李開復：人類的演化史就是一部生物智能的訓練史

雷鋒網按：2017年是圖靈獎（A.M. Turing Award）設立50周年。 其中，ACM圖靈獎五十年中國大會（ACM TURC 2017）在中國上海舉辦，在會議上，創新工場CEO李開復，分享了關於「人工智慧時代與科學家創業」的話題。

以下為李開復的現場論述：

觀點一：深度學習無法戰爭生物大腦

深度學習基於多層神經網路的機器學習模型。表面看，深度學習和生物大腦里的神經元和突觸的運作有所相似。但其實，深度學習只是對單個生物神經元的極其粗糙的近似模擬（仿生學含義）。計算機能做的，就是定好一個模型，設一個目標函數，讓計算機自己不停地去試，找到一個方案使目標函數的輸出達到最優，它就認為這是解決方案——但計算機無法真正「理解」為什麼是最優。

機器學習永遠不會有自我意識，因為其優化目標是人類設定，不是物理世界給定的。

即使機器學習有了量子計算，並不會改變其在人類社會中的定位。量子計算技術的發展，為我們在特定計算任務（主要是部分數值優化演算法以及密碼學演算法上），可以給出極其快速的求解速度。

從模擬計算機發展到光學計算機，從圖形處理器到量子計算機——代表了計算機運算能力的巨大突破。

雖然量子計算可以為人工智慧發展提供革命性的工具，能夠指數級地提升學習能力和速度，輕鬆應對大數據的挑戰。但認為量子計算對大數據的處理可以趕上或超越生物大腦對神經元和突觸的計算量，而得出AI將達到人類大腦的水平，機器終將超越並取代人類智慧（人工智慧奇點論）。

這種推測在科學上是不成立的。

觀點二：人類的演化史就是一部生物智能的訓練史

創新工場人工智慧工程院副院長王嘉平認為，人類的進化不單單包括大腦和神經系統突觸的進化，而是整個世界的進化相統一，與人類的慾望相一致。

人類的感知系統、運動系統，乃至情感和創造力，都是在生存能力的基礎上發展而來。

深度學習僅僅是一個工具。人類的選擇、人類法則、人腦的發展並不僅僅有關人類大腦，它是人類進化成果的一個總和，伴隨著整個地球生物界的發展。生物智能的學習從來都不是單個個體的學習，而是全球生物在歷史上的所有種群所有個體一起協同在經歷一場以生存為優化目標函數的學習過程。在機器學習中的目標函數由人類設定，而自然選擇的目標函數則是為生存幾率所驅動。

現階段機器學習過程通常是孤立的，每次從頭來，但生物智能的學習過程，其智能的模型通過DNA被代代相傳，每一個個體的學習過程都不是孤立的，而是整個地球生物總體學習過程中的一部分。

無論是生物的低階智能，如視覺識別系統、以及高階智能，如情感和性衝動，甚至更高階的社會性行為，如協作和分工，歸根結底都是在優化群體的生存幾率，並且對於個體來說大部分的智能，尤其是低階智能，並不是在其生命周期裡面學習得到的，而是在繁殖過程中繼承而來的模型。

這個繼承而來的模型，也就是遺傳基因。不僅包含了智能模型「軟體部分」，也包含了定義生物機體構造和生化運作方式的模型，即「硬體部分」。

所以，從廣義的計算能力上面來說，生物智能的建立過程是歷代所有種群所有個體的應對和自適應能力的總和；從廣義的訓練數據上面來說，是歷代所有種群所有個體所遭遇到的環境的宏觀變化和衝擊，以及微觀上每個個體在生命周期中遇到的具體的生存任務，例如覓食和交配。無論哪方面，都是現階段機器學習系統遠遠無法企及的。

人類的遷移學習能力早已被祖先寫進遺傳基因

以認字為例，兒童可以在看過少量的字母圖像之後，輕鬆識別出大部分同一個字母的所有變體，以及不同的書寫方式。而機器學習卻需要大量的包含盡量多的變體的字元圖像，才能把識別任務做得比較好。因為這並不是生物智能能夠從小樣本中神奇地總結有效的規律，而是文字系統本來就是依據人類視覺系統的識別能力設計的。

在文字出現之前，類似的圖形，例如連續的線條、有規則的輪廓等大量的出現在我們可以看到的自然世界之中。所以，對於這些視覺信號的識別和抽象能力在我們的祖輩甚至可能更早，就已經記錄在我們的智能模型之中，也就是在遺傳基因裡面，並且在繁殖過程中複製給一代又一代的新的個體。

但是如果是歷史生物智能構建過程中不包含的任務，對人類來說是非常困難的。如果用二維碼作為人類的文字系統，即使有再多的樣本，對於大部分人類也是極其困難的。然而，這個任務對機器學習來說，識別二維碼的難度和識別人類手寫體的難度並無太大差別。

科幻電影 《降臨》（Arrival）很好地詮釋了這一點，對於來自物理自然環境的形態和人類截然不同的世界的外星文明，人類同樣無法識別其書寫文字，需要藉助計算機來完成。因為人類視覺系統的進化，只幫助人類發展以有限的視覺系統能夠識別的文字。

觀點三：人工智慧將成為工具箱，未來十年會產生巨大的商業和社會價值

人工智慧和深度學習雖然簡單粗暴，且不能稱為複製人腦，但是在很多特定任務上都已經遠超人類，在未來十年會產生巨大商業和社會價值。人工智慧的快速發展將惠及全人類，創造大量的財富。從數據驅動的AI，到收集新數據的感測器，到以無人駕駛、機器人為代表的全自動化階段，將為我們的生活帶來深遠的影響。

學術界可以繼續探索人腦的奧妙，量子計算將慢慢找到應用，但是主流的工程的力量應該投入可以成為平台的人工智慧工具箱，帶來人工智慧應用的井噴，讓更多工程師可以使用。在人工智慧工具箱所包含的各種「工具」里，有些工具是基於傳統計算，加上深度學習，有些工具可能是基於量子計算，它們各自有各自適合的地方，他們都能夠創造很大的商業價值，讓社會不斷的進步。

所以現在所面臨的問題是選擇合適的工具，用合適的工具建立人工智慧工具箱。我們將學習如何利用這些工具，解決更多問題，我們完全可以相信，當我們對這一數據技術了解得足夠多的時候，這一技術將得到更廣泛的應用。我們將迎來一個新時代，屆時，所有工程師都可以利用人工智慧的工具箱創造更多價值。人工智慧應用將無處不在，這種技術將趨於平民化。這將產生巨大的財富，我們將從地球上消除飢餓、貧困。我們將為每個人提供最低收入標準，將有50%的工作會被替代，而也將有50%的工作機會被創造出來。

人工智慧時代給人類帶來的挑戰將遠大於工業革命。我們要鼓勵更多的人加入到此次變革中來，關注大數據驅動，我們有很多工作，很多機遇。我們對量子計算技術的發展非常樂觀，由大數據驅動的人工智慧將使人類進入一個新的紀元。

（本文來自：創新工場，經雷鋒網整理編輯。）