李开复：我不相信奇点，相信平台化的人工智能工具箱

2017年是图灵奖（A.M. Turing Award）设立50周年，国际计算机学会（ACM）特别在全球范围内举行盛大庆祝活动，5月12-14日，ACM图灵奖五十年中国大会（ACM TURC 2017）在中国上海成功举办，创新工场CEO暨人工智能工程院院长李开复博士和往届数位图灵奖得主与业界知名学者一起受邀参与了大会欢迎晚宴和圆桌论坛。

12日，作为ACM图灵奖五十年中国大会开幕晚宴唯一特邀主题演讲嘉宾，李开复博士与往届远道而来的往届图灵奖得住和来自世界各地的计算机科学家们分享了关于“人工智能时代与科学家创业”的话题。其中，李开复博士特别提到了科学家创业会面临的3大问题并给出了解决方法，同时对人工智能时代科学家如何创业提出了自己的建议，他鼓励科学家留在学校继续创新，把技术授权给合适的人选，或者提供开源、发布内容等。

姚期智教授介绍了量子计算和量子密码学的最新进展，点明了量子计算未来的发展方向和需要解决的关键问题。被誉为“互联网之父”的Vinton Cerf则评论了互联网和人工智能带给科技与人类生活的巨大变化。在回答听众有关“超级人工智能是否会到来”的问题时，Vinton Cerf幽默地评论道，在1960年代人工智能发展的早期，“我们有个非常简单的方法来识别什么是人工智能，什么是工程技术：如果一个技术管用，它就是工程技术；如果不管用，它就是人工智能。如果一个原被称为人工智能的东西开始管用了，那它就变成工程技术了。”

在圆桌论坛上，李开复博士从人类历史进化和人工智能发展规律的高度，论述了深度学习的本质与人类未来的关系，提出了“平台化的人工智能工具箱”的技术发展方向。以下是李开复博士的现场论述：

深度学习基于多层神经网络的机器学习模型，表面上看，也许你会觉得深度学习和生物大脑里神经元和突触的运作是一回事（人脑大约由140亿个神经元组成，神经元互相连接成神经网络，神经元是大脑处理信息的基本单元，它主要由细胞体、树突、轴突和突触组成），但其实，深度学习只是对单个生物神经元的极其粗糙的近似模拟（仿生学含义）。相比生物大脑，深度学习只是照葫芦画瓢。计算机能做的，就是定好一个模型，设一个目标函数，让计算机自己不停地去试，找到一个方案使目标函数的输出达到最优，它就认为这是解决方案——但计算机无法真正“理解”这个东西是为什么。

从模拟计算机发展到光学计算机，从图形处理器到量子计算机——这代表了计算机运算能力的巨大突破，虽然量子计算可以为人工智能发展提供革命性的工具，能够指数级地提升学习能力和速度，轻松应对大数据的挑战，但是认为量子计算对大数据的处理可以赶上或超越生物大脑对神经元和突触的计算量，从而得出AI将达到人类大脑的水平，机器终将超越并取代人类智慧（人工智能奇点论），这种推测过于简单和跳跃，在科学上是不成立的。

所以当下以及不久的将来，大家大可不必担心机器的觉醒或者所谓的奇点的到来。当下的智能技术都是在为人类服务，是人类的工具。但是值得强调的是，智能技术服务的是掌控智能技术的人类，只是代表了一部分人类的利益，这可能是一个很小的群体，一个公司、团队甚至个人。我们需要担心的是这种新形态下的超级垄断力量对人类整体的危害或者剥削。

创新工场人工智能工程院副院长 王嘉平 认为，人类的进化不单单包括我们的大脑，也不只是神经系统突触的进化，而是整个世界的进化，与进化相统一，与人类的欲望相一致。人类的感知系统、运动系统，乃至人类的情感、创造力，都是在人类生存能力的基础上发展起来的。深度学习仅仅是一个工具。而人类的选择、人类法则、人脑的发展并不仅仅有关人类大脑，它是人类进化成果的一个总和，伴随着整个地球生物界的发展。

生物智能的学习从来都不是单个个体的学习，而是全球生物在历史上的所有种群所有个体一起协同在经历一场 以生存为优化目标函数 的学习过程。

值得注意的是，当下我们的 机器学习过程通常是孤立的，每次从头来，而生物智能的学习过程，其智能的模型通过DNA被代代相传，每一个个体的学习过程都不是孤立的，而是整个地球生物总体学习过程中的一部分。

无论是生物的低阶智能，例如视觉识别系统，以及高阶智能，例如情感和性冲动，甚至更高阶的社会性行为，例如协作和分工， 归根结底都是在优化群体的生存几率 ，并且对于个体来说大部分的智能，尤其是低阶智能，并不是在其生命周期里面学习得到的，而是 在繁殖过程中继承而来的模型 。

当然，这个继承而来的模型，也就是遗传基因，不仅包含了智能模型这个“软件部分”，也包含了定义生物机体构造和生化运作方式的模型，也就是“硬件部分”。

所以，从广义的计算能力上面来说，生物智能的建立过程是历代所有种群所有个体的应对和自适应能力的总和；从广义的训练数据上面来说，是历代所有种群所有个体所遭遇到的环境的宏观变化和冲击，以及微观上每个个体在生命周期中遇到的具体的生存任务，例如觅食和交配。无论哪个方面，都是现阶段机器学习系统远远无法企及的。

以认字为例，儿童有能力在看过很少量的字母图像之后，能够轻松识别出大部分同一个字母的所有变体，以及不同的书写方式，而机器学习却需要大量的包含尽量多的变体的字符图像，才能把这个识别任务做得比较好。其中的原因， 并不是生物智能能够从小样本中神奇地总结有效的规律，而是文字系统本来就是依据人类视觉系统的识别能力设计的。

在文字出现之前，类似的图形，例如连续的线条、有规则的轮廓等大量的出现在我们可以看到的自然世界之中。所以，对于这些视觉信号的识别和抽象能力在我们的祖辈甚至可能更早，就已经记录在我们的智能模型之中，也就是在遗传基因里面，并且在繁殖过程中复制给了一代又一代的新的个体。

但是如果是历史生物智能构建过程中不包含的任务，对人类来说一样是非常困难的。如果我们用二维码作为我们的文字系统，即使有再多的样本，对于大部分人类也是极其困难的。然而，这个任务对机器学习来说，识别二维码的难度和识别人类手写体的难度并没有太大差别。

最近的科幻电影 《降临》（Arrival）很好地诠释了这一点，对于来自物理自然环境的形态和我们人类截然不同的世界的外星文明，人类同样无法识别其书写文字，而需要借助计算机来完成。因为我们的视觉系统的进化，只帮助我们发展了以我们的有限的视觉系统能够识别的文字。

人工智能和深度学习虽然简单粗暴，且不能称为复制人脑，但是在很多特定任务上都已经远超人类，在未来十年会产生巨大商业和社会价值，比如创新工场投资的、由姚期智教授的学生所创办的一家基于深度学习技术的公司旷视科技（Face++），现在可以同时识别300万张人脸, 还有创新工场投资的智融集团，它的产品用钱宝8秒钟就可完成贷款审批，每月放款量可达150万元，远超银行的放款量。

所以，人工智能的快速发展将惠及全人类，创造大量的财富。从数据驱动的AI，到收集新数据的传感器，再到以无人驾驶、机器人为代表的全自动化阶段，将为我们的生活带来深远的影响。

学术界可以继续探索人脑的奥妙，量子计算将慢慢找到应用，但是主流的工程的力量应该投入可以成为平台的人工智能工具箱，带来人工智能应用的井喷，让更多工程师可以使用。在人工智能工具箱所包含的各种“工具”里，有些工具是基于传统计算，加上深度学习，有些工具可能是基于量子计算，它们各自有各自适合的地方，他们都能够创造很大的商业价值，让社会不断的进步。

所以我们现在要面临的问题是选择合适的工具，用这些工具建立人工智能工具箱。我们将学习如何利用这些工具，解决更多问题，我们完全可以相信，当我们对这一数据技术了解得足够多的时候，这一技术将得到更广泛的应用。我们将迎来一个新时代，届时，所有工程师都可以利用人工智能的工具箱创造更多价值。人工智能应用将无处不在，这种技术将趋于平民化。这将产生巨大的财富，我们将从地球上消除饥饿、贫困。我们将为每个人提供最低收入标准，将有50%的工作会被替代，而也将有50%的工作机会被创造出来，因为人工智能没有情感，没有爱，没有灵性，不懂文艺和创造，而这些领域都是人类的机会。

人工智能时代既有机遇，也有挑战，我们所面临的一个挑战是如何应对那些在AI背后为非作歹的人类。我们该如何解决我们所面临的挑战？我们该怎么做？

人工智能时代给人类带来的挑战将远大于工业革命。我们要鼓励更多的人加入到此次变革中来，关注大数据驱动，我们有很多工作，很多机遇。我们对量子计算技术的发展非常乐观，由大数据驱动的人工智能将使人类进入一个新的纪元。