【读书笔记】王维嘉:到2020年,将有60%的工作被人工智能取代

【读书笔记】王维嘉:到2020年,将有60%的工作被人工智能取代

00:00
06:36

本期大侠:王维嘉
中国科技大学学士和硕士,美国斯坦福大学博士


内容来源:本文为中信出版社书籍《暗知识:机器认知如何颠覆商业和社会》读书笔记,笔记侠经出版社授权发布。


为什么人工智能的学习速度特别快?因为机器发现了人类无法理解的知识。

1977年,iBM深蓝战胜人类国际象棋冠军,标志着人工智能往前迈开了重要一大步。


2017年,美国谷歌公司的围棋对弈程序Alphago大胜围棋天才柯洁,人工智能即将碾轧人类的话题便进入了大众视野,迅即引起普遍的狂热和焦虑。


围棋这样令人类引以为豪的东西,机器一下子远远超过了人类,而且我们不知道为什么会输。


谷歌一年后继AlphaGo之后又造了一个叫AlphaGo 0。


第一个AlphaGo是先学人类的残局、学棋谱,最后超越人类。


AlphaGo 0不学人类的经验,而是弄两个双胞胎兄弟自己对弈,从零学起。结果七天之后,AlphaGo 0就超过了AlphaGo的水平,40天之后,就打遍天下无敌手,到今天都没有人能打败它。


这件事给大家带来了很大的震撼,人类引以为傲地积累了两千年的围棋经验,对AlphaGo0来说,不仅一钱不值,还是累赘、是束缚。


学了人类的棋谱以后反而受棋谱的限制,水平不提高了。为什么会这样,我们要把这个问题想清楚,我们就需要思考到底学习的本质、知识的本质是什么。


人类历史上是怎么理解知识的?过去,大家以为我的知识就是所有文字语言能表达出来的东西。


然而并不是。知识可以分为以下几种。


第一种是既可以感受又可以表达的明知识,比如阿基米德就是在浴缸里发现了浮力定律,他感受到了浮力定律,又把它写出来了,这就是既可感受又可表达。


第二种是不可感受但可以表达的明知识,比如广义相对论、量子力学,我们人类感受不到引力波,但它是实实在在存在的,从数学上可以推导出来,可以验证的。


第三种可感受不可表达的默知识,默知识,就是只可意会,不可言传的意思。比如上面所说的拉小提琴、跳芭蕾、打乒乓球等等。


大家可能都会骑自行车,有没有一个人是看着手册学会的?每个人都是父母把你放在车子上,你歪歪扭扭摔个跤就学会了。人类的很多其他技能,比如拉小提琴、跳芭蕾、打乒乓球等等,全是这类的知识,只可意会、不可言传。


为什么说不出来?因为这样一个知识在我们的大脑里头建立了一个非常复杂的神经元联系,但是我们语言的表达能力又非常弱。


由于这个原因,大量的知识是以默知识的形式存在的。所以这个发现是人类历史上一个重要的里程碑。


还有一种知识叫暗知识。


暗知识是人类既不可感受又不可表达的知识。


为什么有些东西人类感受不到?因为我们的感观非常有限,比如我们的眼睛看不到红外线、我们的耳朵听不到超声波。


比如我们听到马路上的噪音时,我们在脑子里留不下任何痕迹,因为我们听不明白里头是什么东西。所以它是不可感受的。


因为它比较复杂,所以我们又没法表达,所以既不可感受又不可表达,就是暗知识。这就是AlphaGo下围棋的知识。


暗知识的本质就是机器发现了人类发现不了的、隐藏在万事万物中的复杂关系。


知道了这个以后,暗知识、明知识和默知识这三者什么关系呢?我们可以用冰山来形容。一个冰山,水面上的冰山一角就是我们人类上万年来已知的所有的明知识,可以用语言文字公式表达的。


水面下面的冰山就是默知识,而整个海洋就是暗知识,它们之间的关系就是这样。


为什么机器能如此迅速的学习?


因为他们能掌握了一个核心技能:群体学习。


什么叫群体学习?谷歌做了这么一个实验,它做了一个机械手,机械手下面放了一个盘子,这个盘子里头放了一些杂物,手电筒、钢笔乱七八糟的东西,不同的形状。它现在让机器自己学,从盘子里把东西抓到外面来。


一开始机器乱抓,抓不着,偶然的机器就抓到了一个东西,这时候机器知道,我要在这个高度抓东西。然后不同的形状它又慢慢摸索,十几天以后,它就可以稳定地把盘子里面的物体都抓出来。


这个实验没什么奇怪的,谷歌又做了第二个实验,就非常有意思。它把15台机器放在一起,用网络连起来,让它们同时来学同样的动作,每个人前面有一个盘子,放同样的东西,学习时间变成了原来的1/15。


为什么呢?因为只要有一台机器抓到了第一个东西,它马上就把这个信息用网络传给所有机器,其他14台机器同时就学会了,大家想想我们人类能做这样的事吗?做不了。


也就是说你学会骑自行车了,你的兄弟姐妹还得从头学起,我没法把大脑神经元的连接取出来拷贝给他。这就是机器神奇的地方。


本期编辑:智勇     审稿及主播:晴天


点击关注和订阅,实时接收最新干货。

获取更多商业知识,可关注公众号【笔记侠】。

以上内容来自专辑
用户评论

    还没有评论,快来发表第一个评论!