評論員文章

理查德·費曼（1918—1988,1965年諾貝爾物理學獎得主）是著名的物理學家，他曾講過一個故事。

(相關資料圖)

某天下午，費曼坐在巴西的一家咖啡館中思考，這時進來一個賣算盤的日本人，打算向咖啡館推銷算盤。這個日本推銷員說用算盤便于記賬（當時還沒有計算機），但是咖啡館老板表示不想買。

咖啡館老板說：既然你說這個東西計算很快，那我隨便找一個顧客（碰巧就是費曼），你們兩個比試一下，看看機器人和人誰的運算更快。

比試開始，首先是算加法，費曼的速度完全沒辦法和算盤比，他還沒讀完數字，日本推銷員就已經用算法算出得數了。后來費曼說要增加難度，算乘法，這時用算盤需要更多步驟，所以費曼和算盤的速度差不多。

這下，日本推銷員說，這不行，我們要找一樣更難運算的：開立方根。

費曼同意了，于是咖啡館老板隨機選定了1729.03這個數字。費曼作為一個物理學家，碰巧知道12的立方是1728（一英尺等于12英寸，求立方體體積時，這種運算是很常見的），所以他只需要知道剩下的1.03怎么開立方。

很快，在幾秒鐘內，費曼通過使用“泰勒公式”算出了小數點后5位的得數，給出了12.0025，這個數字和正確答案12.00238……的誤差是10萬分之一。

幾分鐘后日本推銷員才喊出12，費曼完勝算盤。

人與機器的角逐實際上各有優劣，人的直覺和經驗是機器無法模仿與超越的，而機器在弱人工智能方面是勝過人類的。一個簡單的人造計算器沒有智能，但是可以在計算6位數乘以6位數的乘法上勝過人類。100年前那個人造的手搖計算機在計算速度方面已經超過人了。

機器確實有比人做得更好的地方，但是在需要直覺和經驗的場景下，機器往往無法勝過人。

人和機器在做決定時，用的是兩種不同的方法。

人是用直覺，直覺是人將各方面知識綜合在一起形成的，直覺讓人快速得到一個解決答案。

機器用的是“梯度下降”算法，這是在求解機器學習算法的模型參數時，最常采用的方法之一。

機器做決策只有一個方法，就是先讓人類找到“損失函數”，然后讓損失函數最小化。

從這方面看，機器沒有任何智能——是人寫出損失函數，然后讓機器執行優化算法。所以人們對機器的期望不能太高：機器在弱人工智能層面可以做得很好，但是用梯度下降的范式不可能產生強人工智能。

現在我們常說的人工智能，與以前的人工智能最大的區別是：以前，人通過寫計算機程序來制定規則，然后輸入一些數據，讓計算機算出結果；而現在，是人把數據和結果輸入進去，通過監督和非監督學習的算法，讓機器來學習并得到規則。

以前的人工智能叫做“專家系統”，是基于規則的；現在的人工智能則更多是讓系統根據數據去自動優化，學習底層邏輯。

就如所有機器一般，人工智能在某個方面可以很強大，但是復雜的算法常常被掩蓋在簡單的界面里，使用者在不理解底層邏輯的情況下使用，可能會產生極壞的效果。就好比把機關槍交給一個三歲的小孩去用，結果會難以想象。

我們舉幾個例子。

有一位美國朋友給我們發來一張優步的自動駕駛汽車的照片，從中我們發現一處不對勁的地方：禁止左轉的紅燈亮的時候，車居然向左轉彎了。

后來我們討論了這個問題，原來是因為訓練自動駕駛時使用的是人類駕駛的數據記錄，有人在禁止左轉的紅燈亮的時候左轉過，導致機器學到了這樣一個行為。

所以，人并不是一個完美的物種，如果機器完全向人類學習的話，也會學到人的一些壞習慣。

幾年前，幾位北航的教授做過一個研究，根據人們乘坐北京地鐵進站和出站的情況，畫出一些曲線，把人分成幾種類型。

例如，游客會去圓明園、香山；購物者會去西單、王府井；而小偷的行為曲線與正常人群是非常不一樣的。

是否可以用人工智能分析所有人的行為軌跡，找出小偷呢？

可以。

但是另一種分析方法則是比較危險的。

美國新澤西州的警監說：“我們用大數據技術能夠算出什么樣的人會比較容易犯罪，并算出他們在什么時候會犯罪，這樣可以提前預警。”

這讓我們想起科幻片《少數派報告》，這里最大的問題就是，這樣的計算依賴的是人不可改變的數據平均值。平均來講，黑人的犯罪率更高，但是并不代表每個黑人的犯罪概率都高，用平均值算出來的結論如果推廣開來，對黑人個體就是很不公平的，而在很多場景下是很危險的。

從算法上講，我們不能只看平均效果，還要看個體行為。

這與抓小偷的區別在于：美國新澤西州的警監抓罪犯的方法，是根據對方的年齡和膚色這些自身無法改變的因素來判斷的，這樣會冤枉好人；而前面抓小偷的方法則是根據對方的行為，根據行為的判斷就沒有問題。

很多人工智能算法試圖追求的都是平均效果，但如果聚焦到人的話，結論就會完全相反。

可見，人工智能不是萬能的，結果要靠人去解讀，人和機器要一起合作才是最優的。

人工智能有兩個非常深刻的課題需要解決：一是過度擬合問題（假如給了系統太多的自由度，讓它學到一些不該學的東西，那么它在樣本內的表現很好，但是在樣本外就很差）；二是因果關系的問題（即便能發現兩個變量的強相關關系，也不能代表其中一個導致了另一個發生）。

這兩大挑戰，是人工智能目前急需解決的問題。

（張曉泉為香港中文大學商學院副院長、決策科學與企業經濟學系教授）