熟度打個分的話，個人認為總分100分的話最多算70分，而且還是抱了深度學習的大腿。至於深度學習技術發展的後勁如何，短時間內是否發展成為Musk所說的那樣可怕，那要看IT巨頭們機器農場中深度網路的工程能力和「進化」速度了，沒有大數據資源和大規模計算資源的一般研究機構和人員是很難知曉的。

（4）大數據如何助力人工智慧？

在提這個問題之前，大家可以思考一下，有沒有非數據驅動的智能？換句話說，如果沒有大數據，除了專家系統和規則式AI，人工智慧怎麼發展？能否在智能學習方面有所突破？現階段的AI多是數據驅動的AI，因為沒有數據的餵養，就沒有深度學習的成功。

數據驅動的AI離不開大數據，大數據與AI是一種共生關係：

• 一方面，AI基礎理論技術的發展為大數據機器學習和數據挖掘提供了更豐富的模型和演算法，如深度神經網路衍生出的一系列技術（深度學習、強化學習、遷移學習、對抗學習等）和方法；
• 另一方面，大數據為AI的發展提供了新的動力和燃料，數據規模大了之後，傳統機器學習演算法面臨挑戰，要做并行化、要加速要改進。當前的弱AI應用都遵從這一技術路線，繞不開大數據。

那麼怎麼做非數據驅動的AI呢？傳統的規則式AI可以說是非數據驅動的，更多靠人工內置的經驗和知識驅動，不過它最大的問題也是要人工介入，而且很難具有學習能力，靠的知識、記憶和經驗建立的規則體系。強AI的目標是機器智能化、擬人化，機器要完成和人一樣的工作，那就離不開知識、記憶和經驗，也離不開通過知識、經驗和記憶建立起來的認知體系（經驗規則、知識本體）。

從這個角度講，強AI要實現只靠深度學習還不夠，但也不能繞過深度學習，通過深度學習進行物理世界基礎知識的初步監督式或半監督學習（幼兒要人教），深度學習掌握的知識必須要能存儲記憶並形成經驗規則，只有這樣遇到新的問題之後，才能智能響應（小孩通過知識經驗的積累，不再需要人教而能自我學習）。這需要學習、存儲、記憶、推理和構建知識體系，所以說強AI短期要實現很困難。

（5）深度學習的「深」與「淺」？

首先我們來看深度學習的「淺」，深度學習的核心理論還是基於淺層神經網路的堆疊，核心技術本身並無新意，Hinton也只是做了有限的改造和提升。另外，偉大的東西往往很簡單，好比愛因斯坦的EMC方程，深度學習是一種樸素、簡單、優美而有效的方法：像小孩搭積木一樣簡單地構建網路結構；性能不夠，加層來湊的樸素思想，這種標準化、易用性的處理架構，極大降低了機器學習的難度，當然最關鍵還是應用效果。從這個角度理解，深度學習並無深意，只是對傳統淺層神經網路做了少量改造。

再來看深度學習的「深」，在我看來，深度學習絕不只是幾個具體演算法、模型那麼簡單，而是一種仿人腦多層異構神經元連接網路的機器學習思想、方法論和技術框架（可能會從傳統機器學習學科中分離出來，傳統淺層學習模型的深度化是一大研究趨勢）。各類深度學習網路的變異、進化、融合，結合GPU超級計算將是未來現實大數據條件下大規模機器學習的重要方向，特別是海量多模態大數據條件下的機器學習，沒有深度架構只靠淺層學習，將無法支撐大數據條件下自動特徵學習、模型的有效表達和記憶存儲。

當然，深度學習在當前看來是通向現實人工智慧的一條有效途徑，但不應該是一種包羅萬象的解決方案。儘管深度學習的能力相比傳統機器學習技術很強，但和真正的人工智慧目標相比，仍然缺乏諸多重要的能力，如複雜的邏輯推理、知識抽象、情感經驗、記憶和表達等。不過深度學習發展現在還處於初級階段，能否真正實現類腦計算解碼還需要時日加以驗證；另外，隨著深度學習的網路形式和深度架構的逐步演進， 與基於經驗知識庫的規則式AI相結合，能否形成終極的類腦學習框架，讓我們拭目以待。

（6）Tesla鋼鐵俠和Facebook小扎到底在爭個什麼？

前段時間，Tesla鋼鐵俠Musk與Facebook小扎進行了一場誰不懂AI的嘴炮對決，大佬們紛紛站隊，貌似支持小扎的大佬要多一些？他倆到底爭個啥，在我看來絕不是單純的AI技術問題，而是在討論強AI的可能性和強AI的覺醒時間。

李嘉誠邀請阿爾法狗創始人戴密斯·哈薩比斯(Demis Hassabis)給他講課，日本軟銀孫正義計劃幾百億隻投資人工智慧相關項目，都是在押寶這一問題。

其實弱AI與強AI的二元劃分不是太合理，我們都知道技術的發展是個量變到質變的過程，弱到強之間難有技術分水嶺，就像神經網路的三起三落，十年前沒有大數據支持，神經網路學習效果不佳就說他弱嗎？現在換了個馬甲，因為有大數據了，學習效果好太多了就說它強嗎？某一方面的技術不能說明問題，一個領域的突破性發展往往是一系列關鍵技術的改進在推動，缺一不可。

圖7 人類發展進程曲線

那麼大佬們當下關注的關鍵問題-強AI何時到來？這也是小扎和鋼鐵俠爭論的焦點，這個時間節點能否預測呢？首先看下上圖的人類發展進程曲線，這個曲線表達的是核心意思是，我們的發展進程是經歷突變還是漸變多一些？這個還真不好說，原子彈發明之前，大部分科學家預測短期不可能，至少要幾十年，也有科學家預測只需要幾年，人工智慧的三起三落也是，前幾十年的樂觀預測都失敗了，未來幾年會不會產生突變呢？誰也說不準，首先我們不能以深度學習技術現有的局限來推斷其未來的發展潛力，就像我們不能預測Hinton是在2006年提出DBN，而不是1996或是2026？另外強AI能否覺醒，這得看未來數年裡，是否有Arxiv上的某篇論文提出了機器學習的終極演算法？或是Facebook機器農場中的某個深度網路全面解碼了人腦的學習機制，抑或是谷歌機器農場中的某個深度網路通過本體學習和記憶產生了初級意識。

5人工智慧五大門派對決：Watson vs. AlphaGo

上文說到，強AI的可能性，強AI何時能實現？是以小扎和鋼鐵俠為代表的大佬們，關於誰更懂AI展開嘴炮的焦點。要回答這一問題，首先得搞清楚AI技術發展的現狀和瓶頸，下面就通過當今世界最頂級的兩個AI系統，阿爾法狗（Alphago）和沃森（Watson）的對比分析，來深入探討這一問題。

AlphaGo採用的核心技術我在前文《阿爾法狗（AlphaGo）徹底戰勝人類意味著什麼》中有深入分析，簡單來講，其基於深度學習+強化學習+蒙特卡洛樹決策的組合式學習方法（或者說學習框架）應用說摸到了類腦學習的邊，其學習下棋分為三個階段：

• 通過對棋譜的深度學習完成策略網路的構建，採用深度學習技術訓練一種有監督學習型走棋策略網路，類似於我們的觀察學習獲得的第一反應。
• 通過自我對戰強化學習來提高博弈水平，採用強化學習技術來優化先前的走棋策略網路，通過自我博弈的強化學習迭代結果，來提升前面的策略網路。即與之前的「自己」不間斷訓練以提高下棋的水平，這個過程有點類似於人類的鞏固學習和理解貫通階段。
• 通過深度回歸學習構建估值網路，用來預測自我博弈強化學習數據集里局面的預期結果，即預測那個策略網路的局面會成為贏家。結合蒙特卡洛樹（MCTS）搜索壓縮搜索空間，降低了搜索時間複雜度， MCTS決策有效結合了策略網路和估值網路，類似於人類的判斷決策過程。

Watson的系統架構如下圖，IBM 關於 Watson的宣傳資料提到，Watson原來只有1個 「深度問答」的API，現在已經有42個API應用於36個國家的幾十個行業，內容涵蓋文字圖像識別、自然語言理解、專業知識學習、人類情緒分析等各個領域。通過其技術架構分析，可知Watson 的核心功能是文本挖掘和知識問答，核心技術採用了基於統計學習演算法和規則式自然語言處理（NLP）技術。

從這個角度講，IBM Watson的學習能力是十分有限的，依靠的海量非結構化大數據，加知識規則匹配，其重點宣傳的認知智能是基於自然語言的情感分析和語義理解，是否採用了更為先進的深度學習演算法不得而知。

可以肯定的是網上關於Watson系統的負面評價卻不少，醫療智能診斷AI的失敗，暴露出了不少問題，比如需要幾個月時間進行繁重的訓練，專家們需要給系統餵養海量條理清楚的數據（未經整理過的數據一般不能用，這是淺層學習模型的硬傷，而深度自動特徵學習在一定程度上改善了這一問題，但還有相當大的技術瓶頸需要突破），而且不能在不同的數據集之間建立聯繫（這點是Palantir大數據系統的強項，詳見前文《大數據獨角獸Palantir之核心技術探秘》）。

圖8 IBM Watson架構

幾十年來，人工智慧技術研究的五大門派（如下圖）一直以來都在彼此爭奪主導權。

• 符號派：使用符號、規則和邏輯來表徵知識和進行邏輯推理，最喜歡的演算法是：規則和決策樹。
• 貝葉斯派：獲取發生的可能性來進行概率推理，最喜歡的演算法是：樸素貝葉斯或馬爾可夫。
• 進化派：生成變化，然後為特定目標獲取其中最優的，最喜歡的演算法是：遺傳演算法。
• 類推派：根據約束條件來優化函數（儘可能走到更高，但同時不要離開道路），最喜歡的演算法是：支持向量。
• 聯結派：使用概率矩陣和加權神經元來動態地識別和歸納模式，最喜歡的演算法是：神經網路。

圖9 人工智慧五大門派

通過上述比較分析，可以看出AlphaGo與Watson的優劣。AlphaGo的技術框架通用性更好，深度學習能力更強，而Watson更多採用的傳統規則式AI技術，雖然有自然語言文本等非結構化大數據優勢，但沒有關聯挖掘和深度學習能力，其智能化水平有待提高。

另外，通過AlphaGo與Watson核心技術架構的對比，在大數據條件下，聯結派和符號派AI誰更牛高下立見，但都有各自的優點和缺點。根據Domingos的觀點，機器學習五大門派有望交叉融合產生終極演算法，但是時間上卻難以推測。

個人認為，未來聯結派和符號派的融合會是大勢所趨，基於自動特徵抽取和規則關聯推理的深度學習，與基於知識經驗的終身學習相結合，是AI進一步發展的關鍵技術方向。

6如果強AI覺醒，我們將走向何方？

最後做點展望，人工智慧技術毫無疑問會改變我們的世界，越是強大的技術，其自身發展的速度（指數級）也是難以想象和預測的，當谷歌的自動駕駛狗（已行駛超200萬公里）、醫療狗（DeepMind各種疾病診斷AI已初現身手）、翻譯狗（谷歌幾十種語言的自動翻譯）、軍事狗（Boston Dynamic機器人）、金融狗…等各種狗連成一片的時候，工業機器人很可能會走出牢籠，變身各種機器助手進入到我們家裡和辦公室里，而AI的服務端則會像電力一樣提供源源不斷的智能信息服務，到時我們的社會究竟會變成怎樣，這不是一個單純的技術問題，特別是面對強ＡＩ技術的研發和應用，我們應該重視其對社會、經濟、政治產生的深遠影響。假如有一天強ＡＩ真的覺醒，對於人類的未來，可以說是吉凶難測，這取決於我們的技術管控和團隊協作等能力，還取決於更重要的一點，那就是人性。

最後列幾則關於ＡＩ發展的正反方觀點，難說誰對誰錯，具有代表性，供大家思考。

李開復：

「類人機器人只是科幻，人形機器人將馬上進入千家萬戶的說法，簡直是無稽之談。人工智慧擅長對目標明確的工作進行優化（但是不能創造，沒有感情）；機械控制的發展速度較人工智慧軟體的發展要緩慢得多；感測器雖然得到迅猛發展，但價格昂貴、體積偏大且太耗電。機器人的開發要牢記實用性這一原則：機器人或能創造效益，或能節省成本，或能提高生產，或可以提供娛樂。過度擔憂可能導致大眾忽視AI正在帶來的巨大機遇，也會讓更多更緊迫的AI問題沒有得到關注，這隻會撿了芝麻丟了西瓜。未來十年，AI將大規模地取代那些依靠人力的、重複性的、分析性的崗位。因此，我們要肩負起創造更多社會服務性崗位的職責，而不是空想或謀劃一個充斥著「不適用於人類」職位的社會…」

扎克伯格：

「人工智慧威脅人類的觀點「相當不負責任」，未來五到十年，人工智慧會大為改善人類生活質量。人工智慧已經在診斷疾病方面提供幫助，自動駕駛汽車也是人工智慧改善人們生活的一種表現。科技應用一直都利弊兼有，創造技術的時候需要小心，但有人主張要放慢人工智慧的研究步伐，其動機確實值得懷疑。」

Elon Musk：

「我認為，我們對待人工智慧應當非常謹慎。如果讓我猜測，人類最大的威脅是什麼，那麼就是人工智慧。因此我們需要非常謹慎。我越來越感覺到，這裡應當有一定的監管，或許是在全國層面，或許是國際層面，這只是為了確保我們不會去做一些蠢事。」

比爾蓋茨：

「我和那些擔心超級智能的人同處一個陣營。起先，機器將幫我們做許多工作，更不用說超級智能。如果控制得好，人工智慧應該會非常有利。不過，幾十年後人工智慧會強大到足以令人擔憂的地步。在這一點上我贊同Elon Musk等人的看法，而且我不明白為什麼一些人會對此彷彿若無其事。」

馬雲：

「我認為人工智慧，你是改變不了的，這是一個巨大的趨勢，你只能改變自己。為未來來講，三十年也好、五十年也好，人類的衝擊一定會非常之大，而且一定會非常疼痛的，任何高科技帶來的問題，帶來好處也會帶來壞處。有一點是肯定的，未來的機器一定比你更了解自己，人類最後了解自己，是有可能通過機器來了解的，因為我們的眼睛是往外看的，IT往外看的，但是DT是往內看的，往內走才是有很大的一個差異。至於前段時間比較熱門的AIphaGo，人跟圍棋下，我在深圳互聯網大會上講了一下，我認為這是一個悲劇，圍棋是人類自己研究出來，自己玩的東西，人要跟機器去比圍棋誰下得好，我第一天就不會比，就跟人要跟汽車比誰跑步跑得快，那不是自己找沒趣嗎，它一定比你算得快。」

王垠：

「很多人喜歡鼓吹人工智慧，自動車，機器人等技術，然而如果你仔細觀察，就會發現這些人不但不理解人類智能是什麼，不理解人工智慧有什麼局限性，而且這些「AI 狂人」們的心，已經嚴重的機械化了。他們或多或少的失去了人性，彷彿忘記了自己是一個人，忘記了人最需要的是什麼，忘記了人的價值。這些人就像卓別林在『大獨裁者』最後的演講里指出的：「機器一樣的人，機器一樣的心。」每當提到 AI，這些人必然野心勃勃地號稱要「取代人類的工作」，「節省勞動力開銷」。暫且不討論這些目標能否實現，它們與我的價值觀，從一開頭就是完全矛盾的。一個偉大的公司，應該為社會創造實在的，新的價值，而不是想方設法「節省」什麼勞動力開銷，讓人失業！想一下都覺得可怕，我創造一個公司，它最大的貢獻就是讓成千上萬的人失業，為貪得無厭的人節省「勞動力開銷」，讓貧富分化加劇，讓權力集中到極少數人手裡，最後導致民不聊生，導致社會的荒蕪甚至崩潰……」

參考資料：

• 什麼是人工智慧？《NEWTON科學世界》2014年第3期
• 論大數據的泡沫、價值與應用陷阱。http://www.datagold.com.cn/archives/7052.html
• 阿爾法狗（AlphaGo）徹底戰勝人類意味著什麼？http://www.datagold.com.cn/archives/7591.html
• 我為什麼不在乎人工智慧。http://www.yinwang.org/blog-cn/2017/04/23/ai

本文由 @點金大數據 授權發佈於人人都是產品經理，未經作者許可，禁止轉載。

部分內容和圖片選自網路；題圖來自PEXELS，基於CC0協議