【編者按】

《DK宇宙大百科》作者、前英國皇家學會會長馬丁·里斯的預測未來之書《人類未來》，近日引進出版。在書中，馬丁·里斯談及生態威脅、能源危機、生物技術、人工智能等眾多與地球和人類未來息息相關的話題，又以科學的角度分析太空飛行、外星移民計劃等“未來暢想”的可能性。澎湃新聞經授權摘錄其中談人工智能的一部分內容。

細胞、病毒和其他生物微結構，本質上都是“機器”，由帶有分子尺度的組件——蛋白質、核糖體和其他諸如此類的東西構成。我們把計算機的巨大進步歸功于我們在納米尺度上制造電子元件技術的快速發展，這讓我們能將所有生物級的復雜性都裝進處理器中，為智能手機、機器人和計算機網絡提供動力。

感謝這些革命性的進步，互聯網及其附屬設備創造了歷史上最迅速的新技術“滲透”以及最全面的全球化。它們在非洲和中國的普及速度幾乎超過了所有“專家”的預測。消費級電子產品和基于網絡的服務豐富了我們的生活，它們創造了數十億美元的價值。而對發展中世界的影響，則展示了應用科學是如何以最佳的方式改變貧困地區的。寬帶互聯網即將通過低軌道衛星、高空氣球或者太陽能無人機實現全球覆蓋，它將進一步促進教育、現代醫療和農業技術的普及。即使是最貧窮的人也可以由此跨入互聯經濟，并享受社交媒體——盡管許多人仍然未能享受到19世紀的技術進步帶來的好處，譬如合理配置的衛生設施。非洲人可以使用智能手機獲取市場信息、進行移動支付，以及諸如此類的事情。中國則擁有世界上最為自動化的金融體系。這些發展產生了“消費者盈余”，并給發展中世界帶去了企業精神和樂觀情緒。而旨在消除瘧疾等傳染病的有效計劃又強化了這些益處。根據皮尤研究中心（Pew Research Center）的數據，82%的中國人和76%的印度人，認為他們的孩子將比他們自己更好。

印度人現在擁有電子身份證，這使他們可以更容易地登記注冊，享受福利。這張卡不需要密碼。“虹膜識別”軟件可以使用我們眼中的靜脈圖像，這是一種對指紋或者面部識別技術的實質性改進。它足以在13億印度人中準確識別出特定個體，并且預示了人工智能的發展將給未來帶去什么樣的好處。

語音識別、人臉識別和類似的應用程序，使用一種名為“廣義機器學習”（generalised machine learning）的技術。它的運作方式類似于人類使用眼睛的方式。人類大腦中的“視覺”區域通過多階段過程整合來自視網膜的信息。逐層處理過程識別水平線、垂直線、銳角及其他信息；每一層所處理的信息都來自“更低的”一層，并將之輸出至其他層。[1]

基礎的機器學習概念可以追溯到1980年代。重要的先驅者之一是英裔加拿大人，杰弗里·辛頓（Geoffrey Hinton）。但是其應用直到二十多年后才真正“起飛”。這要歸功于摩爾定律——計算機的速度每兩年提升一倍——的穩定生效，它意味著計算機的處理速度提升了1000倍。計算機使用“蠻力”實現了這點。它們閱讀了數百萬頁的多語種歐盟文件來學習如何翻譯（它們永遠不會感到無聊！），它們“碾碎”數百萬張不同角度的圖像，來學習如何識別貓、狗和人類的臉。

戴米斯·哈薩比斯

DeepMind正在引領激動人心的進步。它是一家位于倫敦的公司，現在屬于谷歌。DeepMind的聯合創始人兼CEO戴米斯·哈薩比斯（Demis Hassabis）是一個早熟的天才。13歲的時候，他就成為國際象棋冠軍，在全世界排名第二。他本可以在15歲時進入劍橋，但他延遲了兩年才入學。在此期間，他從事了電子游戲的開發工作，其中包括極為成功的《主題公園》[2]。在劍橋學習計算機科學之后，他創辦了一家電腦游戲公司。后來他回到學術界，并在倫敦大學獲得博士學位，隨后在認知神經科學領域從事博士后工作，研究了情景記憶的本質，以及如何在神經網絡中模擬人類腦細胞群。

2016年，DeepMind取得了令人矚目的成就——計算機擊敗了世界圍棋冠軍。看起來這似乎并沒什么大不了，因為自從IBM的超級計算機“深藍”擊敗國際象棋世界冠軍加里·卡斯帕羅夫（Garry Kasparov）以來，時間已經過去了20多年。但這是一個真正的“規則的改變”。“深藍”的程序是由專業選手編寫的。相比之下，AlphaGo通過吸收巨量的對局情況以及自我對局，獲取專業知識。它的設計者并不知道它將如何做出決定。在2017年，AlphaGo Zero又前進了一步：人們只向它提供了規則——沒有真正的對局數據——由它從頭開始學習，結果它在一天之內具備了世界級水平。這令人震驚。一篇科學論文描述了這一壯舉，其最終得出的結論是：數千年來，人類從數以百萬計的對局中積累的圍棋知識，并提煉為定式、口訣和書籍。而在幾天的時間里，AlphaGo Zero從空白出發，便能重新發現大部分的圍棋知識，還有新奇的策略，為這一最為古老的游戲提供新的見解。[3]使用類似的技術，它在沒有專業知識輸入的情況下，在幾小時內達到了卡斯帕羅夫的國際象棋水平。在日本將棋中也有類似的情況。卡內基梅隆大學（Carnegie Mellon University）的一臺計算機已經學會了詐唬和計算，就像一個最老練的職業撲克玩家。但卡斯帕羅夫本人也強調說，在類似國際象棋這樣的游戲中，人類具有獨特的“附加價值”。而且，一個人加上一臺機器的組合所能完成的事情，將會超越單獨的任何一方。

人工智能依靠分析大量數據以及快速響應復雜輸入的能力，獲得了超越人類的優勢。它擅長優化精心設計的網絡，比如電網或城市交通。谷歌宣稱，由機器管理的大型數據工場，能夠節約40%的能源。但這里依然存在局限性。AlphaGo的硬件使用功率高達數百千瓦。相比之下，AlphaGo的韓國挑戰者李世石的大腦僅需消耗大約30瓦（類似于一個燈泡），而且除了下棋，他還能做許多其他事情。

傳感器、語音識別和信息檢索技術正在快速發展，而機器人（雖然會有更大的滯后）也將會具有物理靈活性。如系鞋帶、剪趾甲、在真正的棋盤上移動棋子，在這些事情上，機器人仍比孩子笨拙。但在這方面已同樣有所進步。2017年，波士頓動力公司展示了一個名叫亨德爾（Handle）的機器人（早期四足大狗的后繼者）。它具有輪子和兩條腿，靈活得足以進行后空翻。不過機器人與現實世界的互動能力要想超越人類體操運動員，或者像猴子和松鼠那樣，從一棵樹敏捷地跳到另一棵樹上，還需要很長時間。它們遠未達到人類整體多樣化能力的水平。

機器人“亨德爾”

不斷增強計算機的運算能力，使得機器學習成為潛在的重大突破口。它讓機器得以獲取專業知識——不僅在游戲中，更是在臉部識別、不同語言間的翻譯、網絡管理等方面——而且并不需要細節化的編程。不過它對人類社會的影響也是矛盾的。沒有“操作員”了解機器是如何做出決定的。如果人工智能系統中具有某個“bug”（錯誤），并沒有確切的辦法去追蹤它。如果系統的“決定”有可能對個人造成嚴重后果，那它將會引發公眾的關注。如果我們被判處關進監獄，或者被建議去做手術，或者哪怕只是信用評級不佳，我們都期望能得到一個解釋，并且能對其進行申辯。如果這些決定完全委托給算法，我們當然會感到不安，哪怕有令人信服的證據表明：總體而言，機器所做的決定，好于那些被它們擠掉的人。這些人工智能系統的整合，將會對日常生活產生影響，并會變得更具普遍性和入侵性。我們的所有行為記錄、我們與他人的互動、我們的健康狀況，以及我們的財務數據，都將置于“云”——跨國企業的準壟斷管理之下。這些數據可能會被善意應用（譬如醫學研究，或者向我們提出早期健康風險警告），但互聯網公司對它們的使用正在改變政府與商業世界之間的力量平衡。事實上，與最為專制或者“控制狂”之類的傳統雇主相比，今天的雇主能夠以更具侵略性的方式監控個體員工。另外，還會有其他隱私問題。如果餐館或者公共交通工具里鄰近的隨機陌生人可以通過面部識別來辨認你的身份、侵犯你的隱私，你會高興嗎？或者，如果關于你的“偽造”視頻顯得十分可信，又會不會讓你無法再信任視覺證據？

注釋

1.默里·沙納漢的《技術奇點》（The Technological Singularity，Cambridge，MA：MIT Press，2015）和瑪格麗特·博登（Margaret Boden）的《AI：性質和未來》（Al: Its Nature and Future，Oxford：Oxford University Press，2016）中概述了這些技術的發展；馬克斯·泰格馬克（Max Tegmark）的《生命3.0：成為人工智能時代的人類》（Life 3.0: Being Human in the Age of Artificial Intelligence，New York：Penguin Random House，2017）中提供了更為思辨性的“收益”。

2.Theme Park，傳奇游戲公司“牛蛙”（Bullfrog）的第一部主題系列游戲。

3.David Silver等，《擺脫人類經驗的圍棋》（Mastering the Game of Go without Human Knowledge），Nature 550（2017）：354359。

《人類未來》，【英】馬丁·里斯/著 姚嵩、丁丁蟲/譯，上海交通大學出版社2020年4月版。